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

Laboratoire/Entreprise : LIAS
Durée : 6 mois
Contact : baron@ensma.fr
Date limite de publication : 2026-10-30

Contexte :
L’entreprise Bimedia s’est associée au laboratoire d’informatique LIAS de Poitiers, dans le cadre d’un projet de recherche appliquée. Des enseignants-chercheurs et un ingénieur de recherche encadreront un étudiant de Master 2 (université ou école d’ingénieurs).

Bimedia, filiale du groupe Orisha, est une entreprise spécialisée dans les solutions destinées aux points de vente de proximité (bureaux de tabac, librairies, etc.). Son offre repose sur un ensemble de services comprenant du matériel (caisses enregistreuses à double écran : le premier pour le commerçant et le second orienté vers le client final), un logiciel d’encaissement et des solutions dématérialisées (cartes prépayées, etc.).

Sujet :
Bimedia met à disposition des commerçants des indicateurs individuels sur leur propre point de vente (chiffre d’affaires, historique des ven-tes), mais ne permet pas de se situer par rapport à des points de vente comparables. Or, comprendre quels produits fonctionnent bien dans des points de vente similaires au sien permettrait à un commerçant d’ajuster son offre, d’identifier de nouvelles opportunités commerciales (nouveaux produits à mettre en valeur) ou au contraire de repérer des produits sous-performants à retirer de son assortiment.

L’objectif principal du stage est de concevoir un système de recommandation de produits basé sur du filtrage collaboratif, permettant de comparer un point de vente à des points de vente similaires afin d’identifier les produits qui se vendent bien et ceux qui se vendent mal. Ce travail se décline en trois axes.

Définition d’une mesure de similarité entre points de vente : un premier travail consistera à construire une mesure de similarité entre points de vente, combinant les données de vente (chiffre d’affaires, produits vendus), les caractéristiques du point de vente (nombre d’employés, horaires d’ouverture, type de commerce) et le contexte socio-économique, en tenant compte de leur évolution temporelle. L’enjeu sera d’agréger ces dimensions en un score composite pertinent.

Construction d’un système de recommandation par filtrage collaboratif : à partir de la mesure de similarité définie précédemment, l’objectif sera de mettre en place une approche de filtrage collaboratif pour recommander à un point de vente des produits qui se vendent bien dans des points de vente similaires, mais qu’il ne propose pas ou peu. On cherchera aussi à repérer les produits dont les performances de vente sont significativement différentes pour présenter au commerçant les forces et les faiblesses de son point de vente.

Génération automatisée de recommandations en langage naturel : le troisième axe consistera à exploiter une IA générative afin de permettre une interrogation en langage naturel des résultats du système, et de restituer des messages clairs et concrets, directement affichables sur le terminal de caisse (ex : produit à ajouter à l’assortiment, produit sous-performant à surveiller).

Profil du candidat :
Le candidat doit être en Master 2 en Informatique ou en dernière année de préparation d’un diplôme d’ingénieur spécialité Informatique.

Date limite pour répondre à l’offre : 30/10/2026

Formation et compétences requises :
Une bonne connaissance du langage de programmation Python et des bibliothèques usuelles d’apprentissage automatique est requise. Un bon niveau en français est fondamental.

– Curriculum Vitae
– Notes de Master ou équivalent (si possible avec le classement)
– Autres documents utiles pour appuyer la candidature (ex. : projets, GitHub)

Adresse d’emploi :
Laboratoire LIAS – ISAE-ENSMA, Téléport 2 – 1 avenue Clément Ader
86961 Futuroscope, France

Document attaché : 202609071110_2027_lias_idd_ml_recommandation_collaboratif_fr.pdf

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

Laboratoire/Entreprise : CNRS – Laboratoire d’écologie alpine (LECA)
Durée : 6 mois
Contact : camille.masson@univ-grenoble-alpes.fr
Date limite de publication : 2026-11-30

Contexte :
En Europe, le pastoralisme est étroitement associé aux espaces de montagne, où l’exploitation saisonnière des ressources fourragères d’altitude constitue une composante majeure des systèmes d’élevage. Ces espaces forment un socio-écosystème complexe où se concentrent à la fois des enjeux de production agricole, de conservation de la biodiversité et de partage des usages.

Au cours des dernières décennies, le retour du loup a marqué un point de bascule dans la conduite pastorale, avec le passage de systèmes où le troupeau était relativement peu contraint à des troupeaux davantage gardés et regroupés la nuit dans un « parc de nuit ».

Malgré les enjeux associés à cette pratique (piétinement, concentration de nutriments, pression sur la biodiversité), l’emprise spatiale des parcs de nuit et leur évolution au cours du temps restent encore peu documentées à grande échelle. La télédétection offre aujourd’hui la possibilité d’identifier ces structures, d’en suivre l’apparition, la persistance ou le déplacement au cours du temps.

Sujet :
L’essor de la télédétection satellitaire permet aujourd’hui de suivre l’évolution des surfaces terrestres à des résolutions spatiale et temporelle fines. L’objectif du stage sera d’exploiter les séries temporelles d’images Sentinel-2 entre 2016 et 2026 afin de développer une méthode de détection et de cartographie automatique des parcs de nuit.
La présence répétée des troupeaux génère au sein de ces parcs une signature spectro-temporelle particulière, dont l’expression varie au cours de la saison avec la dynamique de la végétation. L’enjeu méthodologique sera donc de considérer chaque parc non pas à partir d’une image donnée, mais à partir de l’ensemble de sa trajectoire spectrale annuelle. Le stage consistera à développer un modèle d’apprentissage supervisé pour la détection d’objets (parcs) dans des tenseurs temporels. Le modèle permettra de réaliser une détection et une segmentation de ces structures pastorales. Le caractère rare des parcs dans le paysage constituera également un enjeu méthodologique important pour l’apprentissage et l’évaluation des modèles (problème de balancing).
Les données nécessaires à l’entraînement des modèles seront immédiatement mises à disposition dès le début du stage. Les modèles développés seront ensuite appliqués à l’ensemble de la série Sentinel-2 afin de produire des cartographies annuelles à l’échelle des Alpes et de reconstruire la dynamique spatiale et temporelle des parcs au cours de la période 2016–2026.

Profil du candidat :
• Étudiant·e en Master 2 ou en année de césure, avec une formation en informatique, data science, traitement d’images, télédétection ou géomatique ;
• Bonne compréhension globale des méthodes d’intelligence artificielle, en particulier pour la vision par ordinateur (détection d’objets, CNN et Transformers, etc.) ;
• Bonne maîtrise de Python et, si possible, de frameworks d’apprentissage automatique ;
• Une expérience dans l’analyse d’images satellitaires ou de données multispectrales constituerait un atout ;
• Intérêt pour les applications aux problématiques écologiques et environnementales.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Ecologie Alpine (LECA)
Domaine Universitaire de Grenoble
2233 RUE DE LA PISCINE UMR 5533
Bat D – Biologie
38400 SAINT MARTIN D’HERES

Le ou la stagiaire sera accueilli·e au LECA, laboratoire de pointe dans l’étude des écosystèmes alpins. Dans ce laboratoire, plusieurs collègues chercheur·ses, ingénieur·es et/ou étudiant·es sont spécialisé·es dans l’apprentissage automatique, en particulier pour la vision par ordinateur (ex. : projet DeepFaune). Les compétences autour des données satellitaires sont également fortement représentées. Le ou la stagiaire profitera donc d’un environnement stimulant au carrefour de l’écologie, de l’informatique et des mathématiques.

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

Laboratoire/Entreprise : ETIS
Durée : 6 mois
Contact : michele.linardi@cyu.fr
Date limite de publication : 2026-12-31

Contexte :
At CY Cergy Paris University and the University of Toulouse, our research aims to develop trustworthy, robust, and human-centered Generative AI systems that adapt to students’ learning habits and individual needs.

Generative AI tutors are rapidly becoming pervasive across both secondary and higher education.
Students increasingly rely on AI-powered assistants for explanations, problem-solving, revision, and personalized feedback, making these systems an integral part of the modern learning experience.
As these tools become embedded in education, it is essential that they move beyond generic conversational capabilities and provide support that is pedagogically sound, personalized, and trustworthy.

Sujet :
By leveraging compact, privacy-preserving models, we aim to provide adaptive tutoring while reducing computational costs and enabling on-device personalization.
Within the tutoring process, the AI agent follows an agentic reasoning framework. It begins by receiving the student’s input and establishing a clear instructional objective, which guides all subsequent decisions throughout the interaction.

The agent then analyzes the student’s responses and contextual information to identify relevant patterns, infer the learner’s current level of understanding, and assess the educational context. This reasoning process enables the tutor to select appropriate pedagogical strategies and generate personalized interventions.

Please find all the informations in the attached files.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Cergy Paris Université,
33 Bd du Port, 95000 Cergy

Document attaché : 202608191602_Internship_offer_Designing_NLP_tools_for_Sutdent_Digital_Twins.pdf

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

Laboratoire/Entreprise : Laboratoire Interdisciplinaire des Sciences du Num
Durée : 5 mois
Contact : guinaudeau@limsi.fr
Date limite de publication : 2027-01-01

Contexte :
Recommender systems for audiovisual content traditionally rely on user behavior such as ratings, viewing histories, or clicks. This makes it difficult to recommend new content for which little or no user data is available. The RECO+ project explores an alternative approach based solely on the content of audiovisual works, with the goal of producing relevant and explainable recommendations while addressing the cold-start problem.
A first study developed within RECO+ introduced a multimodal representation of TV series based on visual, audio, and textual features extracted from the first episode. The current system combines 77 interpretable descriptors capturing aspects such as visual aesthetics, editing and motion, sound characteristics, and narrative themes, and computes similarities between series using cosine distance.
This internship is the first of two complementary Master internships aiming to address the main limitations identified in this initial work. In particular, the current descriptors remain relatively coarse, while the similarity computation relies on a simple and non-contextualized distance.

Sujet :
The objective of this internship is to improve the multimodal representation of TV series and investigate more appropriate ways of measuring similarity between audiovisual works. The student will first study the state of the art in multimodal video representation, audiovisual content analysis, recommender systems, and metric learning. Building on the existing RECO+ pipeline, the work will then focus on refining visual, audio, and textual descriptors in order to better capture the aesthetic, narrative, semantic, and rhythmic dimensions of TV series.
A particular emphasis will be placed on the normalization and fusion of the different modalities, which remains an open question in the current approach. The student will also investigate similarity learning methods that can go beyond a uniform cosine distance, for example through learned metrics, contrastive learning, or other representation-learning approaches. The proposed methods will be implemented and evaluated experimentally within the existing recommendation framework, with particular attention to understanding which modalities and features contribute to meaningful similarities between series.
The internship combines software development, machine learning experimentation, and scientific research. It offers the opportunity to work on a concrete research problem at the intersection of multimedia analysis, multimodal learning, and recommender systems.

Profil du candidat :
We are looking for a Master 2 student in Computer Science with a strong interest in machine learning and multimedia and :
• Good programming skills in Python
• Knowledge of deep learning librairies
• Familiarity with Computer Vision, audio processing or Natural Language Processing
• An interest in machine learning applied to multimedia and audiovisual content
• Good analytical skills and the ability to conduct and interpret experimental results
• Experience with metric learning, contrastive learning, or representation learning would be a
plus.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire Interdisciplinaire des Sciences du Numérique
Campus Universitaire
Bâtiment 507,
Rue du Belvédère,
91400 Orsay

Document attaché : 202610051103_SujetStage2027.pdf

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

Laboratoire/Entreprise : JINKO
Durée : 6 mois
Contact : hiring@jinko.so
Date limite de publication : 2027-01-01

Contexte :
About Jinko
Jinko is a YC-backed startup building travel infrastructure for AI agents. We enable developers to create agents
that can search, plan, and book travel through reliable access to travel data, services, and booking capabilities.
Our team brings together repeat entrepreneurs with deep travel industry experience. Based at Station F in Paris,
we work closely with world-class companies across travel and technology.

Sujet :
About the Role
You will use data analysis and machine learning to help improve how AI agents understand and use travel
information. Working directly with the founding team, you will explore datasets, formulate hypotheses, build
prototypes, and evaluate what works. Your findings will inform both product decisions and the infrastructure we
build.
What You Will Work On
• Analyze travel data to uncover patterns, assess coverage and quality, and identify opportunities to improve agent
capabilities.
• Explore and evaluate machine learning approaches for tasks such as search, ranking, recommendations, and
matching data across sources.
• Design experiments, establish baselines, and define metrics to assess model quality and practical usefulness.
• Build reproducible data preparation and analysis workflows using Python and SQL.
• Investigate model errors and data limitations, and communicate findings through clear visualizations and
recommendations.
• Collaborate with engineers to turn promising analyses and prototypes into components of our travel infrastructure.

Profil du candidat :
What We Are Looking For
• Data analysis skills: You can explore unfamiliar datasets, apply statistical reasoning, and explain your
conclusions and their limitations.
• Programming ability: You are comfortable with Python and SQL and can write clear, testable code for analysis
and experimentation.
• Machine learning foundations: You understand model training, validation, evaluation metrics, and common
pitfalls such as overfitting and data leakage.
• Curiosity about AI agents, a practical approach to problem-solving, and the ability to work independently while
communicating with a small team.
Experience with pandas, scikit-learn, PyTorch, embeddings, or recommendation systems is a plus. Coursework,
research, and personal projects are all relevant; prior travel industry experience is not required.

Formation et compétences requises :

Adresse d’emploi :
Paris, Station F

Document attaché : 202610050916_Jinko_ML_Data_Analysis_Internship.pdf

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

Laboratoire/Entreprise : Institut Fesnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2027-01-08

Contexte :
voir PJ

Sujet :
voir PJ

Profil du candidat :
voir PJ

Formation et compétences requises :
voir PJ

Adresse d’emploi :
52 Av. Escadrille Normandie Niemen, 13013 Marseille

Document attaché : 202609210948_StageM2_FDOT_AI.pdf