Job offers / Offres de visites, stages, thèses et emploi

Feel free to contact us at contact@algomus.fr if you are interested in joining our team, even if the subject is not detailed below. You can also have a look on job offers in the previous years to see the kind of subjects we like to work on.

Permanent position (French required, with French qualification). Un poste de MdC en section 27 est publié dans le cadre de la session synchronisée de recrutement EC 2024:

• Université de Lille, 27MCF235 “Interaction, humanités numériques”, Algomus est une des équipes prioritaires

PhD positions, 2024-27

• Co-creativity, Machine learning: Lifelong learning for mixed initiative musical co-creativity, K. Déguernel, M. Giraud (open) (deadline April 22)
• Harmony, Modeling: Modeling and semi-automatic generation of musical arrangements to foster ensemble music practice, M. Giraud, F. Levé (open) (deadline April 22)

2024 Internship positions are available (2-6 months), this year be around the following themes:

• Co-creativity / AI / machine learning : Continual learning for co-creativity (K. Déguernel + Scool) (closed)
• Music formal modeling, Analyse, modélisation et génération d’hymnes ‘Sacred Harp’ (M. Giraud, K. Déguernel) (closed)
• Guitar / Music modeling: Prédiction personnalisée de la difficulté d’apprentissage à la guitare (A. d’Hooge, M. Giraud) (closed)
• Rap / Music modeling / AI, Modélisation de toplines de rap pour l’apprentissage en musique (M. Giraud, K. Déguernel, with WorkInMusic) (closed)
• Corpus / Web development / Data analysis: Écouter, voir et analyser Schubert et du Jazz (C. Ballester, E. Leguy, M. Giraud) (closed)
• HCI/IHM / Co-improvisation, Analyser et rendre intelligible la co-improvisation musicale humain-IA à l’aide d’augmentations visuelles (F. Berthaut, Mint, M. Giraud, K. Déguernel) (closed)

Visits of PhD students or post-docs (between 2-3 weeks and 2-3 months) can be also arranged through mobility fundings. Contacts should be taken several months in advance. (open)

Stages 2024 de recherche et/ou développement en informatique musicale

• Stage de recherche M1/M2 (minimum 4 mois)
• Paid internship 2023, 4 months minimum.
• Place: Lille (CRIStAL, CNRS, Université de Lille)
• Supervisor and contact: Ken Déguernel (CR CNRS) ken.deguernel@univ-lille.fr

Context and objectives

Current Mixed Initiative Co-Creative systems have opened new avenues for music generation fostering novel creative process and modes of interactions [1,2]. However, these systems lack the ability for long-term adaptation between user and machine. Our goal is to apply state-of-the-art continual learning [3,4] for machine learning based music generation models [5,6]. In particular, this internship will focus on supervised reinforcement learning method based on user feedback [7]. For instance, systems such as folk-rnn [5] or tradformer [6] could be used as a baseline on which the continual learning methods will be applied. These systems both used an already defined dataset based on the website thesession.org.

This internship takes place in the scope of a collaboration between the Algomus and Scool teams at CRIStAL, providing the student with an environment with both expertise in reinforcement learning and computer music.

Tasks

• Bibliography and familiarisation with a music generation systems such as folk-rnn,
• Implementation of user feedback based reinforcement learning to improve the personalisation of the studied music generation system,
• Evaluation of the system.

Qualifications

Needed

• Master’s student in Computer Science, Artificial Intelligence, or Music Computing,
• Strong background in machine learning, with experience with neural nerwork based systems,
• Good programming skills and experience with libraries like PyTorch.

Preferred

• Musical practice and familiarity with music theory.

References

[1] Jordanous (2017). Co-creativity and perceptions of computational agents in co-creativity. International Conference on Computational Creativity.
[2] Lin et al. (2023). Beyond prompts: Exploring the design space of Mixed-Initiative Co-Creativity Systems. International Conference on Computational Creativity.
[3] Parisi et al. (2019). Continual lifelong learning with neural networks: A review. Neural networks, 113.
[4] Irfan et al. (2022). Personalised socially assistive robot for cardiac rehabilitation: Critical reflections on long-term interactions in the real world. User Modeling and User-Adapted Interaction.
[5] Sturm et al. (2016). Music transcription modelling and composition using deep learning. arXiv:1604.08723.
[6] Casini & Sturm (2022). Tradformer: A transformer model of traditional music transcriptions. International Joint Conference on Artificial Intelligence.
[7] Scurto et al. (2021). Designing deep reinforcement learning for human parameter exploration. ACM Transactions on Computer-Human Interaction, 28(1).

• Stage M1/M2 2024, avec gratification, de 3 à 5 mois, en collaboration avec l’entrerpise WiM
• Thèmes: rythme, prosodie, rap, informatique musicale, apprentissage automatique
• Lieu: Lille (Villeneuve d’Ascq, Laboratoire CRIStAL, métro 4 Cantons), télétravail partiel possible.
• Encadrement et contacts: Mathieu Giraud, Ken Déguernel
• Annonce et liens: http://www.algomus.fr/jobs
• Candidatures ouvertes

La musique contribue aux apprentissages. Work In Music (WiM) est une application novatrice qui permet aux lycéens d’explorer le programme scolaire tout en étant immergés dans la musique. Des rythmes entraînants sont associés à chaque notion clé, favorisant ainsi la mémorisation et rendant l’apprentissage plus ludique.

WiM propose des contenus de divers styles musicaux, notamment le rap. Bien que le travail humain demeure essentiel et souhaitable pour garantir la qualité de ces contenus, il est tout aussi intéressant d’explorer des approches co-créatives qui combinent l’expertise et la créativité humaines avec des algorithmes [1].

Ce stage se concentre ainsi sur l’analyse, la modélisation et la génération de toplines, la partie vocale d’une chanson rap en mettant l’accent sur son rythme et ses intonations à partir d’un texte structuré. Plus précisément, le/la stagiaire aura l’opportunité de :

• Effectuer une revue des approches en informatique musicale et en musicologie sur la prosodie et le rap.
• Constituer un corpus composé de plusieurs dizaines d’exemples de prosodie et de mélodies structurées
• Proposer une modélisation de ces toplines, notamment par des structures arborescentes
• Élaborer et tester un premier modèle de génération

La génération pourrait combiner des éléments formels, procéduraux, et un apprentissage automatique s’appuyant sur le corpus élaboré ou d’autres données telles que MCFlow [3].

Profil recherché

Master d’informatique, compétences en modélisation et/ou en apprentissage/IA. Connaissances et pratique musicales appréciées, en particulier en rap.

Débouchés

Des opportunités de poursuite en thèse pourraient être envisagées sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit à CRIStAL ou bien dans notre réseau de collaborateurs académiques ou industriels en France et à l’étranger. En particulier, une thèse CIFRE avec l’entreprise WiM pourrait être envisagée.

References

• [1] Huang, AI Song Contest: Human-AI Co-Creation in Songwriting, ISMIR 2020
• [2] Adams, On the Metrical Techniques of Flow in Rap Music, Music Theory Online 15(5), 2009
• [3] Condit-Schultz, MCFlow: A Digital Corpus of Rap Transcriptions, Empirical Musicology Review, 11(2), 2017
• [4] Ohriner, Analysing the pitch content of the rapping voice Journal of New Music Research, 48(5), 2019

• Stage L3/M1/M2 2024, avec gratification, environ 3 mois (L3) à 4/5 mois (M1/M2)
• Thèmes: prédiction de difficulté, informatique musicale
• Lieu: Lille (Villeneuve d’Ascq, Laboratoire CRIStAL, métro 4 Cantons), télétravail partiel possible.
• Encadrement et contacts: Mathieu Giraud, Alexandre D’Hooge
• Annonce et liens: http://www.algomus.fr/jobs
• Candidatures ouvertes

Contexte

Ce stage s’inscrit dans le cadre d’une collaboration entre l’équipe Algomus (Université de Lille, CRIStAL) et la start-up Guitar Social Club (GSC). L’équipe d’informatique musicale Algomus s’intéresse à la modélisation informatique de la musique, que ce soit des partitions, des tablatures ou encore, dans le cadre de ce stage, des données sur l’apprentissage de la musique. La start-up GSC a été incubée à la Plaine Images à Lille et développe une application pour faciliter l’apprentissage de la guitare, à travers des suggestions automatiques de chansons et exercices.

La collaboration entre l’équipe Algomus et GSC consiste au développement d’un modèle pour suggérer à l’utilisatrice les prochains morceaux à travailler à partir de ses souhaits et de son niveau actuel. Une première version de cet algorithme est déployée dans la version beta de l’application, sortie en décembre 2023.

Objectifs

De nombreux facteurs influencent la difficulté d’une partition ou d’une tablature [1, 2, 3], comme par exemple, pour la guitare, la complexité du placement des doigts dans une position. L’objectif de ce stage est d’exploiter la littérature existante afin de concevoir et d’étendre un algorithme de prédiction de difficulté plus robuste, généraliste, et adapté au parcours de l’apprenant.

La première étape consistera à prendre connaissance de la littérature existante en analyse de la difficulté musicale (par exemple [1, 2]) et en particulier de reproduire les analyses de [1]. Le stage essaiera d’étendre ces modèles, que ce soit par la prise en compte d’autres facteurs ou par l’ajout de personnalisation à la prédiction de difficulté.

Pour un stage de Master, selon les données disponibles, une perpective pourrait être d’utiliser la solution développée pour entraîner un modèle prédictif. Une attention particulière sera portée au coût environnemental d’un tel modèle, ainsi que son explicabilité, et à l’inclusivité et la diversité des résultats générés.

Profil recherché

Licence/Master d’informatique, avec compétences en programmation et algorithmes de régression. Connaissances et pratique musicales appréciées (notamment en guitare), mais pas nécessaires.

Débouchés

Des opportunités de poursuite en thèse pourraient être envisagées sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans à CRIStAL ou bien dans notre réseau de collaborateurs académiques ou industriels en France et à l’étranger.

Références

• [1] Vélez Vásquez, M. A., Baelemans, M., Driedger, J., Zuidema, W., & Burgoyne, J. A. (2023). Quantifying the Ease of Playing Song Chords on the Guitar.
• [2] Ramoneda, P., Jeong, D., Valero-Mas, J. J., Serra, X. (2023). Predicting Performance Difficulty from Piano Sheet Music Images.
• [3] Rodriguez, R. C., Marone, V. (2021). Guitar Learning, Pedagogy, and Technology: A Historical Outline.

• Stage L3/M1/M2 2024, avec gratification, de 2 à 5 mois
• Thèmes: informatique musciale, manipulation de données, développement web agile, TypeScript, Vue.js, initiation à l’algorithmique musicale et à l’IA
• Lieu: Lille (Villeneuve d’Ascq, Laboratoire CRIStAL, métro 4 Cantons), télétravail partiel possible
• Encadrement et contacts: Charles Ballester, Emmanuel Leguy et Mathieu Giraud (CRIStAL)
• Annonce et liens: http://www.algomus.fr/jobs
• Candidatures fermées

Contexte et objectifs

L’équipe Algomus développe Dezrann, une application web fullstack open-source (TypeScript, Vue.js, node.js) pour lire et annoter des partitions musicales. L’annotation se fait en ajoutant des étiquettes (labels), éléments graphiques sur la partition, pour décrire par exemple la structure, l’harmonie, le rythme, la mélodie ou la texture.

Dezrann est utilisée d’un côté par des classes de collèges pour découvrir activement la musique, et de l’autre, par des musicologues annotant des corpus. C’est un véritable service permettant d’accéder à plusieurs centaines de pièces musicales.

Plusieurs équipes de recherche dans le monde ont produit les dernières années des corpus ”multimodaux”, comme par example le Schubert Winterreise Dataset (SWD) et le Weiner Jazz Database (WJD). Ces corpus contiennent des partitions (images ou symboliques), des fichiers audio, mais aussi des annotations comme par exemple des accords ou de la structure. Ces projets ont parfois des visualisations mais qui ne sont pas aussi commodes que celles proposées par Dezrann.

Travail à effectuer

• Intégrer ou améliorer l’intégration à Dezrann de deux corpus publiés par d’autres équipes, dont au moins un nouveau corpus. À titre d’exemple, en 2022/23 un projet avait travaillé sur le Schubert Winterreise Dataset et la Weimar Jazz Database.

• Contribuer à quelques fonctionnalités sur le front de Dezrann pour améliorer la plateforme

• Selon le temps disponiblee, réaliser une première étude d’analyse et/ou de génération d’informatique musicale en s’appuyant sur les corpus intégrés et en mettant en oeuvres des méthodes simples algorithmiques et/ou IA.

Développement en TypeScript/Vue.js, et possiblement Python, dans un cadre de développement agile (conception, tests, intégration continue, documentation) et reproductible. Le ou la stagiaire sera aussi en contact avec nos utilisateurs, français et étrangers, notamment avec les classes du secondaire de la région utilisant Dezrann. Elle ou il participera enfin aux projets de médiation montés par l’équipe.

Références

• Garczynski et al., Modeling and Editing Cross-Modal Synchronization on a Label Web Canvas, MEC 2022, https://hal.science/hal-03583179

• Balke et al., Bridging the Gap: Enriching YouTube Videos with Jazz Music Annotations, 2018 https://www.frontiersin.org/articles/10.3389/fdigh.2018.00001/full

• Weiss et al., Schubert Winterreise Dataset: A Multimodal Scenario for Music Analysis, 2021 https://dl.acm.org/doi/10.1145/3429743

Archived offers