Intern, AI-Driven Energy-Aware Adaptive Video Streaming

We design and develop foundational technologies that enable connected, immersive experiences in a broad range of communications and entertainment products and services.

We license our innovations worldwide to companies providing such products and services, including makers of wireless communications devices, consumer electronics, IoT devices, cars and other motor vehicles, and providers of cloud-based services such as video streaming.

As a leader in wireless technology, our engineers have designed and developed a wide range of innovations that are used in wireless products and networks, from the earliest digital cellular systems to 5G and today’s most advanced Wi-Fi technologies.

We are also a leader in video processing and video encoding/decoding technology, with a significant AI research effort that intersects with both wireless and video technologies.

Founded in 1972, InterDigital is listed on Nasdaq. InterDigital is a registered trademark of InterDigital, Inc. For more information, visit:  www.interdigital.

com . Summary The objective of this internship is to investigate how Reinforcement Learning (RL) techniques can improve the energy efficiency of adaptive video streaming while maintaining a high Quality of Experience (QoE) for end users.

The study will consider optimization opportunities across the entire streaming chain, from video encoding and bitrate-ladder generation to content delivery through Multi-CDN architectures [1], client-side Adaptive Bitrate (ABR) selection, decoding, and display.

Building on recent research in energy-aware adaptive streaming [2] and reinforcement-learning-based Multi-CDN optimization [3], the internship will explore how energy consumption can be dynamically incorporated into streaming adaptation decisions, alongside traditional criteria such as video quality, rebuffering, latency, throughput, delivery cost, and resilience.

The work will investigate RL-based optimization strategies at different levels of the streaming chain. At the client side, RL models may dynamically adjust the cost functions, weighting parameters, or decision criteria of existing heuristic-based energy-aware ABR algorithms.

Such adaptation may consider network and playback conditions, device energy policies, device characteristics and operating conditions, as well as the user's viewing context.

At a broader system level, the internship will also investigate the joint optimization of video representation selection and CDN/delivery-pathway selection.

Particular attention may be given to Multi-Agent Reinforcement Learning (MARL), where multiple agents responsible for different adaptation decisions cooperate to achieve a common energy-efficiency and QoE objective.

This includes investigating coordination between agents to avoid conflicting optimization decisions. The intern will first review existing approaches and identify the most influential parameters, decision points, and promising RL-based optimization strategies.

Selected solutions will then be implemented and evaluated on an end-to-end adaptive streaming platform. A benchmark will quantify the achievable energy savings, assess their impact on QoE and other performance metrics, and compare the proposed solutions with conventional adaptive streaming and independently optimized approaches.

[1] Ali C. Begen , Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA [2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis .

Masters thesis, KTH University. [3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning .

Masters thesis, Concordia University. Responsibilities • Conduct a state-of-the-art review, identifying the advantages, limitations, and challenges of existing approaches.

• Set up the experimental environment, implement and document AI-based technologies and solutions. • Evaluate performance, analyze experimental results, and report key findings.

• Contribute to the preparation of a scientific paper for submission to an international conference, as an additional objective. Qualifications • Master 2 or final year of engineering school • undefined • Deep learning, reinforcement learning (RL), DL frameworks • Adaptative streaming (e.

g., HLS, DASH), • Video coding. • Computer vision would be appreciated • Python • C/C++, Java script • Proficiency in AI-assisted development tools (e.

g., OpenAI Codex, Claude Code) Keywords: energy efficiency, energy-aware adaptative streaming, video streaming, image quality metrics, machine learning, deep learning, reinforcement learning.

Expected Outcomes: This internship will be expected to generate patents and scientific papers. Software that demonstrates the feasibility and performance of the developed technique would also be expected Mentors: Franck Aumont, Baptiste Boutaud de La Combe Location : Rennes, France InterDigital is an equal employment opportunity employer.

InterDigital will not engage in or tolerate unlawful discrimination with regard to any employment decision, policy or practice based on a person’s sex, gender, pregnancy (including childbirth, breastfeeding and related medical conditions), age, race, color, religion, creed, national origin, ancestry, citizenship, military status, veteran status, mental or physical disability, medical condition, genetic information, sexual orientation, gender identity or expression, or any other factor protected by applicable federal, state or local  law.

This policy applies to all terms and conditions of employment, including, but not limited to, recruiting, hiring, compensation, benefits, training, assignments, evaluations, coaching, promotion, discipline, discharge and layoff.

Diffusion vidéo adaptative écoénergétique pilotée par l'IA : de l'optimisation côté client à l'apprentissage par renforcement collaboratif de bout en bout À propos d'InterDigital InterDigital est une société internationale de recherche et développement spécialisée principalement dans les technologies sans fil, la vidéo, l'intelligence artificielle (« IA ») et les technologies associées.

Nous concevons et développons des technologies fondamentales qui rendent possibles des expériences connectées et immersives dans un large éventail de produits et services de communication et de divertissement.

Nous concédons des licences sur nos innovations dans le monde entier à des entreprises qui proposent ces produits et services, notamment des fabricants d'appareils de communication sans fil, d'électronique grand public, d'objets connectés (IoT), d'automobiles et d'autres véhicules à moteur, ainsi qu'à des fournisseurs de services cloud tels que la diffusion vidéo en streaming.

Leader des technologies sans fil, InterDigital a vu ses ingénieurs concevoir et développer un large éventail d'innovations utilisées dans les produits et réseaux sans fil, des premiers systèmes cellulaires numériques jusqu'à la 5G et aux technologies Wi-Fi les plus avancées d'aujourd'hui.

Nous sommes également un leader du traitement vidéo et des technologies de codage et de décodage vidéo, avec un important effort de recherche en IA à la croisée des technologies sans fil et vidéo.

Fondée en 1972, InterDigital est cotée au Nasdaq. InterDigital est une marque déposée d'InterDigital, Inc. Pour en savoir plus, rendez-vous sur  www.interdigital.

com . Résumé L'objectif de ce stage est d'étudier comment les techniques d'apprentissage par renforcement (Reinforcement Learning, RL) peuvent améliorer l'efficacité énergétique de la diffusion vidéo adaptative tout en maintenant une qualité d'expérience (QoE) élevée pour les utilisateurs finaux.

L'étude portera sur les pistes d'optimisation tout au long de la chaîne de diffusion, de l'encodage vidéo et de la génération de l'échelle de débits jusqu'à la distribution des contenus via des architectures multi-CDN [1], la sélection du débit adaptatif (Adaptive Bitrate, ABR) côté client, le décodage et l'affichage.

S'appuyant sur des recherches récentes consacrées au streaming adaptatif écoénergétique [2] et à l'optimisation multi-CDN fondée sur l'apprentissage par renforcement [3], le stage explorera comment intégrer de manière dynamique la consommation d'énergie dans les décisions d'adaptation du streaming , aux côtés de critères classiques tels que la qualité vidéo, les interruptions de lecture (rebuffering), la latence, le débit, le coût de distribution et la résilience.

Les travaux porteront sur des stratégies d'optimisation fondées sur le RL à différents niveaux de la chaîne de diffusion . Côté client, des modèles de RL pourront ajuster dynamiquement les fonctions de coût, les paramètres de pondération ou les critères de décision d'algorithmes ABR écoénergétiques existants fondés sur des heuristiques.

Cette adaptation pourra tenir compte des conditions de réseau et de lecture, des politiques énergétiques de l'appareil, de ses caractéristiques et conditions de fonctionnement, ainsi que du contexte de visionnage de l'utilisateur.

À l'échelle du système, le stage étudiera également l'optimisation conjointe de la sélection des représentations vidéo et de celle des CDN et chemins de distribution .

Une attention particulière pourra être portée à l'apprentissage par renforcement multi-agents (Multi-Agent Reinforcement Learning, MARL), dans lequel plusieurs agents chargés de décisions d'adaptation distinctes coopèrent pour atteindre un objectif commun d'efficacité énergétique et de QoE.

Il s'agira notamment d'étudier la coordination entre agents afin d'éviter des décisions d'optimisation contradictoires. La personne recrutée commencera par passer en revue les approches existantes et identifier les paramètres les plus influents, les points de décision et les stratégies d'optimisation prometteuses fondées sur le RL.

Les solutions retenues seront ensuite implémentées et évaluées sur une plateforme de streaming adaptatif de bout en bout. Une évaluation comparative (benchmark) permettra de quantifier les économies d'énergie réalisables, d'apprécier leur impact sur la QoE et sur d'autres indicateurs de performance, et de comparer les solutions proposées au streaming adaptatif classique et à des approches optimisées séparément.

[1] Ali C. Begen , Yuriy Reznik , Daniel Silhavy (DRAFT) SVTA5078: Architectures for Multi-CDN Switching - SVTA [2] Baptiste Boutaud De La Combe (2026) Energy-Aware Adaptive Video Streaming Using Deep Reinforcement Learning: Master Thesis .

Masters thesis, KTH University. [3] Joshi, Chidambar (2025) Video Streaming Optimizations via Collaborative Multi-CDN Selection with Deep Reinforcement Learning .

Masters thesis, Concordia University. Durée : 5 à 6 mois, avec un démarrage entre janvier et avril 2027 ou en septembre 2027 Missions ·        Réaliser un état de l'art, en identifiant les avantages, les limites et les défis des approches existantes.

·        Mettre en place l'environnement expérimental, implémenter et documenter des technologies et solutions fondées sur l'IA. ·        Évaluer les performances, analyser les résultats expérimentaux et rendre compte des principaux enseignements.

·        Contribuer, à titre d'objectif complémentaire, à la préparation d'un article scientifique destiné à une conférence internationale. Profil recherché • Master 2 ou dernière année d'école d'ingénieurs • undefined • Apprentissage profond, apprentissage par renforcement (RL), frameworks de DL • Streaming adaptatif (par exemple HLS, DASH), • Codage vidéo.