Offre en lien avec l’Action/le Réseau : – — –/Innovation

Laboratoire/Entreprise : Université de technologie de Troyes
Durée : 4 ans (2+2)
Contact : malika.kharouf@utt.fr
Date limite de publication : 2025-12-31

Contexte :
Présentation de l’établissement :
L’Université de technologie de Troyes créée en 1994, est aujourd’hui classée parmi les 10 écoles d’ingénieurs les plus
importantes en France et forme 3100 étudiants chaque année. Tournée vers l’excellence et en interaction permanente
avec le monde économique, l’UTT s’inscrit durablement avec une stratégie d’ouverture et de construction du futur pour
un avenir soutenable. En tant que leader du projet d’Université Européenne EUt+, au côté d’une alliance regroupant 9
partenaires, l’UTT est à la fois, à l’initiative, pilote et établissement expérimental pour le développement des nouvelles
méthodes et orientations de l’EUt+.
Acteur du développement économique et social de son territoire, Aube, Champagne et Grand Est, l’UTT est implantée
à Troyes, ville dynamique à taille humaine, riche d’histoire de patrimoine et de culture, ce qui permet à chacun de
s’épanouir dans un cadre privilégié à proximité de la nature.
Missions de l’agent :
Rattaché à la Direction de la formation et de la pédagogie, l’ingénieur de formation orienté IA fera partie d’une équipe
projet impliquant la formation initiale, la formation continue, la coopérative pédagogique (le centre d’innovation
pédagogique de l’UTT). Il/elle jouera un rôle clé dans la conception, la structuration et la mise en œuvre de ce nouveau
programme de formation, en collaboration avec des experts du domaine, des enseignants, des ingénieurs pédagogiques
et des partenaires académiques. Il/elle pourra être amené(e) à organiser et animer des sessions de formation (CM, TD,
TP, webinaire, …) en soutien au déploiement de nouveaux contenus. Enfin, il/elle pourra contribuer aux comptes
rendus, rapports d’activité et constitution de pièces justificatives éventuellement demandées par le financeur.

Sujet :
Missions de l’agent :
Rattaché à la Direction de la formation et de la pédagogie, l’ingénieur de formation orienté IA fera partie d’une équipe
projet impliquant la formation initiale, la formation continue, la coopérative pédagogique (le centre d’innovation
pédagogique de l’UTT). Il/elle jouera un rôle clé dans la conception, la structuration et la mise en œuvre de ce nouveau
programme de formation, en collaboration avec des experts du domaine, des enseignants, des ingénieurs pédagogiques
et des partenaires académiques. Il/elle pourra être amené(e) à organiser et animer des sessions de formation (CM, TD,
TP, webinaire, …) en soutien au déploiement de nouveaux contenus. Enfin, il/elle pourra contribuer aux comptes
rendus, rapports d’activité et constitution de pièces justificatives éventuellement demandées par le financeur.
Activités principales :
• Participer à la conception, au développement et au déploiement de la formation Bachelor IA, en collaboration
avec des experts du domaine, des enseignants, des ingénieurs pédagogiques, des partenaires académiques, …
• Elaborer des programmes de formation, des supports pédagogiques et des évaluations innovants en adoptant
une approche par compétences
• Proposer et expérimenter des formats pédagogiques innovants (blended learning, classes inversées, projets
tutorés, etc.)
• Collaborer avec des experts métiers, enseignants et ingénieurs pédagogiques pour coconstruire des contenus
pédagogiques innovants et de qualité
• Organiser et animer des sessions de formation (CM, TD, TP), des ateliers, des séminaires ou des webinaires
• Participer à l’évaluation des besoins en formation des apprenants et adapter les contenus en conséquence
• Contribuer à la mise en place et à l’animation des outils de suivi qualité de la formation et de dispositifs
d’amélioration continue
• Proposer des ajustements pédagogiques fondés sur les retours d’expérience, les évaluations…
• Valoriser les ressources pédagogiques produites (articles, webinaires, présentations)
• Participer à des événements académiques ou professionnels pour partager des retours d’expérience
• Contribuer à la diffusion et/ou la communication via des plateformes ouvertes ou des publications internes
• Contribuer aux comptes rendus, rapports d’activité et constitution de pièces justificatives éventuellement
demandées par le financeur
• Réaliser une veille pédagogique et technologique continue sur les sujets liés à l’intelligence artificielle, à
l’enseignement supérieur et aux méthodes d’apprentissage innovantes
• Garantir la pertinence et l’actualité des contenus de formation en tenant compte des évolutions du domaine
• Participer à des salons, forums ou événements autour de l’intelligence artificielle ou de l’orientation scolaire
• Soutenir, ponctuellement, les activités de la DFP

Profil du candidat :
Compétences essentielles du poste :
Savoirs généraux, théoriques ou disciplinaires
• Connaissances solides des concepts fondamentaux et avancés en intelligence artificielle
• Maîtrise des sciences de l’éducation, de la pédagogie et/ou de l’ingénierie de formation
• Maîtrise des approches pédagogiques innovantes
• Connaissances solides de l’approche par compétences
• Bonne connaissance du fonctionnement de l’enseignement supérieur (formation initiale / continue)
• Capacité à traduire des connaissances techniques complexes en contenus pédagogiques accessibles clairs,
engageants et accessibles
Savoir-faire opérationnels
• Concevoir et structurer une offre de formation en lien avec les besoins d’un secteur spécifique (IA)
• Élaborer des contenus pédagogiques adaptés à différents formats (présentiel, distanciel, hybride)
• Concevoir et animer des sessions de formation (CM, TD, TP, ateliers, séminaires, webinaires)
• Utiliser les outils numériques et technologiques pour la formation (LMS, outils auteur, outils collaboratifs,
plateformes d’apprentissage)
• Piloter des projets pédagogiques en mode collaboratif avec divers acteurs (enseignants, experts, partenaires)
• Réaliser une veille technologique et pédagogique et intégrer les innovations pertinentes
• Définir et mettre en œuvre des outils d’évaluation et de suivi qualité des dispositifs de formation
• Rédiger des comptes rendus, rapports d’activité et documents administratifs liés aux formations
Savoir-être
• Capacité à travailler en équipe et en mode projet avec des interlocuteurs variés
• Sens de l’organisation, réactivité, et rigueur dans le suivi des projets, la gestion des priorités
• Autonomie, esprit d’initiative et capacité à proposer des solutions innovantes
• Aisance à l’oral comme à l’écrit dans un contexte professionnel
• Esprit d’analyse et capacité à prendre du recul pour ajuster les pratiques pédagogiques
• Curiosité intellectuelle et goût pour l’apprentissage continu

Formation et compétences requises :

Adresse d’emploi :
Université de technologie de Troyes
12 rue Marie Curie,
10300 Troyes

Document attaché : 202509220941_F_H Ingénieur_Formation_IA-2.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISIC – Université du Littoral
Durée : 1 year
Contact : esteban.bautista@univ-littoral.fr
Date limite de publication : 2025-12-31

Contexte :
The Industrial Internet of Things (IIoT) is a rapidly evolving paradigm in which industrial sensors, machines, and other instruments are connected to the internet. The data provided by these systems are of great value for automated surveillance and detecting anomalies in them is a task of utmost importance.

Temporal graphs are a very effective model for IIoT data, where nodes represent devices; node features represent their measurements; and time-varying weighted edges capture various types of information. In the initial phase of this project, we have already developed powerful auto-encoder models capable of detecting both temporal and structural anomalies in temporal graphs. Yet, while our models allow us to detect the presence of an anomaly, they are still unable to localise it.

The main goal of this postdoctoral project is therefore to fundamentally extend our temporal graph auto-encoder models beyond anomaly detection to also perform anomaly localization.

Sujet :
The recruited postdoc will have two main goals:

Extension of Auto-Encoders for Anomaly Localization.

Our models currently receive a temporal graph as input and produce an anomaly score that is proportional to the severity of its abnormal events. Even though they can be used to localize anomalies by searching for the subset of maximal anomaly score, such an approach is impractical due to the exponential number of subsets to test. We aim to prune-down the search space by properly structuring the auto-encoder’s latent representation. This will require substantial architectural innovation to disentangle the auto-encoder’s structured representation and achieve fine-grained anomaly localization.
Application to IIoT logs and measurements.

We aim to evaluate the methodological developments above in real-world IIoT dataset that contain various types of attacks (structural anomalies) and measurement faults (feature anomalies). We aim to explore the advantages of our approach in real-world, potentially on-line, scenarios, such as machine health monitoring, transportation network monitoring, or other use cases that may arise from collaborations with local companies.

Profil du candidat :
We look for highly motivated candidates with relevant experience in anomaly detection, signal processing, graph machine learning, and/or deep learning. Experience in Python programming, cybersecurity and/or streaming algorithms is a plus. Ideal candidates will have a publication record in selective AI conferences.

Interested candidates are invited to send a cover letter, a detailed CV (with a publication list and the contact details of two references), and their PhD manuscript or a recent paper to:

esteban.bautista@univ-littoral.fr
claire.guilloteau@univ-littoral.fr

Applications will be reviewed on a rolling basis until the position is filled.

Formation et compétences requises :
PhD in Computer Science or related areas

Adresse d’emploi :
LISIC Laboratory, Saint-Omer, France

Document attaché : 202511041003_Postdoc___Temporal_Graph_Auto_Encoders____Job_Offer.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : DIG team, Télécom Paris
Durée : 12 months
Contact : nils.holzenberger@telecom-paris.fr
Date limite de publication : 2026-01-01

Contexte :

Sujet :
Hello,

We are hiring 2 PhD students and 1 postdoc to work on combining language models with structured data, at Telecom Paris, Institut Polytechnique de Paris. Start date can be between January and March 2026.

Large Language Models are amazing, and with our research project, we aim to make them even more amazing! Our project will connect large language models to structured knowledge such as knowledge bases or databases. With this,

1. language models will stop hallucinating

2. language models’ knowledge can be audited and updated reliably, to spot biases and make them more interpretable

3. language models will become smaller and thus more eco-friendly and deployable

We work in the DIG team at Telecom Paris, one of the finest engineering schools in France, and part of Institut Polytechnique de Paris — ranked 38th in the world by the QS ranking. The institute is 45 min away from Paris by public transport, and located in the green of the Plateau de Saclay.

Check out our Web site to apply: https://suchanek.name/work/research/kb-lm/index.html

Fabian Suchanek & Nils Holzenberger

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
19 place Marguerite Perey
91120 Palaiseau
FRANCE

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Institut d’Astrophysique de Paris (IAP), Paris, F
Durée : 2+1 years
Contact : guilhem.lavaux@iap.fr
Date limite de publication : 2026-01-01

Contexte :

Sujet :
You will work within the research group led by G. Lavaux and F. Leclercq, funded by the Simons Foundation’s “Learning the Universe” collaboration. As a researcher, you will actively contribute to projects focused on the large-scale structure of the Universe—including galaxy clustering, the cosmic microwave background (CMB), and gravitational shear—by integrating artificial intelligence, Bayesian inference, physical modeling, cosmological simulations, the construction of synthetic galaxy catalogs, and the analysis of observational data from the Euclid mission.

You will also contribute to producing independent and original research within the team, exploring innovative approaches and publishing your findings in peer-reviewed scientific journals.

For full details and to submit an application, see https://shlink.aquila-consortium.org/postdoc-iap-apply

Profil du candidat :

Formation et compétences requises :
Knowledge / Expertise: Physics, cosmology, digital techniques, Bayesian formalism
Practical abilities: Scientific communication (writing papers, presenting at conferences or seminars), High-Performance computing and Machine Learning experience is welcome,
Languages: Professional written and spoken English required; French not mandatory.
Soft skills: Teamwork, respect, scientific integrity, openness to new scientific and technical developments
References: Submit a CV, cover letter, list of publications, and a research proposal of approximately 3 pages. Up to three letter of recommendations may be sent using the link https://shlink.aquila-consortium.org/postdoc-iap-1

Adresse d’emploi :
Institut d’Astrophysique de Paris, 98 bis boulevard Arago, 75014 Paris, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : INRAE – BioSP
Durée : 12 mois
Contact : jean-baptiste.louvet@inrae.fr
Date limite de publication : 2026-01-10

Contexte :
La Plateforme d’Épidémiosurveillance en Santé Végétale (Plateforme ESV), créée en 2018, est le premier réseau
fondé par les plus grands acteurs français de la santé du végétal dont l’objectif est d’améliorer la surveillance sanitaire
et biologique du territoire face aux dangers sanitaires ou phénomènes phytosanitaires ayant un impact sur l’état
sanitaire des végétaux. Dans le cadre de cette plateforme, l’unité BioSP héberge la composante INRAE de l’équipe
opérationnelle qui compte 7 ingénieur-e-s. La Plateforme ESV apporte aux services compétents de l’État et, à leur
demande, aux autres responsables de dispositifs de surveillance, un appui méthodologique et opérationnel pour la
conception, le déploiement, l’animation, la valorisation et l’évaluation des dispositifs de surveillance sanitaire, ainsi
qu’en ce qui concerne l’investigation épidémiologique de phénomènes sanitaires propres aux végétaux. Des travaux
sont menés en appui à la surveillance officielle des organismes nuisibles réglementés ou émergents, dont la
surveillance de Xylella fastidiosa, du Nématode du pin, mais également la surveillance de la maladie du
HuangLongBing, de la Fusariose Tropicale Race 4 et du dépérissement de la vigne.
Depuis la création de la plateforme, différents outils ont été développés pour permettre à ses membre de mener leurs
missions à bien. Un outil de collecte et de mise à disposition de connaissances expertes pour la reconnaissance des
organismes nuisibles réglementés et émergents et mise à disposition du grand public a été mis en service en 2022.
Différents développements ont été réalisés pour le projet de Veille Sanitaire Internationale (VSI) : une pipeline de
collecte et de pré-traitement de données, une application web pour le traitement manuel des données, un ORM pour
faciliter les lectures et écritures dans notre base de données.

Sujet :
Au sein de l’équipe opérationnelle, vous aurez pour mission de développer, administrer, maintenir et faire évoluer
les systèmes de gestion de données de la Plateforme ESV. Vous en garantirez la cohérence, l’interopérabilité, la
qualité et la sécurité. Vous participerez également à la définition, à la mise en oeuvre et à l’évolution des bases de
données et des progiciels utilisés par la Plateforme ESV.
Vous prendrez part à l’implémentation, à l’évolution et à la maintenance du système d’information, en particulier
dans ses composantes liées aux bases de données et aux services associés, tels que les services Web sécurisés,
les pipelines de collecte et de traitement des données. Les technologies employées et les développements réalisés
devront tenir compte de la grande hétérogénéité des données traitées par la plateforme. Vous veillerez à concevoir
des solutions suffisamment flexibles pour intégrer de nouveaux formats de données.
Dans le cadre de vos activités, vous assurerez également le développement et la mise en oeuvre d’outils adaptés
aux besoins de la plateforme. Vous veillerez au suivi, au monitoring et à la performance des services mis en ligne,
tout en assurant la maintenance évolutive et corrective des outils et applications existants.
Votre travail se fera en étroite collaboration avec l’ingénieur architecte du système d’information, ainsi qu’avec les
épidémiologistes, les statisticiens et l’ensemble de l’équipe opérationnelle. Vous serez également amené à
interagir avec des informaticien-nes d’unités de recherche d’INRAE, ainsi qu’avec des partenaires de la Plateforme
ESV impliqués dans des systèmes d’information comparables. Enfin, d’autres missions pourront vous être confiées
en fonction des besoins de l’équipe opérationnelle, dans une logique d’adaptabilité et de soutien à la dynamique
collective de la plateforme (exemple : l’administration du plan de gestion de données et du dataverse de la
plateforme).

Profil du candidat :
Nous recherchons une personne titulaire d’un diplôme de licence, maîtrise ou master (bac+3/+5) avec une
spécialisation en informatique, administration de bases de données ou ingénierie logicielle. La capacité de mise en
oeuvre de progiciels, la maîtrise de technologies Web et des connaissances en visualisation des données seront des
atouts certains ; des expériences de travail dans des environnements duals de pré-production (tests et
développements) et de production (services en ligne) seront appréciées.

Formation et compétences requises :
Savoir-faire :
• Compétences nécessaires :
o Maîtrise du langage python
o Connaissances en développement web
o Connaissances en administration PostgreSQL
o Développement : algorithmique, tests
o Connaissance de Git
o Connaissance de Linux
o Rédaction de documentation
• Compétences appréciées :
o Connaissance de GitLab
o Connaissance du framework web Django
o Connaissance de la librairie SQLalchemy
o Expérience en webscraping
o Gestion de projet informatique (cahier des charges, spécifications techniques…)
Savoir-être :
• Compétences nécessaires :
o Être rigoureux, méthodique, savoir s’organiser et planifier son travail
o Être rigoureux, méthodique, savoir s’organiser et planifier son travail
o Savoir communiquer et vulgariser auprès d’un public d’informaticiens et de non-informaticiens
o Faire preuve d’initiative et être force de proposition
o Savoir travailler en équipe
• Compétences appréciées :
o Être à l’aise en anglais
o Avoir des connaissances en santé végétale
o Avoir une appétence pour l’aspect opérationnel

Adresse d’emploi :
Unité : BioSP (Biostatistique et Processus Spatiaux)
Équipe : Équipe OPE (opérationnelle INRAE pour la Plateforme nationale d’Épidémiosurveillance en Santé Végétale)
Lieu d’exercice : INRAE, Centre PACA, 228 route de l’aérodrome, 84000 Avignon

Document attaché : 202512031311_Fiche poste IE BDD 2025_VF.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIRIS
Durée : e year, renewable
Contact : Philippe.Lamarre@insa-lyon.fr
Date limite de publication : 2026-01-11

Contexte :
In today’s increasingly interconnected world, the ability to share data across systems and organisations has become both a necessity and a challenge. From scientific research to business intelligence, collaboration across data unlocks new insights and drives innovation. However, alongside this need for sharing lies a parallel and often conflicting demand: the need to maintain control over data. Organisations and individuals must safeguard sensitive information, uphold privacy regulations, and ensure compliance with legal frameworks, even as they participate in broader decentralised data ecosystems.
Tensions between data sharing and control are creating a data integration nightmare, slowing down data investigations.

In order to enable a researcher to simply formulate in natural language what data is needed, and computers instantly deliver correct and complete results with clear provenance, licensing terms, and usage restrictions, the ANR project SaFE-KG (2025-2028) aims to propose a secure federation of Knowledge Graphs, integrating trusted authentication and authorization mechanisms. Unlike traditional federations that assume public accessibility, SaFE-KG will develop solutions for secure, scalable, and efficient federations. It gathers the efforts of three teams: GDD LS2N Nantes, Wimmics INRIA Sophia Antipolis and Université Côte d’Azure, DB LIRIS Lyon.

Sujet :
The general aim of this post-doctoral position is to contribute to the SaFE-KG framework, with a central focus on an unified model for representing access and usage across a federation of knowledge graphs cite{conf/www/Aimonier-DavatN24}, allowing for consistent data sharing across organisations while maintaining compliance with individual policies. A challenge is to design an authorization model flexible enough to handle different configurations of KG federations and different granularities of policy declarations. Our approach is to externalize authorizations from knowledge graph servers by defining a standard interface that can be used with any engine. The objectives also includes federated engine query log modeling and reasoning for transparency and accounting.

The following objectives should be targeted:

_ Access control abstraction. At the very first relevant technical choices must be made to enforce authentication in the federation. Then, the objective is to define a flexible access control model and language for a KG federation. This model should support the specification of policies at different levels of granularity to better align with the diverse security requirements and models of participating knowledge graph providers. To ensure interoperability and adaptability, we aim to base this model on existing standards such as: OIDC for authentication, UMA (User Managed Access) and/or ODRL (Open Digital Rights Language). Two key challenges arise: designing a model that limits its impact on the performance of a federation engine and enabling the analysis of compliance and potential conflicts among the different policies defined by federation members.

_ Usage control. The objective is to enrich the model with usages. The sources describe their usage policy at some granularity level. Then the federation engine exploits these declarations to restrain the request to be usage compliant. While there already exist several usage control frameworks, in SaFE-KG, in addition to performance, we will pay particular attention to benchmarking, and domain independence which currently lack focus cite{Akaichi25}.

_Query logging for transparency and accounting. The objective is to provide a comprehensive view that enables accounting, auditing and compliance verification. To achieve this, the federation engine must log or more precisely, trace user queries and their meta-data with varying levels of detail, including the issued query, the execution plan used, and a summary of the responses obtained, among other elements. This provides a global view of the queries where the sources’ data are involved, including sensitive data. It allows to analyze and correlate the queries to check their compliance (by also considering their combination) with access requirements set up by the information provider.

The work should be based on existing standards, models and previous results cite{tr/Solid, safe-jbms2017, DBLP:conf/dexa/EndrisALVA18, DBLP:conf/dexa/GoncalvesVE19, CostabelloAndAl12,conf/esws/EkelhartEK21, SAMAVI20181}, keeping pragmatic with respect to SaFE-KG objectives. To define a unifying model, an approach could be to proceed incrementally considering that the federation engine: (i) has minimal involvement in security aspects (integrating identifiers, roles, and profiles); (ii) enforces its own access policy (without the sources revealing their own) ; (iii) (partially) knows the sources’ security policies.

Profil du candidat :
PhD in Computer Science with both both theoretical and applied skills in semantic web and associated tools, logical reasoning with knowledge of access control and/or usage control.

Formation et compétences requises :

Adresse d’emploi :
The work will take place within the database team (DB) of the LIRIS laboratory, in collaboration with the other teams of the ANR project SaFE-KG.

INSA de Lyon – Campus de la Doua
20, avenue Albert Einstein
69 621 VILLEURBANNE CEDEX
FRANCE

Document attaché : 202512081009_SaFE-KG_UnifiedAccessAndUsageModel_PostDocCall.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LITIS Lab
Durée : 18 months
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-01-11

Contexte :

Sujet :
Optimal transport (OT) is a powerful framework to define and compute distances between distributions (a.k.a. Wasserstein or earth mover’s distance), with a tractable computation thanks to the Sinkhorn algorithm [1]. Entropic regularization, which enables fast iterative scaling and GPU-friendly computation of the OT, providing the backbone of modern scalable OT pipelines.

Major challenges arise in exploring OT for domain adaptation on streaming data. While an online Sinkhorn algorithm was introduced in [2] to address the OT distances computation from sample streams, it does not operate in an online manner. The major issue is that the functions are evaluated on an increasing amount of newly available samples. which yields a memory complexity of O(n) and a time complexity of O(n^2). In order to fully operate in an online manner, the evaluations should not rely on all the previously available samples. Some attempts were provided to mitigate this major issue, such as by performing measure compression techniques (which are computationally expensive) [3] and by combining streaming quantile approximation with sliced OT [4].

This post-doc fellowship aims to provide theoretical foundations and algorithmic developments for OT on streaming data, mainly time series. For this purpose, the post-doc fellow will leverage earlier research results and take full advantage of the literature of adaptive signal processing and representation learning with deep learning.

This post-doc is an integral part of the global project OOD (Online Deep anomaly Detection), bringing together 4 PhD students and several permanent researchers from the Machine Learning group of the LITIS Lab.

[1] G. Peyré and M. Cuturi, “Computational optimal transport: With applications to data science,” Foundations and Trends® in Machine Learning, vol. 11, no. 5-6, pp. 355–607, 2019.
[2] A. Mensch and G. Peyré, “Online sinkhorn: Optimal transport distances from sample streams,” in NeurIPS, vol. 33, pp. 1657–1667, 2020.
[3] F. Wang, C. Poon and T. Shardlow, “Compressed online Sinkhorn,” arXiv preprint arXiv:2310.05019, 2023.
[4] K. Nguyen, “Streaming Sliced Optimal Transport,” arXiv preprint arXiv:2505.06835, 2025.

Profil du candidat :
Requirements:
PhD in applied mathematics, machine learning, advanced statistics, computer science or related.
Strong background in advanced optimization and machine learning.
Proficiency in Python.

If interested, please send CV in a motivational email to paul.honeine@univ-rouen.fr, gilles.gasso@insa-rouen.fr, maxime.berar@univ-rouen.fr and fannia.pacheco@univ-rouen.fr

Formation et compétences requises :

Adresse d’emploi :
Rouen (Normandy)

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : U2IS, ENSTA
Durée : CDD de 2 ans
Contact : mario.gleirscher@ensta.fr
Date limite de publication : 2026-01-11

Contexte :
Veuillez consulter le document ci-joint.

Sujet :
Le poste proposé aura pour objectif principal d’améliorer les technologies de pointe en matière de contrôle robuste de la manipulation d’objets aériens et de contribuer à l’amélioration des infrastructures de recherche correspondantes (par exemple, la simulation et l’expérimentation). Vos responsabilités :

* Mener des recherches sur des thèmes liés au projet.
* Publier les résultats de recherche dans des revues internationales.
* Soutenir le développement de simulations et d’expériences en intérieur et en extérieur.

Profil du candidat :
Veuillez consulter le document ci-joint.

Formation et compétences requises :
Connaissances essentielles:
* Expérience confirmée en recherche et publications pertinentes dans au moins un des domaines suivants : contrôle des systèmes aériens, contrôle multi-agents, contrôle optimal robuste
* Doctorat en contrôle, mécatronique, systèmes embarqués, construction mécanique, physique ou similaire
* Bonnes compétences en programmation en C, C++ ou Python
* Capacité et volonté de travailler de manière fiable au sein d’une équipe ainsi que de manière autonome et indépendante

Connaisances désirables:
* Bonnes compétences en simulation de systèmes dynamiques et en utilisation d’ outils de visualisation, tels que matplotlib, gnuplot ou Gazebo
* Bonne connaissance des middlewares de capteurs et de systèmes de contrôle (e.g., ROS) et des systèmes d’exploitation en temps réel (basés sur Unix/Linux)

Adresse d’emploi :
Details: https://perso.ensta.fr/~gleirscher/postdoc-asc-fr.pdf
Application: https://enstaparis.recruitee.com/o/post-doctorant-4

Document attaché : 202512081122_postdoc-asc-fr.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Institut d’Astrophysique de Paris (IAP), Paris, F
Durée : 2 years
Contact : florent.leclercq@iap.fr
Date limite de publication : 2026-01-15

Contexte :

Sujet :
The Institut d’Astrophysique de Paris (IAP) invites applications for a two‑year postdoctoral position in cosmological modelling and inference. See the full position description and application instructions here: https://cloud.aquila-consortium.org/s/Postdoc_ad_INFOCW

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Institut d’Astrophysique de Paris (IAP), 98bis boulevard Arago, F-75014 Paris, France

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIFAT, Université de Tours
Durée : 6 months (end in Jun
Contact : nicolas.ragot@univ-tours.fr
Date limite de publication : 2026-01-16

Contexte :
The JUNON project, driven by the BRGM, is granted from the Centre-Val de Loire region through ARD program (« Ambition Recherche Développement ») which goal is to develop a research & innovation pole around environmental resources (agriculture, forest, waters…). The main goal of JUNON is to elaborate digital services through large scale digital twins in order to improve the monitoring, understanding and prediction of environmental resources evolution and phenomena, for a better management of natural resources. Digital twins will allow to virtually reproduce natural processes and phenomena using combination of AI and environmental tools.
JUNON will focus on the elaboration of digital twins concerning quality and quantity of ground waters, as well as emissions of greenhouse gases and pollutants with health effects, at the scale of geographical area corresponding to the North part of the Centre-Val-de-Loire region.
These digital twins will rely on geological and meteorological knowledge and data (time series), as well as physic-based models.
The project actors are: BRGM, Université d’Orléans, Université de Tours, CNRS, INRAE, and ATOS and ANTEA companies. There are 5 work packages (WP):
1. User’s needs and geological knowledge for ground water
2. User’s needs and biological/chemical knowledge about pollutants and greenhouse gases
3. Data management and data mining
4. Time series prediction
5. Aggregation and realization of digital twins themselves
The postdoctoral position will be in the WP 4, focused on the prediction of quantity of ground waters. There will be strong interactions with WP 1 and 3 (BRGM) through postdocs and engineers. The work will be supervised by the LIFAT – RFAI and you will have to interact with one PhD student in JUNON as well. Interaction with the RFAI group and other PhDs working on similar subjects will also be done.

Sujet :
While the BRGM (a postdoc to be recruited) will have in charge to collect and arrange data (ground waters levels at different locations) and to benchmark predictions with mechanistic models as well as with classical prediction AI tools, the goal of the postdoc will be
– To set up an evaluation protocol and SOTA approaches to design a specific competition for an upcoming conference. The protocol will relies on previous analysis and data and will focus on infrastructure and meachnisms to deliver data to participants according to different scenarii including continual learning ones
– to build new prediction models (able to integrate several sources of information ; using correlation between mulitple sensors ; using knowledge transfer or domain adaptation, etc.)

Profil du candidat :
The position is initially for a postdoc position but candidates with a Master of Science degree and strong skills and experience in Machine Learning for Time Series could also apply.

Formation et compétences requises :
– required:
– strong experience in data analysis and machine learning (theory and practice of deep learning in python)
– experiences/knowledge in time series prediction with SOTA deep learning approaches
– interest or experiences with environmental science (hydrogeology, air pollution…)
– curiosity and ability to communicate (in English at least) and work in collaboration with scientists from other fields
– ability to propose and validate new solutions and to publish the results
– autonomy and good organization skills

Adresse d’emploi :
Computer Science Lab of Université de Tours (LIFAT), Pattern Recognition and Image Analysis Group (RFAI)
https://www.rfai.lifat.univ-tours.fr
64 av. Jean Portalis,
37200 TOURS
FRANCE

Document attaché : 202510311520_Fiche de poste Pdoc 2 Junon.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LPC2E – Laboratoire de Physique et Chimie de l’En
Durée : 3 ans
Contact : cherry.ng-guiheneuf@cnrs-orleans.fr
Date limite de publication : 2026-02-28

Contexte :
Les récentes avancées technologiques ont permis aux astronomes de numériser le ciel radio à une fraction de seconde près. Cette résolution temporelle sans précédent offre une sensibilité aux phénomènes transitoires qui nous auraient autrement échappé. Les transitoires à longue période (LPT) en sont un excellent exemple : il s’agit d’une nouvelle classe émergente de sources radio cohérentes qui remettent en question notre compréhension de la physique des émissions des étoiles à neutrons. Contrairement aux pulsars canoniques, qui présentent des périodes de rotation de quelques millisecondes à quelques secondes, les LPT émettent périodiquement sur des échelles de temps de quelques dizaines de secondes à quelques minutes, voire quelques heures. La découverte des LPT est tout à fait inattendue ; on pensait depuis longtemps qu’à mesure que les étoiles à neutrons ralentissaient et perdaient progressivement leur énergie de rotation, la production de paires et les émissions radio cohérentes devaient cesser au-delà de la « ligne de mort des pulsars ».

L’existence de ces émetteurs à longue période soulève des questions fondamentales sur la manière dont l’émission cohérente est générée dans les magnétosphères lorsque la chute de potentiel disponible est insuffisante pour maintenir les cascades de paires. À ce jour, seule une douzaine de LPT ont été découverts, bien que la nature extrêmement intermittente de nombre d’entre eux suggère que beaucoup d’autres objets de ce type restent à détecter. La compréhension des LPT est essentielle pour faire progresser les modèles de magnétosphères des étoiles à neutrons, tester les limites de l’accélération des particules et de la génération de plasma, et potentiellement découvrir les liens évolutifs entre les pulsars, les magnétars et d’autres phénomènes radio transitoires tels que les sursauts radio rapides (FRB). En bref, l’étude des LPT offre une occasion unique d’explorer à la fois la physique des émissions cohérentes et l’évolution tardive des étoiles à neutrons. Elle permet également d’étudier les systèmes binaires de naines blanches, car au moins certains des LPT semblent être des systèmes « polaires » en interaction, dans lesquels un pont magnétique se forme entre une naine blanche et une autre étoile de faible masse.

Sujet :
Afin d’augmenter la taille de l’échantillon LPT et obtenir une image plus complète, nous exploiterons la multitude de données du futur radiotélescope CHORD, un instrument de nouvelle génération actuellement en construction au Canada et dont la mise en service est prévue en 2027. Grâce aux récentes avancées technologiques, CHORD disposera de deux capacités uniques : une vitesse de cartographie du ciel sans précédent et une couverture quotidienne répétée du ciel, les deux ingrédients clés pour une étude réussie des pulsars. Ce projet est entièrement financé par une subvention nationale de l’ANR.

Le/la post-doctorant(e) dirigera le développement d’algorithmes de traitement du signal, le traitement des données temporelles et la modélisation. La tâche consistera notamment à optimiser le flux de travail et à le déployer sur des clusters GPU/CPU pour la production. À l’issue de ses trois années de recherche postdoctorale, le/la candidat(e) sera en mesure de faire preuve de leadership dans le cadre d’un projet de pointe sur les transitoires radio, en particulier dans le domaine des pulsars et des transitoires rapides. Le/la candidat(e) dirigera également l’étude de suivi des découvertes à l’aide du radiotélescope de Nançay (NRT) et du télescope NenuFAR de l’observatoire Radioastronomique de Nançay, en France. Le/la candidat(e) travaillera au suivi des découvertes à l’aide du Grand Radiotélescope de Nançay (NRT) et du télescope NenuFAR de l’Observatoire Radioastronomique de Nançay en France.

Profil du candidat :
La candidature doit être accompagnée d’un CV détaillé (3 pages maximum), de trois lettres de recommandation envoyées directement à cherry.ng-guiheneuf@cnrs-orleans.fr par les référents avant la date limite, ainsi que d’une lettre de motivation présentant la motivation du/de la candidat(e) à se former en tant que chercheur(euse) en astrophysique, et plus particulièrement au LPC2E/CNRS, son expérience de recherche, ses centres d’intérêt scientifiques, ainsi que ses projets et objectifs de carrière.

Formation et compétences requises :
Le/la candidat(e) doit être titulaire d’un doctorat en astrophysique (ou dans un domaine étroitement lié), être disponible à temps plein et avoir une bonne maîtrise de l’anglais. La capacité à travailler en collaboration et dans un cadre interdisciplinaire sera un élément déterminant dans l’évaluation des candidatures. Une expérience en programmation et en traitement du signal est requise.

Adresse d’emploi :
Le/la candidat sera accueilli(e) par l’équipe ASTRO au LPC2E à Orléans. L’équipe dispose du plus grand groupe de recherche sur les pulsars en France et est étroitement liée à l’Observatoire radioastronomique de Nançay, situé dans la forêt de Sologne. Le/la candidat(e) aura également l’occasion de voyager pour collaborer avec d’autres instituts partenaires, ainsi que de présenter ses travaux de recherche lors de conférences internationales. Un ordinateur portable lui sera fourni, ainsi que l’accès aux ressources informatiques nécessaires.

La collaboration CHORD est une équipe multi-institutionnelle comptant plus de 100 membres. Parmi les instituts partenaires figurent notamment l’Université de Toronto, l’Université McGill, l’Institut Perimeter, l’Université de Colombie-Britannique, le MIT, l’INAF et le CNRS. Le réseau central du télescope CHORD est hébergé à l’Observatoire radio-astrophysique Dominion (DRAO) sur la côte ouest du Canada, et deux stations satellites seront construites aux observatoires de Green Bank et Hat Creek aux États-Unis.

Les candidats sont invités à contacter les encadrants (Cherry Ng-Guiheneuf cherry.ng-guiheneuf@cnrs-orleans.fr et Gilles Theureau Gilles.Theureau@obspm.fr) pour discuter plus en détail.

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LITIS Lab, Rouen Normandie
Durée : 18 months
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-01-31

Contexte :

Sujet :
Anomaly detection is a challenge in itself. The capacity to detect anomalies is a major ingredient of safe and trustworthy AI systems across major application areas. Anomaly detection is unsupervised by nature, since abnormal events are rare, varied, and cumbersome to collect. Conventional methods can be roughly grouped into three interconnected categories: discriminative decision boundaries using one-class classification, reconstruction models that test any new sample by measuring its reconstruction error on a manifold or with prototypes, and probabilistic models based on density or level-set estimation. The major deep anomaly detection methods fall within these categories, redefined in a latent space generated by deep representation learning, such as deep one-class, autoencoders, generative adversarial networks, and self-supervised learning [1, 2].

The challenge is higher for anomaly detection in time series (i.e., temporal data), and it is even harder when it comes to online detection, namely in the context of streaming data [3, 4, 5]. When dealing with time series, temporal continuity is central to defining the “normality”, and thus to identifying and detecting anomalies. Time series may have specific characteristics such as seasonality, periodicity/cycles, trend, concept drift, recurrent concept drift, cyclostationarity, and non-stationarity, as well as modalities at multiple temporal scales.

This post-doc fellowship aims to provide novel advances in anomaly detection in time series, mainly focusing on the even harder online detection, namely in the context of streaming data. For this purpose, the post-doc fellow will address one of the two online detection formalisms, which arise depending on whether the anomaly is short-term or persistent:
– Point anomaly detection, namely, in an online setting, one seeks to detect whether each new sample is an anomaly. Anomalies may not be restricted to isolated samples, but may also form a group or sequence of points (often called collective anomalies).
– Change point detection (also referred to as concept drift), namely, in an online setting, one seeks to identify, as early as possible, whether the recent samples have deviated significantly from the historical ones.

This post-doc fellowship is an integral part of the global project ODD (Online Deep anomaly Detection). Led by the LITIS Lab, the ODD project brings together 4 PhD students and several permanent researchers from the Machine Learning group of the LITIS Lab. This project tackles a wide spectrum of signal scenarios to demonstrate the versatility of the proposed methods. The post-doc fellow will have the possibility to tackle signals in environmental science (including a startup collaboration), signals in industrial processes (including industrial and international collaborations), and medical signals/images (including a novel startup collaboration).

[1] Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., … & Müller, K. R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756-795.
[2] Pang, G., Shen, C., Cao, L., & Hengel, A. V. D. (2021). Deep learning for anomaly detection: A review. ACM computing surveys (CSUR), 54(2), 1-38.
[3] Boniol, P., Liu, Q., Huang, M., Palpanas, T., & Paparrizos, J. (2024). Dive into time-series anomaly detection: A decade review. arXiv preprint arXiv:2412.20512.
[4] Jia, X., Xun, P., Peng, W., Zhao, B., Li, H., & Shen, C. (2025). Deep anomaly detection for time series: A survey. Computer Science Review, 58, 100787.
[5] Zamanzadeh Darban, Z., Webb, G. I., Pan, S., Aggarwal, C., & Salehi, M. (2024). Deep learning for time series anomaly detection: A survey. ACM Computing Surveys, 57(1), 1-42.

Profil du candidat :
Requirements:

PhD in applied mathematics, machine learning, advanced statistics, computer science or related.
Strong background in advanced optimization and machine learning.
Proficiency in Python.
If interested, please send CV in a motivational email to paul.honeine@univ-rouen.fr, maxime.berar@univ-rouen.fr and fannia.pacheco@univ-rouen.fr

Formation et compétences requises :

Adresse d’emploi :
Rouen, Normandie

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IRISA
Durée : 12-18 months
Contact : zoltan.miklos@irisa.fr
Date limite de publication : 2026-01-31

Contexte :
Innovation project, in collaboration between University of Rennes / IRISA and the companies Obsam and Kereval

Sujet :
Libre, as long as it is linked to the objectives to the project (see document attached)

keywords: RAGs, ontologies, LLMs

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Lannion (priority) or Rennes

Document attaché : 202512201125_Postdoc offer PrediObso_v2.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISN – CNRS
Durée : 24m
Contact : didier.lucor@cnrs.fr
Date limite de publication : 2026-02-28

Contexte :
Magnetohydrodynamics (MHD) science studies the interaction between electrically conducting fluids and electromagnetic fields. The DyE explains the origin of magnetic fields in such fluids: an initial magnetic field is amplified by a conducting flow. This phenomenon, which is rare in liquid metals, occurs only in 3D turbulent regimes at low magnetic Prandtl number (Pm). Several experiments have successfully reproduced this effect in Riga, Karlsruhe, and Cadarache. The German DRESDYN project (HZDR, Germany) currently aims to generate a dynamo in a precessing cylinder, but its success remains uncertain.
These dynamos exhibit highly complex dynamics, including magnetic field reversals, intermittent phases, and burst-like events, which are difficult to reproduce numerically. Full modeling of the dynamo effect is hindered by the nonlinear coupling between the Navier-Stokes and magnetic induction equations, making Direct Numerical Simulations (DNS) extremely expensive and typically restricted to Pm~1 regimes.
To overcome these limitations, Reduced-Order Models (ROMs) can be developed to capture and better understand the essential dynamics at a significantly lower computational cost. Machine Learning (ML) provides novel approaches for constructing efficient and predictive ROMs.

Sujet :
Based on acquired databases produced by large-scale dynamos numerical simulations of magnetic and velocity fields, this work has two main objectives:
— analyze magnetic field reversals and dynamo burst phenomena by developing parametric reduced-order models (pROMs) with enhanced physical interpretability, enabling the identification of key mechanisms and the reproduction of the dynamics observed in numerical simulations.
— optimize the DRESDYN experiment using pROMs by adjusting physical parameters (precession, rotation, geometry) to explore the viability of the dynamo effect at reduced computational cost.
The targeted methods must overcome current limitations of pROMs for MHD systems, namely their lack of interpretability and poor extrapolation capability, by combining classical linear spectral approaches with nonlinear deep-learning-based methods, such as autoencoders and variational autoencoders (vAEs), in order to ensure more explainable, physically consistent, and robust models outside the training domain.
For nonlinear pROMs based on latent representations, physics-informed (v)AEs will be considered, through explicit regression of latent variables with key physical parameters, temporal or parametric contrastive learning, or the incorporation of physical invariants. These approaches will provide projections of multiple attractors in latent space and facilitate the identification of invariant manifolds, bifurcation points, and transition pathways.
After this compression phase, a physics-constrained reduced dynamics will be learned in the latent space, parameterized by the flow control parameters, in order to robustly predict, generalize, and interpret MHD regimes, their transitions, and rare events.
Recurrent Neural Networks will be adapted, such for instance as Long Short-Term Memory networks for limited datasets, or transformer-based models for complex turbulent regimes with large datasets.

Profil du candidat :
The candidate should demonstrate a strong multidisciplinary background, with solid knowledge in fluid dynamics and/or MHD, experience in scientific data analysis and/or reduced-order modeling, and a strong interest in machine learning applied to dynamical systems, as well as good scientific programming skills.
The candidate must hold a PhD in fluid mechanics, applied mathematics, or machine learning.

Formation et compétences requises :
At the LISN CNRS laboratory, on the Université Paris-Saclay (UPS) campus, we recruit a Researcher for a 24-month fixed-term position within the framework of the ANR MilaDy project. The successful candidate will work on the analysis of data produced by large-scale numerical simulations of magnetic and velocity fields related to two experiments investigating magnetic field generation via the dynamo effect (DyE). He/she will collaborate closely with colleagues from the Lagrange Laboratory (Nice) and CEREA (ENPC, EDF R&D).

Adresse d’emploi :
Based on the Université Paris-Saclay campus, the researcher will work at LISN within an interdisciplinary research environment fostering strong interactions between physicists, mechanicians, and machine learning specialists, with access to high-performance computing resources and advanced simulation databases.
This position falls within a domain subject to the protection of scientific and technical potential (PPST) and therefore requires, in accordance with regulations, prior authorization from the competent authority of the French Ministry of Higher Education and Research (MESR) before the post-doctoral researcher can take up the position.

Document attaché : 202601231546_postdoc_milady_LISN.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : IMT Atlantique
Durée : 11 mois
Contact : sorin.moga@imt-atlantique.fr
Date limite de publication : 2026-03-01

Contexte :

Sujet :
https://institutminestelecom.recruitee.com/o/ingenieure-ou-ingenieur-de-recherche-en-integration-dun-outil-de-recherche-clinique-avec-des-montres-connectees-cdd-11-mois

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Brest

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Inria
Durée : 24 mois
Contact : emmanuel.vincent@inria.fr
Date limite de publication : 2026-03-17

Contexte :
Ce post-doctorat s’inscrit dans le cadre d’une collaboration interdisciplinaire entre le SAMU54 du CHRU de Nancy et les équipes Multispeech et Sémagramme du Centre Inria de l’Université de Lorraine. La/le post-doctorant.e sera co-encadré.e par Vincent P. Martin et Emmanuel Vincent, chercheurs Inria, et par le Pr. Tahar Chouihed, Chef de Service SAMU-SMUR-Urgences et professeur de médecine d’urgence à l’Université de Lorraine. Il/elle alternera des périodes en laboratoire de recherche en informatique et dans les locaux du SAMU54, présentement situés à l’Hôpital Central de Nancy.

Pour tous les détails et pour postuler: https://jobs.inria.fr/public/classic/fr/offres/2026-09820 ou https://jobs.inria.fr/public/classic/fr/offres/2026-09776.

Sujet :
Parmi les 300 000 appels au SAMU54 chaque année, plus de 1 500 concernent des suspicions d’infarctus [1] ou d’arrêt cardiaque hors hôpital qui nécessitent une prise en charge médicale rapide.

L’objectif du post-doctorat de 2 ans est d’améliorer la performance de reconnaissance automatique de la parole (ASR) pour les données vocales SAMU. Les appels d’urgence présentent une diversité de problèmes pour l’ASR: accents régionaux et étrangers, stress, vocabulaire/grammaire inhabituels et bruit important. Le modèle open source Whisper [1] est un bon point de départ car il présente une performance état de l’art sur ce corpus. Afin de garantir une meilleur qualité de reconnaissance vocale, nous pouvons adapter Whisper aux appels réels, par exemple en 1) en générant automatiquement des données accentuées [2] ou avec du stress [3,4], 2) en adaptant le modèle de langage sous-jacent sur des données réelles françaises du SAMU [5] ou traduites de l’anglais [6] et 3) en générant automatiquement des données bruitées à partir des données réelles du SAMU. L’adaptation fonctionne par fine-tuning [7] avec LoRA [8], de sorte à compresser le nombre de paramètres à apprendre. D’autres méthodes d’adaptation et d’usage des données seront recherchées.

Ce travail réalisé, la/le post-doctorant.e pourra travailler sur d’autres tâches en partenariat avec le doctorant recruté sur le projet: découverte de biomarqueurs des infarctus et arrêts cardiaques pour améliorer la rapidité des assistants de régulation médicale (ARMs), anonymisation préservant l’information médicale utile pour détecter ces deux pathologies…

L’objectif final est d’avoir un système utilisé par les ARMs afin de réduire le temps d’accès aux soins et la mortalité de ces pathologies.

[1] A. Radford, J.W. Kim, T. Xu, G. Brockman, C. Mcleavey, I. Sutskever, Robust speech recognition via large-scale weak supervision, in 40th Int. Conf. on Machine Learning, vol. 202, pp. 28492–28518 (2023).
[2] Y. Liu, X. Yang, and D. Qu, Exploration of Whisper fine-tuning strategies for low-resource ASR. Journal of Audio, Speech and Music Processing 2024, 29 (2024).
[3] K. Zhou, B. Sisman, R. Rana, B. W. Schuller and H. Li, Speech synthesis with mixed emotions. IEEE Transactions on Affective Computing, vol. 14, no. 4, pp. 3120-3134 (2023).
[4] S. Dahmani, V. Colotte, V. Girard, and S. Ouni, Learning emotions latent representation with CVAE for text-driven expressive audiovisual speech synthesis. Neural Networks, vol. 141, pp. 315-329 (2021).
[5] Y. Labrak, A. Bazoge, R. Dufour, M. Rouvier, E. Morin, B. Daille, and P.-A. Gourraud, DrBERT: A robust pre-trained model in French for biomedical and clinical domains. In 61st Annual Meeting of the ACL, pp. 16207-16221 (2023).
[6] X. de Zuazo, E. Navas, I. Saratxaga, and I. Hernáez Rioja, Whisper-LM: Improving ASR models with language models for low-resource languages. arXiv preprint arXiv:2503.23542 (2025).
[7] V. Timmel, C. Paonessa, M. Vogel, D. Perruchoud, and R. Kakooe, Fine-tuning Whisper on low-resource languages for real-world
applications. arXiv preprint arXiv:2412.15726 (2025).
[8] E.J. Hu, Y. Shen, P. Wallis, Z. Allen-Zhu, Y. Li, S. Wang, L. Wang, and W. Chen, LoRA: Low-rank adaptation of large language models, arXiv preprint arXiv:2106.09685 (2021).

Profil du candidat :
Une expérience préalable en traitement de la parole ou en TAL sera un gros atout.

Le projet portant exclusivement sur des enregistrements en français et incluant une immersion terrain dans un centre d’appel francophone, la compréhension du français avec un bon niveau (B2) est requise.

Formation et compétences requises :
La/le candidat.e à un poste d’ingénieur.e/post-doctorant.e devra être titulaire d’un Master/d’une Thèse en traitement de la parole, TAL, machine learning, linguistique informatique ou dans un domaine voisin, avec de solides compétences en Python/Pytorch.

Adresse d’emploi :
615 rue du Jardin Botanique, 54600 Villers-lès-Nancy

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : MaIAGE, INRAE, Université Paris-Saclay
Durée : 40 ans
Contact : robert.bossy@inrae.fr
Date limite de publication : 2026-03-19

Contexte :
The Bibliome team (MaIAGE laboratory) is offering a full-time permanent position of research engineer in Natural Language Processing at INRAE research center within Paris-Saclay University, located in the Paris area, France.
INRAE (France’s National Research Institute for Agriculture, Food and Environment) is a public leading research institute, internationally recognised for the scientific excellence and societal impact of its work. INRAE addresses major global challenges related to biodiversity preservation, sustainable agricultural and food systems, climate change adaptation, and environmental risk management.

Sujet :
Within this context, the Bibliome team develops cutting-edge NLP research at the intersection of AI and Life Sciences with the aim of advancing large-scale knowledge extraction from documents, using state-of-the-art transformer architectures, large language models (LLMs), knowledge graphs, and domain ontologies. It develops advanced methods for entity linking, relation extraction, semantic representation, and structured knowledge integration, along with robust evaluation frameworks and reusable research software contributing to next-generation knowledge infrastructures.
This position offers the opportunity to work in a dynamic interdisciplinary environment, combining fundamental research, methodological innovation, and high-impact applications.

Profil du candidat :
Position description and recruitment conditions at:
https://jobs.inrae.fr/concours/concours-externes-ingenieurs-cadres-techniciens-h-f/ir26-mathnum-1

Formation et compétences requises :
Une formation de niveau master en traitement automatique de la langue est préférable.
Des connaissances avérées en exploitation de modèles de langue et d’architectures de deep learning, une expérience dans l’évaluation, le déploiement et l’intégration d’outils seront appréciées.
Savoir-faire
-Adapter des méthodes innovantes à des problématiques interdisciplinaires variées
-Mettre en oeuvre des nouvelles démarches expérimentales de validation d’hypothèses scientifiques dans un contexte scientifique changeant
-Interagir avec de nombreuses équipes sur des sujets pluridisciplinaires divers
-Etre rigoureux-se dans l’implémentation et l’obtention afin de garantir reproductibilité et réutilisabilité

Adresse d’emploi :
INRAE 78350 JOUY-EN-JOSAS

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIG
Durée : fonctionnaire
Contact : Emilie.Devijver@univ-grenoble-alpes.fr
Date limite de publication : 2026-03-31

Contexte :

Sujet :
Il y a un poste de MCF intitulé IA et ses application ouvert cette année au concours, enseignement en BUT Informatique au sein du département Informatique de l’IUT2 de Grenoble et recherche au LIG.
Je joins la fiche de poste pour plus de détails.

Les candidat.e.s intéressé.e.s peuvent me contacter, notamment pour une intégration dans l’équipe Aptikal, spécialisée dans l’apprentissage machine !
http://lig-aptikal.imag.fr/

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
batiment IMAG
place du torrent
Grenoble

Document attaché : 202602092137_Profil EC 2026 IUT2_LIG_IA et ses applications.pdf