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

Laboratoire/Entreprise : ISEN Yncrea Ouest
Durée : 12 mois
Contact : sylvain.lefebvre@isen-ouest.yncrea.fr
Date limite de publication : 2025-06-15

Contexte :
Yncréa Ouest est un Établissement d’Enseignement Supérieur Privé d’Intérêt Général (EESPIG) sous contrat avec le ministère de l’Enseignement Supérieur et de la Recherche. L’Association Yncréa Ouest est membre d’Yncréa, premier pôle privé associatif d’écoles d’ingénieurs en France. Yncréa Ouest gère l’école d’ingénieurs ISEN Yncréa Ouest, implantée sur les villes de Brest, Caen, Nantes, Rennes et Paris (Antony). L’école forme des élèves ingénieurs dans les technologies du numérique et notamment les systèmes numériques embarqués, la robotique, l’énergie, les objets connectés (IoT), l’intelligence artificielle, le big data, l’environnement, le développement durable, les technologies marines et la cybersécurité. Les activités de recherche de l’équipe d’accueil sont centrées essentiellement sur le numérique et ses applications notamment celles dans l’Usine du futur, le campus connecté, le traitement des données et l’Intelligence Artificielle. Plus des détails sont disponibles sur le site de l’ISEN.

Ce contrat se déroule dans le cadre d’une chaire industrielle créée en 2021 entre l’entreprise ACOME, leader européen dans la création des câbles et le L@bISEN, le laboratoire de recherche de l’Institut Supérieur de l’Electronique et du Numérique (ISEN). Ce travail va être effectué par un(e) post-doctorant(e) ou un(e) ingénieur(e) de recherche, sur une période de de 12 mois, encadré(e) par un enseignant-chercheur de l’ISEN Ouest. Plus largement, la personne recrutée bénéficiera du soutien technique de l’équipe de recherche, équipe composée de 5 E/C et 2 ingénieurs.

ACOME – Mortain A la fois leader et spécialiste sur les marchés des réseaux télécoms et infrastructures, des réseaux du bâtiment, de l’automobile et de l’embarqué, ACOME est aujourd’hui le premier Groupe industriel coopératif Français produisant des câbles, des tubes et de la fibre optique sur le territoire national depuis 1932 et la première SCOP de France (Société Coopérative et Participative) avec une forte dynamique internationale et des implantations en Chine, en Afrique du Nord et au Brésil. Plus des détails sont disponibles sur le site d’ACOME.

Pour inciter à la mixité des candidatures sur tous les postes et surtout ceux à forte prédominance féminine ou masculine, l’Association rappelle qu’elle étudie avec la même attention les candidatures féminines et masculines.

Association handi-accueillante, nos postes sont ouverts aux personnes en situation de handicap.

Pour candidater : https://isen.softy.pro/offre/161433-post-doctoral-conception-et-mise-en-place-de-solutions-ia-pour-loptimisation-des-flux-industriels-h-f

Sujet :
En 2019 l’industrie manufacturière était responsable de 19% des déchets non dangereux produits chaque année [1]. A l’ère de la numérisation massive de l’industrie et du développement des technologies d’intelligence artificielle, la mise en place de systèmes et procédures permettant d’automatiser la détection et la correction des défauts de production promet d’impacter significativement les quantités rejetées lors de la production.
La fabrication des câbles combine plusieurs activités complexes de production effectuées par différentes machines dans plusieurs ateliers. L’activité de production de l’entreprise concerne principalement la production de câbles pour différents secteurs industriels et notamment pour le secteur automobile. Il s’agit donc de fabrication de produits en long. Les procédés de fabrication pour ce genre de produits impliquent des flots continus de matières circulant dans et entre les machines. Des changements d’ordre de fabrication, des défauts de qualité des matières premières ou des conditions de production particulières produisent par exemple des produits ne pouvant être commercialisés qui sont alors des sources de coût pour l’entreprise et ont impact environnemental négatif.
Il y a donc un besoin de fournir un outil d’analyse intelligent de plusieurs sources de données sur l’ensemble du processus de production, qui puisse recommander automatiquement aux ingénieurs qualité les paramètres optimaux pour minimiser les déchets.
ACOME et les équipes de l’ISEN ont donc développé un lac de données rassemblant les informations de production et de qualité lors des phases antérieures du projet. L’analyse de ces données est en cours et permettra de faire émerger des recommandations et des outils de suivis appropriés pour les équipes qualité d’ACOME.
Le post doctorant interviendra donc dans le développement de ces outils d’analyse, ce qui pourrait nécessiter la conception de nouvelles approches de recherche, comme : l’analyse de journaux existants et d’identification automatiques des éléments pouvant amener à générer des déchets [1], le développement de méthodes prédictives (IA, Apprentissage Automatique et Profond) pour l’estimation des quantités de déchets. D’autres approches peuvent utiliser des jumeaux numériques [2, 4] et l’apprentissage par renforcement pour virtuellement reproduire les conditions de l’usine et analyser l’impact des variations des paramètres de production. Enfin, les approches visant à optimiser l’ordonnancement des tâches, c’est-à-dire la planification des activités de production, dans le but de minimiser la quantité de déchets produits pourront être explorées [3].

Références :
[1] Duong, L. T., Trave-Massuyes, L., Subias, A., & Roa, N. B. (2021). Assessing product quality from the production process logs. The International Journal of Advanced Manufacturing Technology, 117, 1615-1631.
[2] Howard, D. A., Ma, Z., & Jørgensen, B. N. (2021). Digital Twin Framework for Industrial Production Processes. Energy Informatics, 4(Suppl. 1), P9.
[3] Le Hesran, C., Ladier, A. L., Botta-Genoulaz, V., & Laforest, V. (2019). Operations scheduling for waste minimization: A review. Journal of cleaner production, 206, 211-226.
[4] Botín-Sanabria, D. M., Mihaita, A. S., Peimbert-García, R. E., Ramírez-Moreno, M. A., Ramírez-Mendoza, R. A., & Lozoya-Santos, J. D. J. (2022). Digital twin technology challenges and applications: A comprehensive review. Remote Sensing, 14(6), 1335.

Profil du candidat :
Le candidat devra montrer une solide expertise dans un ou plusieurs des domaines suivants :
– Avoir des prérequis solides en : IA, Statistique, Big Data Analysis, Big Data Science, Machine Learning, Deep Learning, etc.
– Excellente compétence en programmation orientée-objet (Python ou Java, etc.)
– Avoir une expérience dans la proposition, développement, test des modèles de statistique inférentielle, de corrélation, de régression, de classification ou de clustering,
– Maitriser le Français et l’Anglais,
– Mener des recherches de haut-niveau et publier des articles scientifiques dans des conférences et des revues internationales à comité de lecture.

Expériences appréciables :
– Une expérience industrielle,
– Connaissance du SQL.

Formation et compétences requises :

Adresse d’emploi :
Carquefou ou Antony

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

Laboratoire/Entreprise : EFELIA Côte d’Azur
Durée : 2 ans
Contact : vincent.vandewalle@univ-cotedazur.fr
Date limite de publication : 2025-06-20

Contexte :
Nous recherchons notre futur/future Enseignant/e Chercheur/euse contractuel/le en Intelligence Artificielle Générative !
Le rattachement sera à EFELIA Côte d’Azur, ainsi qu’au département d’informatique.
Rejoignez-nous au sein d’Université Côte d’Azur, reconnue depuis 2016 pour son excellence scientifique et pédagogique, pour créer ensemble le modèle de l’université du 21ème siècle responsable et innovante.

Sujet :
La personne recrutée intègrera l’équipe du projet EFELIA Côte d’Azur pour contribuer au développement des formations établies par la direction scientifique, en particulier à destination des publics de master, mais non exclusivement (licence, formation professionnelle et MOOC). Lapersonne participera à la production de contenu scientifique pour ces enseignements. La mission comprend 128 heures équivalent TD d’enseignement en présentiel, 64 heures de missions complémentaires (représentation du projet, aide à la réalisation de contenus en ligne), et d’une mission de recherche en développant une perspective sociologique de l’IA. La
personne devra être capable d’enseigner des cours de base en IA (en particulier machine learning) à destination de publics non techniques, et des cours avancées aux publics experts et professionnels, en particulier sur les méthodes d’IA générative, tout en y développant une perspective critique incluant les problématiques éthiques, sociales et écologiques (limites, biais, consommation, justice sociale).Le projet de recherche devra être mené aux laboratoire I3S (UniCA, CNRS) ou au Centre Inria d’UniCA, et conçu avec des membres de ces laboratoires pour y développer des activités autour des modèles fondations pour les grands défis scientifiques et de société (exemples : analyse multimédia, biologie, médecine, environnement). Le projet de recherche devra permettre de démontrer une réelle volonté d’intégration à l’équipe d’accueil en recherche, pour contribuer à apporter de nouvelles approches aux domaines fondamentaux ou applicatifs de l’équipe

Profil du candidat :
Les personnes candidates doivent avoir :
• Un doctorat avec une forte composante en apprentissage automatique et deep learning (ou une soutenance de doctorat prévue en 2025),
• Contributions de recherche en apprentissage automatique, apprentissage profond et domaines d’application tels que la vision par ordinateur,
• Publications dans des revues internationales de premier plan (PAMI, JMLR, IEEE Trans. On Multimedia, …) ou dans des conférences sur l’IA et ses principaux domaines d’avancement (NeuRIPS, ICML, CVPR, ICCV, ACM Multimedia, AISTATS, IJCAI, ACL, IEEE IROS, …),
• Capacité à enseigner des cours d’informatique, d’apprentissage automatique et d’apprentissage profond,
• La maîtrise du français est requise.

Formation et compétences requises :
Une expérience en enseignement est souhaitée.
Expérience dans l’enseignement de l’Intelligence Artificielle serait un plus.

Adresse d’emploi :
Les missions d’enseignement/formation seront assurées sur les
différents campus de l’université, les activités de recherche seront à l’I3S ou à l’Inria.

Document attaché : 202505150911_Fiche de poste Enseignant·e·s contractuel·le·s IA générative EFELIA Côte d’Azur ok-3.pdf

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

Laboratoire/Entreprise : AMSE/IRPHE, Marseille
Durée : 24 mois
Contact : badihghattas@gmail.com
Date limite de publication : 2025-06-30

Contexte :
Researchers in statistics and fluid mechanics are collaborating on developing digital twins that replicate the behavior of CFD (computational fluid dynamics) models.

Sujet :
Substitution of Fluid Mechanics Numerical Models with Deep Learning Models. Applications to Vascular Pathologies

Profil du candidat :
We are looking for a candidate who demonstrates strong autonomy and the ability to work effectively within a collaborative team environment. The ideal candidate will possess excellent analytical and critical thinking skills, as well as a keen ability to listen, observe, and engage constructively in discussions. We also value flexibility, adaptability, and clear communication skills, both written and verbal.

Formation et compétences requises :
A phD in applied Mathematics, artificial intelligence or Mechanics with good skills in programming with python (keras, pytorch, numpy, pandas,…) and data manipulation and management.

Adresse d’emploi :
5-9 Boulevard Maurice Bourdet, 13001 Marseille.

Document attaché : 202505061131_PostDocAnnonceEn.pdf

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

Laboratoire/Entreprise : UFR de mathématique et d’informatique, Université
Durée : 11 mois renouvelable
Contact : cecilia.zanni-merk@insa-rouen.fr
Date limite de publication : 2025-07-07

Contexte :
Date de prise de fonction : 01/10/2025
Caractéristique du poste : 11 mois, contrat renouvelable (possibilité de passer en CDI de mission après le premier contrat)
Rémunération : La rémunération principale, versée par l’Unistra est de 3824 € brut mensuel à laquelle s’ajoute une rémunération complémentaire par le partenaire Azerbaïdjanais (environ 1200€ brut mensuel).
Le candidat ou la candidate devra être qualifié aux fonctions de Maître de Conférences par le CNU

Sujet :
Intitulé du profil Enseignement : Informatique La personne recrutée enseignera dans les diplômes de Licence et Master en informatique à l’UFAZ (Université Franco Azerbaidjanaise) à Bakou (Azerbaïdjan). Elle devra être capable d’enseigner la plupart des matières proposées dans ces cursus. Elle sera impliquée dans l’organisation pédagogique des formations, en coordination avec les responsables de diplômes.
Les offres de formation du BSc Computer Science et du MSc DSAI sont disponibles dans le document ci-joint.
Langue d’Enseignement : Anglais

Intitulé du profil Recherche : Intelligence Artificielle Pour renforcer le département de recherche en informatique, l’UFAZ ouvre un poste de maître de conférences contractuel en informatique. La personne recrutée devra être qualifiée en section 27 du CNU. Elle devra proposer un projet d’intégration en recherche dans l’un de ces trois axes : Algorithmes évolutionnaires, Apprentissage automatique et Fouille de données ou Graphes de connaissances et sémantique. Une description détaillée de chaque axe peut être consultée sur le site web du département de recherche : https://cs.research.ufaz.az
La personne recrutée devra contribuer activement à la vie de la communauté scientifique. Au niveau local, elle sera force de proposition à l’intérieur des équipes de recherche, proposera de nouvelles interactions ou renforcera les liens existants entre équipes. Au niveau national ou international, elle sera moteur pour la mise en place de projets scientifiques. Son rôle sera également de suivre et développer les interactions émergentes entre l’industrie et le département recherche.

Profil du candidat :

Formation et compétences requises :
Il sera très apprécié si le candidat possède les compétences suivantes
● managériales et organisationnelles permettant de superviser les enseignants locaux et de maintenir une communication efficace avec les professeurs invités, l’équipe de l’Université de Strasbourg (Unistra) et la direction de l’UFAZ.
● en matière d’administration universitaire, comprenant l’élaboration des programmes d’études et leur évaluation
● d’adaptation dans un environnement multi-culturel et inter-disciplinaire
● linguistiques avec la nécessité de posséder un niveau d’anglais B2 au minimum.

Adresse d’emploi :
Université Franco-Azerbaidjanaise (UFAZ) à Bakou (Azerbaidjan)

Document attaché : 202506231433_[MI] fiche de poste contractuel_Math-Info UFAZ 2025.pdf

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

Laboratoire/Entreprise : HCTI, University of Brest, France
Durée : 12 months
Contact : liana.ermakova@univ-brest.fr
Date limite de publication : 2025-07-15

Contexte :
ANR JCJC SimpleText project: Automatic Simplification of Scientific Texts (https://anr.fr/Projet-ANR-22-CE23-0019) in partnership with the University of Amsterdam

Application
If you feel the profile fits you, and you are interested in the job, we look forward to receiving your application. Job applications should be sent to liana.ermakova@univ-brest.fr. We accept applications until and including 13 July 2025.

Applications should include the following information:

– A detailed CV including the months (not just years) when referring to your education and work experience;

– A letter of motivation explaining how the project is related to your research background;

– A list of publications (in case of joint authorship, please clearly indicate your own contribution);

– The thesis;

– The names, affiliations, and email addresses of two academic referees who can provide details about your academic profile in relation to this position (please do not include any reference letters in your application).

Sujet :
We seek an ambitious and highly talented postdoc to work on the interface of information retrieval (IR) and natural language processing (NLP) models applied to large-scale scientific text corpora. The recruited person will work as part of the ANR JCJC SimpleText project: Automatic Simplification of Scientific Texts (https://anr.fr/Projet-ANR-22-CE23-0019) in partnership with the University of Amsterdam. Our project aims to develop effective and efficient IR and NLP technology for promoting scientific information access and to support non-professionals searching for scientific information in academic literature. Specifically, we deploy large language and foundation models for the RAG (retrieval augmented generation) setup in the context of text simplification. There is considerable flexibility to shape the project to emerging research opportunities and the background and interests of the candidate.

Profil du candidat :
The candidate should have a PhD in AI/NLP/IR and a strong motivation for the project topic.

Formation et compétences requises :

Adresse d’emploi :
HCTI, University of Brest
20 rue Duquesne
29200 Brest
France

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

Laboratoire/Entreprise : IMT Mines Alès (Ecole Nationale Supérieur des Mine
Durée : CDI
Contact : guyot@irit.fr
Date limite de publication : 2025-09-01

Contexte :

Sujet :
Maître de Conférences en Apprentissage Machine et Contrôle de systèmes complexes

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Mines Alès (Ecole Nationale Supérieur des Mines d’Alès)

Document attaché : 202409050837_fp_-_mdc_ceris_ia_et_ingenierie_fr-2.pdf

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

Laboratoire/Entreprise : Brain-C Lab, Institute of Biology Paris-Seine (IBP
Durée : 12 months
Contact : lucile.megret@sorbonne-universite.fr
Date limite de publication : 2025-09-01

Contexte :

Sujet :
Project: A 12 months position is immediately available in the Brain-C Lab in Paris for a bioinformatician at the Study Engineer (IE) level (post-master position). The selected candidate will work with a team of mathematicians, bioinformaticians, and neurobiologists on modeling time- and cell-resolved omics data to built computational models of molecular pathogenesis in neurodegenerative diseases such as amyotrophic lateral sclerosis (ALS), integrate data from other diseases such as Huntington’s disease (HD) and disseminate data via online platforms. The selected candidate will use BioGemix, our post-omics machine learning platform and related databases. This position is a unique opportunity to further develop expertise and skills in a multidisciplinary team and network of direct collaborators that cover systems modeling, database development, and cellular neurobiology for breakthrough in neurodegenerative disease research.

Profil du candidat :
Profile: The candidates should hold a Master in Biofinformatic or a Master in Informatics and they should have no more than 3-4 years of post-master experience. The position is full time, on site, and candidates should have strong collaborative skills and commitment to team work along with strong ability to work independently in addition to strong interest for research.

Formation et compétences requises :
• Training and required skills:
Experience working with NGS data and performing respective bioinformatic pipelines in order to process sequencing data.
• Programming autonomy on at least one of the following languages: python, R, C / C ++.
• Good knowledge of basic web technologies: PHP, MySQL, JavaScript, jQuery.
• Fluency on Ubuntu.
• Hands-on experience with in house server maintenance (Backup, shared space, and webserver).
• Scientific English essential

• Skills in data visualization will be a plus.
• Basic knowledge in statistics and machine learning are desirable but not mandatory.

Adresse d’emploi :
7 quai Saint Bernard 75005 Paris

Document attaché : 202506271149_Annonce_bioinfo_IE.pdf

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

Laboratoire/Entreprise : Toulouse INP : ENSEEIHT/IRIT ou AgroToulouse/Dynaf
Durée : 3 à 5 ans
Contact : nicolas.dobigeon@enseeiht.fr
Date limite de publication : 2025-09-26

Contexte :

Sujet :
Une chaire de professeur junior (CPJ) est ouverte au recrutement à Toulouse INP sur le thème de la “modélisation et apprentissage automatique pour l’agroécologie” (IA, modélisation, télédétection, agronomie…).

Selon le profil du lauréat ou de la lauréate, deux rattachements sont possibles :
– à l’INP-AgroToulouse (enseignement) et à l’UMR DYNAFOR (recherche)
– à l’INP-ENSEEIHT (enseignement) et à l’UMR IRIT (recherche)

Quel que soit le rattachement, l’objectif est que la personne contribue à créer de la synergie entre les deux écoles et les laboratoires, dans le cadre de la création d’une nouvelle formation transversale associée.

Les candidatures sont ouvertes jusqu’au au vendredi 22 août 2025 à 16h00 (heure de Paris) sur la plateforme ODYSSEE :
https://odyssee.enseignementsup-recherche.gouv.fr/
Voir les instructions ici :
https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/cand_recrutement_enseignants_chercheurs_Odyssee.htm

Des détails concernant le contexte et les objectifs de cette chaire sont disponibles sur l’appel à candidature :
https://www.inp-toulouse.fr/_attachment/campagnes-de-recrutement-enseignants-chercheurs-accordeon/Profil%202025_CPJ%20Mod%C3%A9lisation%20et%20apprentissage%20automatique%20pour%20l’agro%C3%A9cologie.pdf?download=true

Profil du candidat :
Au terme de la période de 5 ans maximum, une titularisation dans le corps des Professeurs des Universités sera envisagée. Cette chaire est donc adaptée à des personnes ayant déjà 3 à 5 ans d’expérience après la thèse et dont le dynamisme permettrait de prétendre à un poste de Professeur à la fin d’une période de 5 ans, en supposant l’HDR soutenue.

Elle est aussi ouverte à des personnes déjà titulaires de l’HDR. Dans ce cas, en fonction de l’expérience, la durée de la chaire pourrait être réduite à 3 ans avant une possible titularisation.

Formation et compétences requises :
La thématique de la chaire est large et peut correspondre à des personnes venant du monde des sciences des données et du traitement des images, intéressées par l’agroécologie spatialisée comme domaine d’application privilégié. Elle s’adresse aussi à des agronomes / agroécologues ayant une bonne expérience en modélisation (statistique, mécaniste) spatialisée.

Adresse d’emploi :
Toulouse INP

Document attaché : 202507100908_Profil 2025_CPJ Modélisation et apprentissage automatique pour l’agroécologie.pdf

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

Laboratoire/Entreprise : CReSTIC / Institut Godinot / Siemens
Durée : 24 mois
Contact : Agnes.Delahaies@univ-reims.fr
Date limite de publication : 2025-09-30

Contexte :

Sujet :
https://crestic.univ-reims.fr/uploads/emplois/Siemens_Post_Doc.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Université de Reims Champagne-Ardenne (Reims, Troyes)

Document attaché : 202505161710_Siemens_Post_Doc.pdf

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

Laboratoire/Entreprise : ETIS/CY Paris Cergy Université
Durée : 18 months
Contact : aikaterini.tzompanaki@cyu.fr
Date limite de publication : 2025-10-01

Contexte :
The position is funded by the prestigious EU Horizon PANDORA project, A Comprehensive Framework enabling the Delivery of Trustworthy Datasets for Efficient AIoT Operation. The main goal of the project is to contribute towards the creation of a dynamic AI pipeline in the context of IoT applications, focusing on i) the creation of synthetic but trustworthy data, and ii) on the development of AI algorithms for various tasks (from classic classification, regression and anomaly detection, to forecasting and predictive maintenance) taking into account the specific data characteristics of continuous data generation settings and leveraging the domain knowledge when available. Explainability is a fundamental property for rendering the systems reliable, as it can help i) enhance the acceptability of the system by the system experts and further aid in decision making, ii) optimize model performance (time and accuracy) by revealing the actual causes behind predictions, and iii) repair data acquisition processes or model training/updating by exposing errors and/or drifts that may arise through time. The project gathers over 20 academic and industrial partners, with real and challenging use-cases and thus provides a unique opportunity to contribute to cutting-edge research with significant real-world impact.

Sujet :
Subject: Predictive maintenance (PDM) in industrial settings spans from identifying anomalies and categorizing failures in already observed data, to prognostically predicting the Remaining Useful Life (RUL) and the Failure Time (FT) of machines, appliances, etc., in the future. Typically such predictive tasks are implemented using Deep Learning and/or statistical analysis techniques, which may be complex to interpret, while their performance is challenged by multiple sources of errors (sensors’ tuning, aging, failures, etc.) and the non-stationary nature of IoT data streams. In particular, concept drifts can originate from the changes in the underlying data generation mechanism that reflects different states of the monitored system. In this context, the predictive performance of already trained models f(X,Y) (e.g., classification, regression) may start degrading after a certain point in time and hence models need to be adapted at the right frequency. However, not all types of changes in the joint probability distribution P(X,Y) have the same impact on model performance. In this respect, we need to distinguish between changes in the posterior probability distribution P(Y|X) (i.e., Model drifts) between input features X and the target variable Y, from class-conditioned data distribution changes P(X|Y) (i.e., likelihood drifts) and changes in the distribution of input features P(X) (i.e., covariate drifts). Clearly, not all types of changes of the joint probability distribution $P(X, y)$ influence predictive models in the same way and hence, they require different mitigation actions. In this project we are particularly interested in how data quality and concept drifts affect the performance of PDM tasks such RUL and FT.

Moreover, besides developing performant, robust, and stable FT and RUL prediction algorithms through time, we are also interested in enhancing interpretability of their results. On the one hand, engineers need to know the root causes for a predicted machine failure at a time t in the future, so that they may take the best possible action towards preventing the failure to happen, or replace a machine in time before having to take the system down for replacement of the compromised machine. Such explanations should cover both the time parameter (why a failure will happen after a time interval) and the type of failure (why a specific type of error will happen). On the other hand, fine-grained explanations of the different types of concept drifts can guide data analysts to take timely, and informed actions for adapting the prediction algorithm to the observed concept drift. While explainability has been a major research interest in recent years, explanation methods for concept drift are still in their infancy. Some of the approaches aim for the detection and quantification of drift, its localization in space or its visualization, while others focus on feature-wise representations of drift. In this project, we aim to investigate actionable concept drift explanations, adding in the equation weak and strong signals for failure events. We believe that concept drift explanations constitute a form of actionable explanations responding to both aforementioned expert needs, and thus can be more valuable than standard feature importance explanations.

Profil du candidat :
Responsibilities/Opportunities
Conduct high quality research in Explainable AI in non-stationary settings.
Develop novel algorithms and methodologies for Predictive Maintenance using IoT streams.
Publish in top-tier conferences and journals.
Collaborate with an interdisciplinary team of researchers and industry partners.
Participate in project meetings and contribute to the project’s management.

Formation et compétences requises :
PhD in Machine Learning, AI, Data Science, Statistics, or a related field.
Strong background in at least one of the following: deep learning, continual learning, time series analysis, or predictive maintenance.
Experience with explainable AI (XAI) methods.
Proficiency in Python and relevant ML frameworks (PyTorch, TensorFlow, Scikit-learn).
Excellent publication record in Data management, Artificial Intelligence, Machine Learning, or IoT applications.

Adresse d’emploi :
Equipe DATA&AI – ETIS Laboratory, CY Cergy Paris Université

33 Bd du Port, 95000 Cergy

Document attaché : 202503241752_Post-Doc Position in Explainable AI in Industrial Settings_DATAIA_PARIS.pdf

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

Laboratoire/Entreprise : LISN
Durée : 3 à 5 ans
Contact : cyril.furtlehner@inria.fr
Date limite de publication : 2025-10-02

Contexte :
Le département d’informatique de l’Université Paris-Saclay annonce l’ouverture d’une Chaire de Professeur Junior rattachée au laboratoire LISN, dans le domaine interdisciplinaire de l’apprentissage automatique et de la physique, à partir de décembre 2025 (voir détails : https://team.inria.fr/tau2/files/2025/09/CPJ.pdf).

Cette CPJ correspond à un poste de type tenure-track, assorti d’un financement de démarrage d’environ 200 k€ et d’un service d’enseignement réduit (64h/an) pendant les premières années, normalement suivi d’une titularisation comme professeur des universités.

La date limite de candidature est le 2 octobre. Dépôt des candidatures via : https://odyssee.enseignementsup-recherche.gouv.fr/procedures/recrutement-ec/offres-poste/fiche-offre-poste/253200.

Pour toute question scientifique ou générale, merci de contacter Cyril Furtlehner et Guillaume Charpiat (cyril.furtlehner@inria.fr, guillaume.charpiat@inria.fr), et pour les aspects pédagogiques Lila Boukhatem (lila.boukhatem@universite-paris-saclay.fr).

Sujet :
L’intelligence artificielle est au cœur de la stratégie de l’Université Paris-Saclay. Le couplage entre IA, mathématiques appliquées et physique constitue un domaine stratégique, avec des applications allant du climat (modélisation spatio-temporelle, enrichissement de données) à la santé (médecine personnalisée, modélisation d’organes).
Le thème du projet illustre la synergie entre les départements de mécanique numérique, d’apprentissage et de science des données du LISN, et s’inscrit dans les axes portés par DATAIA et le clusterIA via les chaires modulaires. Certains axes s’inscrivent dans des initiatives internationales pluridisciplinaires entre physique et informatique, comme la Simons Collaboration on Cracking the Glass Problem (https://scglass.uchicago.edu/).

Le projet PhyML est aligné sur les priorités du LISN :

– Projet multidisciplinaire à l’interface entre apprentissage, science des données, simulation et mécanique ;
– Fort ancrage dans l’écosystème local, avec des collaborations structurées : projet ML4CFD (Machine Learning for Computational Fluid Dynamics, coll. IFPEN), projet HSA (Hybridation Simulation Apprentissage, IRT-SystemX) et thèse CD-ROM (Complementary Deep – Reduced Order Model), projet ANR SPEED (Simulating Physical PDEs Efficiently with Deep Learning, coord. Lionel Mathelin), ainsi que la start-up fondée par deux doctorants de l’équipe A&O (M. Nastorg et E. Meunier).

Par ailleurs, l’interface entre IA et physique constitue un des axes de DataIA, centré sur les liens entre IA, systèmes complexes et physique statistique, soutenu par les possibilités de financement du ClusterIA.

Profil du candidat :
**Résumé du projet**

L’objectif est de développer des interactions fécondes entre physique et apprentissage automatique.

– Premier axe : AI4Science (SciML), en développant des méthodes d’apprentissage pour mieux simuler ou comprendre des phénomènes physiques. Cela inclut l’intégration de connaissances physiques (invariances, symétries et bris de symétrie, propriétés désirées, métriques entre systèmes dynamiques, PINNs, etc.) dans les tâches d’apprentissage. On peut concevoir pour cela des architectures neuronales et méthodes d’optimisation adaptées (graph-NN, transformers, schémas de discrétisation, NeuralODEs, modèles multi-échelles, génératifs, réseaux neuronaux group-equivariant, …). Le couplage entre simulation et apprentissage, dans un contexte riche en données, ouvre des perspectives majeures (accélération, stabilisation des simulations, résolution de problèmes inverses).

– Deuxième axe : exploiter des concepts de physique théorique (ou mathématique) pour explorer les propriétés fondamentales de l’apprentissage automatique, par exemple la scalabilité (neural scaling laws) ou la dynamique d’entraînement, en particulier en haute dimension. Cela peut impliquer des outils classiques (théorie des matrices aléatoires, méthodes de répliques), ou des concepts plus récents spécifiques au ML (neural tangent kernel, régime de « lazy training »). On pourra explorer la dynamique au-delà du lazy regime, les régimes hors équilibre des Energy-Based Models via la dynamical mean field theory, ou encore les compromis confidentialité–utilité avec des modèles analytiques. Des concepts issus d’autres domaines de la physique ou des mathématiques appliquées peuvent aussi être pertinents, comme l’ont montré les processus de diffusion à la base des modèles génératifs.

De manière générale, nous recherchons des profils à l’interface Physique/ML, aussi bien du côté ML4Physics que Physics4ML.

Formation et compétences requises :

Adresse d’emploi :
LISN
Université Paris-Saclay
1 rue René Thom
91190 Gif-sur-Yvette

Document attaché : 202509091622_CPJ.pdf

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

Laboratoire/Entreprise : Laboratoire Informatique et Société Numérique – LS
Durée : PU
Contact : lionel.amodeo@utt.fr
Date limite de publication : 2025-10-15

Contexte :
L’Université de Technologie de Troyes (UTT) recrute un·e Professeur·e des Universités dans le domaine de l’Intelligence Artificielle et du Traitement statistique du signal et des images.

Profil scientifique attendu :
Section CNU: 26ème/27ème/61ème

Fondements statistiques de l’IA
Robustesse, explicabilité
Décision statistique sous incertitude

Recherche :
Le poste est rattaché à l’axe MSAD – Modélisation Stochastique, Apprentissage et Décision de notre UR LIST3N.

Enseignement :
Programmes Ingénieurs et Masters
Mastère Spécialisé® Big Data Engineer
Nouveau Bachelor en Intelligence Artificielle (en partenariat avec le cluster Hi! PARIS).

Projets structurants associés :
Cluster Hi! PARIS – AI for Science, Business & Society
Programme PEA Impact
Université de Technologie Européenne EUt+

Prise de fonction : 1er janvier 2026 à Troyes

Détails et dépôt de candidature :
https://www.utt.fr/carrieres-emplois/poste-d-enseignant-chercheur
Référence : Poste n° 253213 (ODYSSEE)

Sujet :
La recherche, la formation et le transfert de technologie sont les trois missions de l’Université de Technologie de Troyes (UTT). Établissement à la fois École d’Ingénieurs et Université, l’UTT est aujourd’hui parmi les 10 écoles d’ingénieurs les plus importantes en France, avec un rayonnement à l’international reconnu.
Elle forme plus de 3100 étudiants chaque année, de post-bac à bac+8. Ses formations conjuguent excellence et innovation et sont adossées à une recherche de pointe.
En effet l’UTT s’appuie sur ses 5 unités de recherche pour proposer des formations couvrant tout le spectre universitaire : Licence, Master, Ingénieur et Doctorat, des formations courtes professionnalisantes (Diplômes d’Université), des programmes de Mastère spécialisé®, de la VAE et des certifications en langues.
Ces formations apportent aux diplômés de l’UTT les compétences recherchées par les entreprises grâce à une forte proximité avec celles-ci, notamment au travers de sa fondation. Le parcours d’ingénieur en 5 ans, habilité par la CTI, se singularise dans le paysage académique par des parcours individualisés dès la première année, ce qui permet à chaque étudiant d’adapter sa formation à son projet professionnel.

Profil du candidat :
Pour ce poste de Professeur des Universités un investissement équilibré entre les activités de formation, de recherche et un engagement au sein de l’UTT est attendu. La participation à la dynamique de projet font partie des missions.

Enseignement :
La personne recrutée interviendra principalement dans les enseignements en Bachelor IA et Mastère Spécialisé® Expert Big Data Engineer, en particulier ceux liés à l’intelligence artificielle et la Data.
En complément, elle participera aux enseignements du Tronc Commun de l’UTT et en formation Génie industriel dans les domaines des probabilités et des statistiques, sous forme de cours, TD et TP. Elle prendra part à l’encadrement de projets et au suivi pédagogique des étudiants, notamment en apprentissage.
La personne recrutée sera amenée à assumer par ailleurs des responsabilités dans la mise en oeuvre du nouveau Bachelor en IA qui ouvre à l’UTT en 2025, en partenariat avec IPParis, HEC, CNRS, INRIA au sein du cluster à vocation mondiale Hi !Paris.
Une implication dans les tâches collectives de l’établissement ainsi qu’un engagement soutenu dans l’accompagnement des étudiants en alternance sont attendus.

Recherche :
L’Axe Modélisation Stochastique, Apprentissage et Décision (MSAD) mène des travaux reconnus en modélisation probabiliste, estimation, inférence et apprentissage statistique, qui contribuent à la visibilité scientifique du laboratoire LIST3N aux niveaux national et international (cf. Rapport HCERES 2023). Le renforcement de cette expertise par le recrutement d’un PU s’inscrit dans la stratégie de l’axe, qui vise à structurer une activité de recherche sur les fondements statistiques de l’IA, en lien avec la robustesse, la généralisation et la décision sous incertitude.
Ce besoin se justifie d’autant plus que de nombreux travaux de l’Unité de Recherche LIST3N s’appuient sur des cas d’usage critiques (santé, cybersécurité, infrastructures vitales, maintenance industrielle), dans lesquels la maîtrise des outils statistiques est essentielle pour garantir la fiabilité, l’interprétabilité et la transférabilité des modèles d’IA.
Dans une logique de rayonnement institutionnel, elle sera également appelée à travailler pour l’UTT au sein du cluster Hi!Paris, consortium interdisciplinaire de référence dans les domaines de l’intelligence artificielle et des sciences des données. À ce titre, elle contribuera à représenter la stratégie scientifique de l’UTT dans ce cadre partenarial, du cluster. Cette mission de représentation s’inscrira dans la stratégie globale de l’établissement visant à renforcer sa visibilité et son positionnement sur les enjeux liés à l’IA de confiance, à la modélisation sous incertitude et à la décision explicable.

Le poste proposé correspond à un besoin prioritaire de l’axe « Modélisation stochastique, apprentissage et décision » (MSAD) du Laboratoire Informatique et Société́ Numérique (LIST3N). Les travaux de recherche menés au sein de cet axe visent à concevoir des modèles mathématiques innovants, des algorithmes de traitement des données ainsi que des outils d’aide à la décision. Ils reposent sur un socle disciplinaire commun englobant la modélisation stochastique, les méthodes statistiques, les techniques non paramétriques issues de l’apprentissage automatique (Machine Learning et Deep Learning) et l’Intelligence Artificielle (IA), ainsi que la conception de décisions robustes, qu’elles soient distribuées ou collaboratives.
Outre les travaux théoriques et méthodologiques, elle doit être capable de porter des projets collaboratifs structurants institutionnels comme industriels au niveau national (CIFRE, Région, ANR) et européen, notamment dans le cadre de l’Université Européenne de Technologie (Eut+).
Il est attendu de la personne recrutée de jouer un rôle de premier plan dans la thématique du traitement du signal et plus généralement de l’IA avec une composante d’animation et de coordination de projets structurants (existants ou à venir) au sein de l’établissement :
• Pilotage du programme PEA Impact (3 partenaires – UTBM, IMT Albi et Université de Lomé) incluant les volets recherche (10 thèses en cotutelle France/Togo et formation de niveaux Licence et Master),
• Coordination des activités de l’UTT dans le cadre du cluster Hi! PARIS (IP Paris, HEC Paris, Inria Saclay),
• Coordination du Mastère spécialisé Expert Big Data Engineer et du Bachelor en Intelligence Artificielle.
Ce poste s’inscrit dans la volonté du LIST3N de préserver son rayonnement dans un domaine directement en lien avec l’ambition n°3 du plan stratégique UTT 2035.

Formation et compétences requises :
Compétences souhaitées :
▪ Pédagogue ;
▪ Capacité à mener une recherche d’excellence ;
▪ Motivation, travail collaboratif et gestion de groupe ;
▪ Capacité à inscrire des notions fondamentales dans un cadre industriel ou dans une dimension d’ingénierie au sens large ;
▪ Capacité à enseigner en Anglais.

Adresse d’emploi :

Université de Technologie de Troyes, 12 rue Marie Curie à Troyes
LIST3N

Contacts:
Dossier de candidature : recrutement-list3n@utt.fr
Information concernant la recherche : Lionel.amodeo@utt.fr
Information concernant l’enseignement : faicel.hnaien@utt.fr

Document attaché : 202509161941_DRH25_08_PU-Approches Statistiques_IA-VF (1).pdf

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

Laboratoire/Entreprise : ISEN Yncrea Ouest Nantes
Durée : 18 mois
Contact : sylvain.lefebvre@isen-ouest.yncrea.fr
Date limite de publication : 2025-10-31

Contexte :
Ce contrat se déroule dans le cadre d’une chaire industrielle créée en 2021 entre l’entreprise ACOME, leader européen dans la création des câbles et le L@bISEN, le laboratoire de recherche de l’Institut Supérieur de l’Electronique et du Numérique (ISEN). Ce travail va être effectué par un(e) post-doctorant(e) ou un(e) ingénieur(e) de recherche, sur une période de de 12 mois, encadré(e) par un enseignant-chercheur de l’ISEN Ouest. Plus largement, la personne recrutée bénéficiera du soutien technique de l’équipe de recherche, équipe composée de 5 E/C et 2 ingénieurs.

Sujet :
En 2019 l’industrie manufacturière était responsable de 19% des déchets non dangereux produits chaque année [1]. A l’ère de la numérisation massive de l’industrie et du développement des technologies d’intelligence artificielle, la mise en place de systèmes et procédures permettant d’automatiser la détection et la correction des défauts de production promet d’impacter significativement les quantités rejetées lors de la production.
La fabrication des câbles combine plusieurs activités complexes de production effectuées par différentes machines dans plusieurs ateliers. L’activité de production de l’entreprise concerne principalement la production de câbles pour différents secteurs industriels et notamment pour le secteur automobile. Il s’agit donc de fabrication de produits en long. Les procédés de fabrication pour ce genre de produits impliquent des flots continus de matières circulant dans et entre les machines. Des changements d’ordre de fabrication, des défauts de qualité des matières premières ou des conditions de production particulières produisent par exemple des produits ne pouvant être commercialisés qui sont alors des sources de coût pour l’entreprise et ont impact environnemental négatif.
Il y a donc un besoin de fournir un outil d’analyse intelligent de plusieurs sources de données sur l’ensemble du processus de production, qui puisse recommander automatiquement aux ingénieurs qualité les paramètres optimaux pour minimiser les déchets.
ACOME et les équipes de l’ISEN ont donc développé un lac de données rassemblant les informations de production et de qualité lors des phases antérieures du projet. L’analyse de ces données est en cours et permettra de faire émerger des recommandations et des outils de suivis appropriés pour les équipes qualité d’ACOME.
Le post doctorant interviendra donc dans le développement de ces outils d’analyse, ce qui pourrait nécessiter la conception de nouvelles approches de recherche, comme : l’analyse de journaux existants et d’identification automatiques des éléments pouvant amener à générer des déchets [1], le développement de méthodes prédictives (IA, Apprentissage Automatique et Profond) pour l’estimation des quantités de déchets. D’autres approches peuvent utiliser des jumeaux numériques [2, 4] et l’apprentissage par renforcement pour virtuellement reproduire les conditions de l’usine et analyser l’impact des variations des paramètres de production. Enfin, les approches visant à optimiser l’ordonnancement des tâches, c’est-à-dire la planification des activités de production, dans le but de minimiser la quantité de déchets produits pourront être explorées [3].

Références :
[1] Duong, L. T., Trave-Massuyes, L., Subias, A., & Roa, N. B. (2021). Assessing product quality from the production process logs. The International Journal of Advanced Manufacturing Technology, 117, 1615-1631.
[2] Howard, D. A., Ma, Z., & Jørgensen, B. N. (2021). Digital Twin Framework for Industrial Production Processes. Energy Informatics, 4(Suppl. 1), P9.
[3] Le Hesran, C., Ladier, A. L., Botta-Genoulaz, V., & Laforest, V. (2019). Operations scheduling for waste minimization: A review. Journal of cleaner production, 206, 211-226.
[4] Botín-Sanabria, D. M., Mihaita, A. S., Peimbert-García, R. E., Ramírez-Moreno, M. A., Ramírez-Mendoza, R. A., & Lozoya-Santos, J. D. J. (2022). Digital twin technology challenges and applications: A comprehensive review. Remote Sensing, 14(6), 1335.

Profil du candidat :
Le candidat devra montrer une solide expertise dans un ou plusieurs des domaines suivants :
– Avoir des prérequis solides en : IA, Statistique, Big Data Analysis, Big Data Science, Machine Learning, Deep Learning, etc.
– Excellente compétence en programmation orientée-objet (Python ou Java, etc.)
– Avoir une expérience dans la proposition, développement, test des modèles de statistique inférentielle, de corrélation, de régression, de classification ou de clustering,
– Maitriser le Français et l’Anglais,
– Mener des recherches de haut-niveau et publier des articles scientifiques dans des conférences et des revues internationales à comité de lecture.

Formation et compétences requises :

Expériences appréciables :
– Une expérience industrielle,
– Connaissance du SQL.

Adresse d’emploi :
ISEN Ouest – Campus de Nantes
33 QUATER Av. du Champ de Manœuvre, 44470 Carquefou

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

Laboratoire/Entreprise : LISIC – Université du Littoral
Durée : 1 year
Contact : esteban.bautista-ruiz@lip6.fr
Date limite de publication : 2025-10-31

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 therefore 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:

1. 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.

2. 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, 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 :

Adresse d’emploi :
Saint-Omer, France

Document attaché : 202509011756_Postdoc___Temporal_Graph_Auto_Encoders____Job_Offer.pdf

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

Laboratoire/Entreprise : IMT Atlantique – Lab-STICC
Durée : 2 years
Contact : lucas.drumetz@imt-atlantique.fr
Date limite de publication : 2025-10-31

Contexte :
IMT Atlantique is looking for a postdoctoral fellow for 2 years starting as soon as possible before December 2025. The position is based on the Brest campus of the school. The fellow will join the Mathematical and Engineering Department of IMT Atlantique, and conduct his research wihtin the Odyssey Team Project studying Ocean Dynamics using data driven approaches, namely ML and AI techniques. The project is a collaboration with the Laboratoire d’Océanographie Physique et Spatiale (LOPS) of Univ. Brest.

Covering more than 70 % of the surface of the Earth, the oceans play key roles for the regulation of the Earth climate (e.g., climate change) as well as for human societies (e.g., marine resources and maritime activities). Despite ever-increasing development of simulation and observation capabilities leading to ocean big data, our ability to understand, reconstruct and forecast ocean dynamics remains limited.

Altimetry data and other geophysical measurements allow an improved understanding of ocean dynamics thanks to the various types of data acquired at the surface and inside of the ocean by different in situ sensors and satellite missions. A large number of different sensors exist, ranging from in situ floats to satellite data. However, even with all these acquisitions, the observation coverage of the 3D ocean remains very sparse, making prediction tasks challenging. In such a setting, it is also crucial to be able to produce uncertainties associated to the predictions, or even propose different evolution scenarios in ambiguous configurations.

Sujet :
In this context, a national initiative within the Programme Prioritaire de Recherche (PPR) Océan et Climat aims at building data challenges centered around the exploitation of such datasets, and easy benchmarking of AI-based solutions [1]. One of those challenges to be launched by the end of 2025 will be centered around the probabilistic short term forecasting of oceanic variables at the global scale in the 3D ocean from sparse measurements. AI-based methods for this type of problems are starting to emerge but are not so mature as e.g. in weather forecasting, and in particular are usually deterministic [2, 3].

Thus, the objective of this postdoctoral project is to develop new AI native models to learn and propagate ocean dynamics, with an emphasis on:
• Handling incomplete and noisy data
• A probabilistic formulation of the problem, i.e. not just learning a mean value over space and time of the
parameters of interest, but also to generate and propagate uncertainties in the relevant oceanic variables over space in time.
• A method that scales to global oceanic states (≈ 10 6 variables or more)

To this end, we propose to merge Gaussian Process (GP) regression [4], which is the basis of most operational techniques for sparse oceanic data interpolation and forecast (Optimal Interpolation) and Machine Deep Learning techniques. These kernel-based methods take advantage of the closed form Gaussian solution of the GP providing uncertainties at little cost. Despite these appealing properties, their performance has been modest because of limited expressivity due to ad-hoc choices of rigid kernels and associated parameters. We propose to enhance this class of probabilistic methods by leveraging flexible AI-based hyperparameterizations of these kernel methods to train data-driven priors for interpolation/forecasting from complete (e.g. simulation) data.

Profil du candidat :
The candidate should hold a PhD in signal or image processing, machine learning, remote sensing or related fields. We are looking for strong candidates with the following skills:
• Machine/Deep learning, signal and image processing, applied mathematics, numerical methods
• Programming in Python (Numpy, scipy, matplotlib…), especially Pytorch
• Inverse problems in imaging, Bayesian Modeling, Kernel Methods
• Curiosity for or experience in applications to quantitative oceanography will be appreciated.

Formation et compétences requises :
PhD in applied math/machine learning/image or signal processing

Adresse d’emploi :
IMT Atlantique Technopôle Brest-Iroise CS 83818 29238 Brest Cedex 3

Document attaché : 202506161220_postdoc_ppr_ocean_climat_fiche.pdf

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

Laboratoire/Entreprise : Laboratoire Informatique Image Interaction – La Ro
Durée : 24 mois
Contact : marine.gonse@univ-lr.fr
Date limite de publication : 2025-10-31

Contexte :
Coastal ecosystems are highly productive and host essential habitats for numerous marine species, including feeding areas, nurseries, breeding grounds, and migratory corridors. The quality of these habitats determines the renewal and dynamics of marine populations and, more broadly, the productivity of coastal ecosystems. However, these ecosystems are increasingly and durably impacted by the cumulative effects of climate change (e.g., rising temperatures, acidification, stratification of the water column) and by expanding human activities in coastal zones (e.g., maritime traffic, fishing, marine aggregate extraction, pollution, and offshore wind farms).
Given the rapid intensification of these anthropogenic disturbances, it becomes essential to facilitate dialogue between stakeholders (public authorities, scientists, managers, conservationists, and socio-economic actors) to foster the sustainable development of maritime activities and the protection of marine ecosystems. Effective ecosystem management requires decision-support systems capable of guiding spatial planning and conservation strategies. Digital twins represent an innovative approach to these challenges. They rely on continuous coupling between a real system and its virtual representation. The real system, informed by collected data, feeds the model, which can then refine its predictions, simulate alternative scenarios, and provide proactive decision-support tools. In ecology, the development of such systems remains limited due to their complexity and necessitates close collaboration between computer scientists and biologists.
In the marine environment, animal movement monitoring is enabled by biologging, which involves equipping animals with electronic devices that continuously record data (e.g., satellite positions, diving profiles, three-dimensional acceleration, oceanographic variables, physiological parameters). These datasets provide insights into animal movements and their responses to environmental conditions. The miniaturization of these devices has increased both the volume and diversity of data collected, generating analytical challenges that require strong interdisciplinary collaboration.
The aim of this project is to develop a digital twin for monitoring coastal marine populations by integrating biologging data into a digital platform (Urban Coastal Lab La Rochelle, UCLR) to understand and predict spatiotemporal variations in habitat use by marine animals in human-impacted coastal environments. Advanced simulation tools based on artificial intelligence will be developed. The project will focus on the case study of the grey seal (Halichoerus grypus), for which long-term monitoring has been conducted in the English Channel and the Iroise Sea by La Rochelle University (Pelagis/CEBC). Habitat loss due to climate change or anthropogenic activities (e.g. fisheries, maritime traffic) may directly affect grey seal population dynamics by altering foraging efficiency, movement patterns, reproductive success, or pup survival. The digital twin developed as part of this postdoctoral project will allow exploration of grey seal responses to such disturbances and assessment of the consequences of various future scenarios.

Sujet :
The postdoctoral researcher will be responsible for developing the simulation infrastructure of the digital twin. As biologging data are multimodal (differing in nature and acquisition frequencies), advanced methods based on artificial intelligence are required. Specifically, the researcher will:
1. Contextualize movement data with environmental variables (marine and potentially terrestrial) to simulate “possible” seal trajectories under varying conditions. Multiple generative AI models may be developed and compared (e.g., Conditional Generative Adversarial Networks, Transformers).
2. Simulate a large number of possible trajectories from these models in order to generate spatial distribution maps of potential habitats and assess their overlap with anthropogenic activities (e.g., maritime traffic, fisheries). Simulations under alternative climate scenarios will also be performed to identify potential shifts or losses of habitats.
3. Integrate these simulations into the UCLR platform to facilitate visualization of habitats under different scenarios. More information on the UCLR: Urban Coastal Lab La Rochelle.
The candidate will also be expected to propose additional AI-based approaches to generalize the methodology to other biologging data types, thereby enabling application of the digital twin to other marine species such as fish, seabirds, and marine mammals.
Results will be disseminated through publications in international peer-reviewed journals and presentations at scientific conferences.
Supervision will be provided by Dr. Marine Gonse and Dr. Mickael Coustaty (L3i). Interactions are also planned with Dr. Cécile Vincent (Pelagis Observatory), an expert in grey seal tagging and telemetry.

Profil du candidat :
The candidate must hold a PhD in computer science, artificial intelligence, or machine learning, with applications to multimodal data processing. They must demonstrate the ability to conduct independent research and contribute to a multidisciplinary project at the interface of computer science and marine ecology, working collaboratively with both computer scientists and biologists/ecologists.

Technical Skills:
• Multimodal, spatial, and time-series data analysis
• Strong programming skills in multiple languages (Python, Matlab, etc.)
• Proficiency in English (reading, writing, speaking); French desirable but not mandatory
• Interest in environmental sciences
• Experience with digital twin technologies (desirable)

Operational Skills:
• Rigor, autonomy, and initiative
• Ability to work in a multidisciplinary team
• Strong organizational and time-management skills
• Communication skills for diverse audiences
• Critical thinking and curiosity
• Project management and activity planning
• Reporting progress through concise written summaries
• Strong writing and oral presentation skills in English

Formation et compétences requises :

Adresse d’emploi :
La Rochelle Université
Laboratoire Informatique Image Interaction
Av. Michel Crépeau, 17042 La Rochelle

Document attaché : 202510210812_Fiche_poste_postdoc_IA_2026.pdf

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 mois
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2025-11-16

Contexte :
Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l’excellence scientifique et technique au service de l’enseignement, de la recherche et de l’innovation.

Dans le cadre du projet ICI (Imagerie Computationnelle pour l’IRM ultra-bas champ), qui vise à à développer un système d’imagerie IRM portable et accessible, fondé sur une approche computationnelle et sur l’intelligence artificielle, en collaboration avec le CHU de Brest et l’entreprise Multiwave (Marseille), nous recrutons Ingénieure ou un Ingénieur au sein de notre département Science des données (DSD).

Sujet :
En collaboration avec l’équipe du projet, vous développez et maintenez la chaine logicielle de reconstruction et d’analyse d’images IRM ultra-bas champ (Python, PyTorch). Vous assurez la gestion, le stockage et la diffusion des données IRM acquises sur la machine ultra-bas champ en lien avec les partenaires du projet. Vous accompagnez les chercheurs et ingénieurs dans l’utilisation des outils développés et la valorisation des résultats (documentation, packaging, diffusion open source). Vous contribuez à la coordination technique du projet avec les partenaires industriels (Mutiwave) et académiques (LaTIM, CHU de Brest).

Profil du candidat :
Diplôme Bac + 5 (ingénieur ou master) en informatique, traitement du signal, mathématiques appliquées ou équivalent.

Formation et compétences requises :
· Solide expérience en développement Python et PyTorch (ou frameworks équivalents).
· Bonnes connaissances en traitement et reconstruction d’images, idéalement en imagerie médicale.
· Pratique des outils de gestion de code (Git, GitLab, CI/CD).
· Connaissances des formats et bibliothèques liés à l’IRM (NumPy, NiBabel, TorchIO).
· Autonomie, rigueur et sens du travail collaboratif.

Adresse d’emploi :
IMT Atlantique, Campus de Brest

Informations & contacts :

Sur le contenu du poste : François ROUSSEAU – Enseignant Chercheur : francois.rousseau@imt-atlantique.fr

Sur les aspects administratifs/RH : Fanny BERNARD – Assistante recrutement – fanny.bernard@imt-atlantique.fr

Date limite de candidature : 16/11/2025
Début du contrat souhaité : Janvier 2026
Entretien : Au fil de l’eau

Lien : https://institutminestelecom.recruitee.com/o/ingenieure-ou-ingenieur-de-recherche-et-developpement-en-imagerie-computationnelle-et-apprentissage-profond-pour-lirm-ultra-bas-champ-cdd-24-mois

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 mois
Contact : francois.rousseau@imt-atlantique.fr
Date limite de publication : 2025-11-16

Contexte :
Grande école d’ingénieur généraliste de l’IMT-Institut Mines-Télécom, premier groupe d’écoles d’ingénieurs de France, IMT Atlantique a pour ambition d’accompagner les transitions, de former des ingénieurs responsables et mettre l’excellence scientifique et technique au service de l’enseignement, de la recherche et de l’innovation.

Le département Science des données (DSD) développe des activités de recherche et d’enseignement dans le domaine interdisciplinaire des sciences des données (« Data Science »), en forte interaction avec des enjeux industriels et sociétaux (santé et environnement). Ses activités de recherche s’inscrivent dans le cadre des laboratoires Lab-STICC (UMR CNRS 6285) et LaTIM (UMR 1101 INSERM).

Le projet ICI (Imagerie Computationnelle pour l’IRM ultra-bas champ) financé par le programme Inria Quadrant, vise à développer un système d’imagerie IRM portable et accessible, fondé sur une approche computationnelle et sur l’intelligence artificielle, en collaboration avec le CHU de Brest et l’entreprise Multiwave (Marseille).

Sujet :
Le projet ICI ambitionne de concevoir une IRM ultra-bas champ portable, permettant de réaliser des examens d’imagerie cérébrale au chevet du patient, notamment pour le suivi du développement cérébral des nouveau-nés prématurés. La post-doctorante ou le post-doctorant participera au développement du logiciel de reconstruction d’images, à la gestion des données expérimentales, à l’exploitation des acquisitions IRM et à la mise en œuvre de pipelines de traitement intégrant des méthodes d’apprentissage profond.

Profil du candidat :
Doctorat en traitement du signal/image, informatique, mathématiques appliquées, ou domaine connexe, obtenu il y a moins de 3 ans.

Formation et compétences requises :
Excellente maîtrise de la programmation en Python et d’un framework d’apprentissage profond, PyTorch de préférence.
Solides connaissances en traitement d’images, en problèmes inverses et en apprentissage automatique (machine learning).
Expérience significative en recherche, démontrée par des publications scientifiques de qualité.

Adresse d’emploi :
IMT Atlantique, Campus de Brest

Informations & contacts :

Sur le contenu du poste : François ROUSSEAU – Enseignant Chercheur : francois.rousseau@imt-atlantique.fr

Sur les aspects administratifs/RH : Fanny BERNARD – Assistante recrutement : fanny.bernard@imt-atlantique.fr

Date limite de candidature : 16/11/2025

Début du contrat souhaité : Janvier 2026

Entretien : Au fil de l’eau

Lien : https://institutminestelecom.recruitee.com/o/post-doctorat-en-imagerie-computationnelle-pour-lirm-ici-imagerie-computationnelle-pour-lirm-ultra-bas-champ-cdd-24-mois

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

Laboratoire/Entreprise : CRISTAL Lab – UMR CNRS 9189/University of Lille
Durée : 24 months – Ideally
Contact : hayfa.zgaya-biau@univ-lille.fr
Date limite de publication : 2025-12-31

Contexte :
The IARISQ project, funded by the French National Research Agency (ANR), aims to develop advanced artificial intelligence (AI) models to predict the toxicity thresholds of airborne particles, taking into account their physico-chemical properties and environmental dynamics. The project combines AI, probabilistic modeling, fuzzy logic, and explainable AI (XAI) to build a robust decision support system for public health and environmental risk assessment.

Sujet :
We are seeking a highly motivated postdoctoral researcher with strong expertise in machine learning and data science. The selected candidate will contribute to the design, implementation, and evaluation of predictive AI models for toxicity thresholds, with a focus on:
– Developing deep learning models (e.g., GANs, Transformers, TabNet)
– Managing uncertainty with probabilistic (e.g., GPR, Bayesian Neural Networks) and fuzzy logic approaches (e.g., Interval Type-2 Fuzzy Logic)
– Applying explainable AI techniques (e.g., SHAP, LIME, GrC) to identify influential variables
– Collaborating with environmental scientists and air quality experts
– Preparing scientific publications and sharing code (GitHub, open-source)

Related Publications
The candidate will contribute to a project with a strong publication record in top-tier journals and conferences. Recent related publications include:
1. Idriss Jairi, Sarah Ben-Othman, Ludivine Canivet, Hayfa Zgaya-Biau, Explainable-based approach for the air quality classification on the granular computing rule extraction technique, Engineering Applications of Artificial Intelligence, 2024. (Q1, IF: 7.5, AI/Software) https://doi.org/10.1016/j.engappai.2024.108096
2. Idriss Jairi, Sarah Ben-Othman, Ludivine Canivet, Hayfa Zgaya-Biau, Enhancing Air Pollution Prediction: A Neural Transfer Learning Approach across Different Air Pollutants, Environmental Technology & Innovation, 2024. (Q1, IF: 6.7, Environmental Engineering) https://doi.org/10.1016/j.eti.2024.103793
3. Idriss Jairi, Amelle Rekbi, Sarah Ben-Othman, Slim Hammadi, Ludivine Canivet, Hayfa Zgaya-Biau, Enhancing particulate matter risk assessment with novel machine learning-driven toxicity threshold prediction, Engineering Applications of Artificial Intelligence, 2025. (Q1, IF: 7.5, AI/Software) https://doi.org/10.1016/j.engappai.2024.109531

Conference
Doctoral Consortium Participant, ECAI 2024 – European Conference on Artificial Intelligence, Santiago de Compostela, Spain – October 2024. https://anaellewilczynski.pages.centralesupelec.fr/ecai-2024-dc/accepted.html

Profil du candidat :
PhD in Artificial Intelligence, Machine Learning, Data Science, or a closely related field.
– Strong experience in developing and evaluating deep learning models (e.g., GANs, Transformers, LSTM).
– Solid background in uncertainty modeling, explainable AI (XAI), or hybrid AI approaches is a plus.
– Excellent programming skills (Python, PyTorch or TensorFlow).
– Proven ability to conduct high-quality research, with publications in top-tier conferences or journals.
– Autonomy, creativity, and ability to work in a multidisciplinary environment (AI + environment + public health).
– Strong communication skills (oral and written) in English.

Formation et compétences requises :
PhD in computer Science – Artificial Intelligence

Adresse d’emploi :
https://www.cristal.univ-lille.fr

UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

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

Laboratoire/Entreprise : CRIStAL / Université de Lille / CNRS / Centrale Li
Durée : 18 mois
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2025-12-31

Contexte :
The project is part of the Chaire WILL UNIVERSITWINS (UNIVERSe dIgital TWINS) led by Jenny Sorce (funded by the Université de Lille under the initiative of excellence). The successful candidate will be jointly supervised by Jenny Sorce (CNRS Researcher in cosmology) and Pierre Antoine Thouvenin (Assoc. Prof., Centrale Lille), and hosted in the CRIStAL lab (UMR 9189), Lille, France. The work will be conducted in collaboration with Jean Prost (Assoc. Prof., ENSEEIHT) in the IRIT lab. More than 2000 GPU.hours have already been secured for the project at TGCC on the Irene/Rome partition. They will be used to finetune, validate and deploy the surrogate model to perform Bayesian inference. Access to the medium scale computing center from the University of Lille is also ensured.

Lien vers le site du projet : https://sorcej.github.io/Jenny.G.Sorce/universitwins.html

Lien vers l’offre d’emploi : https://sorcej.github.io/Jenny.G.Sorce/jobads/postdocuniversitwins.pdf

Sujet :
According to the standard cosmological model, about 95% of the Universe is dark. Recent large survey analyses reveal tensions with this model. For instance, the local measurement of the expansion rate and the estimate of the Universe homogeneity differ by more than three standard deviations from those inferred with the first light of the Universe. These discrepancies are at the heart of a heated debate in cosmology to determine whether these tensions require new physical models to be acccounted for, or are mere consequences of systematic biases in the observation processing pipeline. Part of this pipeline relies on cosmological simulations to act as the missing ground truth. However, the simulations only reproduce the statistics of the local cosmic web. A new type of simulations, qualified as constrained, is emerging. Initial velocity and density fields of such simulations stem from observational constraints.

Profil du candidat :
PhD in signal/image processing, computer science or applied mathematics.

Formation et compétences requises :
The project requires a strong background in data science and/or machine learning (statistics, optimization), signal & image processing. Very good Python coding skills are expected. A B2 English level is mandatory. Knowledge in C++ programming, as well as experience or interest in parallel/distributed code development (MPI, OpenMP, CUDA, …) will be appreciated.

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq