Offre en lien avec l’Action/le Réseau : SaD-2HN/– — –

Laboratoire/Entreprise : ICube Strasbourg
Durée : 6 mois
Contact : florence.leber@engees.unistra.fr
Date limite de publication : 2026-11-20

Contexte :
Ce stage s’inscrit dans le cadre du projet de recherche TRACES financé par l’ANRS Maladies infectieuses émergentes (ANRS MIE) et qui a pour objectif le développement d’outils pour la recherche de pistes originales de lutte contre la tuberculose. Pour cela, un groupe de recherche interdisciplinaire s’intéresse aux pharmacopées anciennes. La mise en place d’une base de données est alors essentielle pour, d’une part, stocker les informations produites par les chercheurs du groupe ou issues d’autres sources et utiles pour leurs travaux, d’autre part, permettre une analyse des données pouvant intégrer les informations de toutes les disciplines pertinentes. Le modèle retenu est celui de la Wikibase sur laquelle repose la base de connaissances Wikidata.

Sujet :
Le sujet de ce stage s’inscrit dans ce cadre et vise à mettre en place l’ensemble du processus allant de la modélisation à la fouille des données, voire leur visualisation. Il s’agira de réfléchir dans un premier temps à la mise en place d’un modèle de stockage des informations sur des remèdes (préparations médicales) : médecin ayant proposé le remède et manuscrit dans lequel il l’a fait, remède lui-même, sa composition, les maladies et symptômes traités, les molécules présentes dans les ingrédients et les principes actifs identifiés. Ce modèle devra intégrer les incertitudes possibles sur les traductions faites des textes anciens (ingrédients, maladies et symptômes) et les résultats des chercheurs. Il reprendra autant que possible les propriétés utilisées dans Wikidata si celles-ci décrivent correctement ce qu’est la donnée, en définira de nouvelles sinon.
Ensuite des outils de fouille de données seront développés afin d’aider les chercheurs du projet travaillant sur la recherche de pistes pour de nouveaux médicaments. Il s’agira notamment de proposer des outils de découverte de sous-graphes dans la base Wikidata afin de mettre en évidence des récurrences dans les compositions/préparations des remèdes, avec la possibilité de considérer les ingrédients (végétaux, minéraux, animaux) à différents niveaux de leur taxonomie, voire au niveau moléculaire. Ces outils devront permettre de gérer les éventuelles incertitudes sur les données.

Profil du candidat :
Master 2 ou 3ème année ingénieur en Informatique

Formation et compétences requises :
Compétences en modélisation et fouille de données
Intérêt pour le travail en lien avec d’autres disciplines (histoire et biochimie)

Adresse d’emploi :
ICube UMR 7357 | Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie
300 bd Sébastien Brant – CS 10413 – F-67412 Illkirch Cedex

Document attaché : 202610191133_stage_BDpharmaco_ICube.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 : SaD-2HN/Doctorants

Laboratoire/Entreprise : INTESCIA – L3i / La Rochelle Université
Durée : 42 mois
Contact : mickael.coustaty@univ-lr.fr
Date limite de publication : 2026-12-15

Contexte :
Les LLMs (Large Language Model) sont des outils efficaces, rapides à prendre en main et généralistes, ce qui en fait un choix technique facile pour une grande partie des projets de traitement du langage naturel. Ils ont supplanté une partie des algorithmes de Data Science plus « classiques ».

Cependant, ils ne sont pas exempts de défauts. Ils sont extrêmement coûteux en énergie, coûteux en eaux, coûteux financièrement et ils nécessitent d’importants investissements (création de Data Centers) pour être mis en place.

Dans une volonté de contrôle des données produites et utilisées par l’entreprise (et plus largement de toutes données privées), il est important de garantir que les données traitées soient protégées, ce que l’usage de certains LLMs ne garantit pas. Nous venons par ailleurs de vivre en France, une série de canicules les plus importantes de ces dernières décennies, avec des records de température dans de nombreuses villes françaises. Il est nécessaire de prendre des actions pour aller vers des technologies plus sobres en énergie.

Par ailleurs, le monde de l’IA connaît une période d’incertitude, avec une course effrénée vers des modèles généralistes de plus en plus gros et de plus en plus gloutons en espace comme en énergie. Dans ce contexte, nous souhaitons nous orienter vers des méthodes plus « frugales ». Nous souhaitons ainsi de préférence adapter de petits modèles à des tâches très précises, qui ont l’avantage d’être plus parcimonieux. Un axe principal du travail sera donc de construire des modèles dont la création sera standardisée, avec un minimum de paramétrage à effectuer, et moins de labellisation manuelle à fournir. Nous souhaitons proposer une méthode qui soit la plus générique possible (voir en appui sur les approches MCP/ADK). Les questions clés sont de déterminer s’il est possible de répertorier, créer et tester des modèles pour nos cas d’usages, et de quantifier le gain énergétique de ces modèles en comparaison avec d’anciennes techniques présentes dans le groupe.

Sujet :
L’objectif principal du stage est de produire un benchmark et une analyse complète des outils de Data Science proposés par Explore. Ce travail sera complété par une bibliographie des domaines dans lesquels s’inscrivent les solutions proposées.

Enfin, ce stage est prévu pour aboutir à une thèse CIFRE, et l’étudiant.e sera encouragé.e à participer à la rédaction du sujet de thèse.

Des déplacements ponctuels au L3i de La Rochelle seront également prévus.

Les livrables attendus pour ce stage sont :

• Un état de l’art des approches existantes et de l’état des technologies utilisées par Explore

• Un benchmark de ces approches sur des données de l’entreprise

• Une publication scientifique résumant tout ce travail.

Ce stage sera rémunéré à hauteur de 1000€ mensuel.

Informations importantes

ð Ce stage sera suivi d’une thèse CIFRE d’une durée de trois ans, financée par le groupe Intescia ;

ð Ce stage est co-encadré entre le laboratoire L3i de La Rochelle Université et Explore, filiale du groupe Intescia.

Le L3i (Laboratoire Informatique, Image et Interaction) est le laboratoire de recherche en informatique de La Rochelle Université, créé en 1993 et labellisé Équipe de Recherche Technologique. Il rassemble une centaine de membres, dont 32 enseignants-chercheurs, une trentaine de doctorants et 7 personnels permanents de soutien à la recherche, répartis en trois équipes : « Dynamique des systèmes et adaptativité », « Images et contenus », et « Modèles et connaissances ». Il dispose d’une expertise reconnue internationalement autour de l’analyse et de la compréhension de documents, notamment administratifs.

Profil du candidat :
Le profil que nous recherchons
Étudiant·e de Master 2 dans les domaines suivants : Informatique / Mathématiques Information / Statistiques / Traitement du langage naturel / Data Science.
Appétence à la recherche
Connaissances en : Python, SQL, Méthodes de NLP
Maîtrise de l’anglais
Qualités de rédaction, d’analyse et d’autonomie appréciées.

Formation et compétences requises :
• Les étapes du recrutement seront les suivantes :
1er entretien avec Julie QUEIROS, DATA SCIENTIST chez Explore, accompagnée du personnel encadrant du laboratoire ;
2ème entretien et restitution de cas pratique avec Julie, accompagnée de son N+1 Steven HELLEC, ainsi que des encadrants du laboratoire ;
3ème et dernier entretien avec l’équipe RH, pour tout formaliser.

Ce que nous vous offrons :
Poste basé à Carquefou
Type de contrat : Stage 6 mois – Master II
Horaires de travail : 09h00 – 17h30
Carte tickets restaurants
Option de télétravail ou flexibilité pour une meilleure organisation de votre quotidien
Un cadre de travail responsabilisant, formateur et propice à l’épanouissement

Adresse d’emploi :
https://intescia.recruitee.com/o/intescia-data-scientist-hf-stage-master-ii-6-mois

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 : – — –/Doctorants

Laboratoire/Entreprise : LPC2E/CNRS
Durée : 4-6 mois
Contact : cherry.ng-guiheneuf@cnrs-orleans.fr
Date limite de publication : 2026-12-31

Contexte :
Pulsars are highly magnetized, rapidly rotating neutron stars that provide unique laboratories for studying fundamental physics, compact objects and the interstellar medium. Their periodic radio emission makes them well suited to large-scale surveys, while individual pulses provide insights into the physics of coherent radio emission. Despite decades of observations, a significant fraction of the Galactic pulsar population remains undiscovered, motivating the development of efficient analysis techniques.

Sujet :
During this internship, the trainee will get an opportunity to gain experience in two complementary areas of pulsar research: pulsar survey analysis with machine-learning-assisted candidate classification, and the study of individual pulsar pulses across widely separated radio frequencies.

The first part will involve a complete pulsar-search workflow, from simulations and population modelling to candidate generation and classification. The trainee will use tools such as PsrPopPy to generate synthetic pulsar populations, exploring distributions of periods, dispersion measures, luminosities and spatial positions. Synthetic pulsars will be injected into real survey data and processed through an existing search pipeline to evaluate recovery rates and characterize detection efficiency. The resulting candidates will be visually inspected to build a labelled dataset for exploring machine-learning methods to distinguish genuine pulsars from radio-frequency interference and other false positives, with the goal of improving candidate classification for large surveys.

The second part will focus on single-pulse emission from a pulsar observed at approximately 70 MHz and 1.4 GHz. Using an existing pipeline, the trainee will extract individual pulses, characterize their energy distributions statistically, and investigate possible log-normal or power-law behaviour and frequency-dependent changes. The results will be interpreted in the context of nulling, mode changing and giant pulses, with comparisons to Fast Radio Bursts where appropriate.

The internship will provide hands-on experience in radio astronomy, pulsar searches, population synthesis, statistical analysis, machine learning, Python-based scientific computing and the analysis of real observational data. The trainee will also have the opportunity to visit the Nançay Radio Observatory, participate in collaboration meetings and present their work to the wider pulsar research community.

Profil du candidat :
Master en astronomie, informatique ou domaine similaire

Formation et compétences requises :
programmation python
Programmation linux

Adresse d’emploi :
3A, Avenue de la Recherche Scientifique. 45071 Orléans cedex 2. France

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

Laboratoire/Entreprise : Laboratoire d’Informatique Signal et Image de la
Durée : 6 mois
Contact : abdelbadie.belmouhcine@univ-littoral.fr
Date limite de publication : 2027-01-01

Contexte :
voir PJ

Sujet :
voir PJ

Profil du candidat :
voir PJ

Formation et compétences requises :
voir PJ

Adresse d’emploi :
Université du Littoral Côte d’Opale, 50 Rue Ferdinand Buisson, 62100 Calais

Document attaché : 202611041126_IFSEA_Stereo-2.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

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

Laboratoire/Entreprise : LITIS, INSA Rouen Normandie, Université de Rouen N
Durée : 6 mois
Contact : aleite@insa-rouen.fr
Date limite de publication : 2027-01-16

Contexte :
Machine-learning models are commonly trained assuming that deployment data follow the training distribution. In practice, changes in populations, sensors, environments, or acquisition conditions produce a mismatch between a source domain PS and a target domain PT . Domain adaptation seeks to transfer predictive knowledge across such shifts, while uncertainty quantification (UQ) estimates the reliability of a model’s predictions. In particular, a source-trained model may be more uncertain about target inputs that are poorly represented in its training data. Yet domain shift and uncertainty are not equivalent: a shift need not increase prediction difficulty, and uncertainty can be high even without a shift. This internship will study when predictive uncertainty can meaningfully reveal, measure, or be corrected for a change of domains.

Sujet :
This internship aims to establish a conceptual and empirical framework connecting predictive uncertainty, distribution shift, and domain adaptation.

Profil du candidat :
Master’s 2 or final-year engineering level; strong foundations in machine learning and probability/statistics; ability to implement reproducible experiments and critically analyze results. Familiarity with uncertainty quantification, transfer/domain adaptation, or probabilistic learning is appreciated but not required. Interest in both theoretical reasoning and rigorous empirical research is important.

Formation et compétences requises :

Adresse d’emploi :
Rouen Normandie

Document attaché : 202610201148_LITIS_CRAN_internship_proposal_From Predictive Uncertainty to Domain Adaptation_onepage.pdf