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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Contexte :

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

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

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
batiment IMAG
place du torrent
Grenoble

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

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

Laboratoire/Entreprise : Laboratoire U2IS, ENSTA campus Paris-Saclay
Durée : Tenure Track
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-04-17

Contexte :
ENSTA, établissement d’enseignement supérieur et de recherche classé dans le Top 10 des meilleures écoles d’ingénieurs en France, recrute un Enseignant Chercheur (F/H). ENSTA est partenaire du programme Hi! PARIS Cluster 2030, qui vise à constituer un pôle de recherche et de formation de rang mondial en intelligence artificielle et en science des données. Le consortium regroupe plusieurs institutions françaises majeures en ingénierie et recherche, parmi lesquelles : IP Paris (École Polytechnique, École des Ponts, ENSTA, ENSAE Paris, Télécom Paris, Télécom SudParis), HEC Paris, INRIA, CNRS et l’Université de Technologie de Troyes.

Pour soutenir le développement stratégique de la robotique et de l’IA au sein de l’ENSTA et de l’Institut Polytechnique de Paris, l’ENSTA ouvre un poste de professeur, financé par une chaire d’excellence « Adaptation multimodale pour modèles de foundation » du programme Hi! PARIS Cluster 2030. Ce poste bénéficie d’un financement attractif sur 3 ans, d’un écosystème dynamique en IA et robotique, ainsi que d’un accès à des ressources expérimentales et computationnelles de premier plan. Les candidatures seront examinées aux niveaux Assistant Professor, Associate Professor ou Full Professor, selon l’expérience et le parcours des candidats.

Sujet :
Le titulaire du poste intégrera l’U2IS pour y développer son activité de recherche en cohérence avec la stratégie de l’unité et participer aux enseignements gérés par cette dernière.

Sur le plan de la recherche, ce poste porte sur les techniques d’adaptation pour des modèles fondamentaux multimodaux, permettant un apprentissage et une perception robustes dans des environnements dynamiques et variés — en robotique ou au-delà. Les sujets incluent, sans s’y limiter :
• Modèles multimodaux : apprentissage intermodal et fusion de représentations (vidéo RGB/IR, 3D, audio, texte, proprioception, IoT)
• Données dynamiques : modélisation efficace de données temporelles
• Adaptation et apprentissage en ligne : fine-tuning dynamique de modèles fondamentaux
• Méthodes d’apprentissage actif : modélisation de mécanismes naturels pour l’apprentissage multi-tâches
• Adaptation auto-supervisée / semi-supervisée : exploitation de données non annotées pour une adaptation réaliste et scalable
L’activité de recherche devra s’inscrire en complément des activités déjà développées par l’unité, en particulier dans les domaines de l’intelligence artificielle, la robotique et l’interaction homme-robot.

Sur le plan de l’enseignement, le candidat retenu s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’Information et de l’Informatique (S2I) de l’ENSTA (campus de Paris-Saclay). Il participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues), en particulier pour
• contribuer à l’enseignement en informatique, robotique et IA à l’ENSTA sur le campus Paris-Saclay, ainsi qu’au sein des programmes master d’IP Paris,
• encadrer des doctorants et étudiants de tous les niveaux, et participer à l’apprentissage par projets.
Dans le cadre de la nouvelle ENSTA, il sera amené à participer à la réflexion et à l’évolution de la nouvelle offre de formation, notamment dans le cadre des enseignements bi-campus, avec un engagement dans le développement de pratiques pédagogiques innovantes et coordonnées entre les sites.

Profil du candidat :
L’ENSTA peut accueillir les personnels fonctionnaires en détachement, en particulier les Maîtres de Conférences et les Professeurs de l’université ou les Chargés et les Directeurs de Recherche des organismes de recherche (CNRS, INRIA, …). La qualification aux fonctions Professeur des Universités n’est pas requise mais sera appréciée. Un candidat expérimenté avec HDR pourra obtenir le titre de Professeur accordé par la commission d’appellation d’ENSTA. Un salaire attractif sera proposé en adéquation avec le profil.

Formation et compétences requises :
La personne candidate, titulaire d’une thèse de doctorat, devra justifier :
• d’une expérience en recherche et enseignement en adéquation avec les besoins exprimés ;
• de publications scientifiques dans des revues ou conférences de haut niveau et en lien avec la thématique mentionnée ;
• d’une capacité à travailler en équipe tant pour l’enseignement que pour la recherche ;
• de qualités pédagogiques ;
• de pouvoir prendre des responsabilités et notamment de pouvoir piloter/coordonner un parcours d’enseignement.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-sur-une-chaire-dexcellence-hiparis-cluster-2030-adaptation-multimodale-pour-modeles-de-foundation

Adresse d’emploi :
ENSTA Campus de Paris Saclay, 828, boulevard des maréchaux, 91762 Palaiseau Cedex

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

Laboratoire/Entreprise : Lab LISTIC – UFR SceM – Université Savoie-Mont-Bla
Durée : permanent
Contact : jean-yves.ramel@univ-smb.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Un poste de Maître de Conférences (section 27) est susceptible d’être ouvert lors de la prochaine campagne synchronisée à l’Université Savoie-Mont-Blanc.

Enseignement: Département Informatique UFR Sciences et Montagnes –
Recherche: Laboratoire LISTIC

Mot-clés recherche : Apprentissage automatique pour l’analyse de l’activité humaine, apprentissage sur graphes, modèles d’IA combinant GNNs et LLMs, méthodes de représentation et de classification d’information semi-structurée multimodale ou spatio-temporelle.

Mot-clés enseignement : domaines fondamentaux de l’informatique (programmation, langages du web, base de données), génie logiciel (nouvelles approches CI/CD, DevOps, environnement cloud), cybersécurité appliquée au développement informatique

Profil du candidat :

Formation et compétences requises :
+ d’info/profil du poste >>> https://www.univ-smb.fr/listic/wp-content/uploads/sites/66/2026/01/mcf2026_webc.pdf

Adresse d’emploi :
Université Savoie-Mont -Blanc
Campus Technolac – Bourget du Lac

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

Laboratoire/Entreprise : Laboratoire U2IS, ENSTA campus Paris-Saclay
Durée : Tenure Track
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-04-17

Contexte :
L’ENSTA est partenaire du programme Hi! PARIS Cluster 2030, qui vise à constituer un pôle de recherche et de formation de rang mondial en intelligence artificielle et en science des données. Le consortium regroupe plusieurs institutions françaises majeures en ingénierie et recherche, parmi lesquelles : IP Paris (École Polytechnique, École des Ponts, ENSTA, ENSAE Paris, Télécom Paris, Télécom SudParis), HEC Paris, INRIA, CNRS et l’Université de Technologie de Troyes.
Pour soutenir le développement stratégique de la robotique et de l’IA au sein de l’ENSTA et de l’Institut Polytechnique de Paris, l’ENSTA ouvre un poste de professeur, financé par une chaire d’excellence « Grands modèles pour la robotique » du programme Hi! PARIS Cluster 2030. Ce poste bénéficie d’un écosystème dynamique en IA et robotique, ainsi que d’un accès à des ressources expérimentales et computationnelles de premier plan. Les candidatures seront examinées aux niveaux Assistant Professor, Associate Professor ou Full Professor, selon l’expérience et le parcours des candidats.

Sujet :
Ce poste porte sur la recherche autour des grands modèles appliqués à la robotique, en lien avec le domaine émergent de l’Embodied AI, c’est-à-dire l’extension des capacités des grands modèles de langage à l’interaction physique et au contrôle robotique. L’objectif est de concevoir et d’entraîner de grands modèles multimodaux capables de piloter divers robots sur différentes tâches avec un minimum d’ajustements. Exemples de thématiques :
• Modèles Vision-Language-Action
• Perception et apprentissage multimodaux
• Apprentissage par imitation et par renforcement
• Transformers et pré-entraînement à grande échelle pour la robotique
L’activité de recherche devra s’inscrire en complément des activités déjà développées par l’unité, en particulier dans les domaines de l’intelligence artificielle, la robotique et l’interaction homme-robot.

Le (la) candidat(e) retenu(e) s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’Information et de l’Informatique (S2I) de l’ENSTA (campus de Paris-Saclay). Il (elle) participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues), en particulier pour
• contribuer à l’enseignement en informatique, robotique et IA à l’ENSTA sur le campus Paris-Saclay, ainsi qu’au sein des programmes master d’IP Paris,
• encadrer des doctorants et étudiants de tous les niveaux, et participer à l’apprentissage par projets.
Dans le cadre de la nouvelle ENSTA, il (elle) sera amené(e) à participer à la réflexion et à l’évolution de la nouvelle offre de formation, notamment dans le cadre des enseignements bi-campus, avec un engagement dans le développement de pratiques pédagogiques innovantes et coordonnées entre les sites.

Profil du candidat :
L’ENSTA peut accueillir les personnels fonctionnaires en détachement, en particulier les Maîtres de Conférences et les Professeurs de l’université ou les Chargés et les Directeurs de Recherche des organismes de recherche (CNRS, INRIA, …). La qualification aux fonctions Professeur des Universités n’est pas requise mais sera appréciée. Un candidat expérimenté avec HDR pourra obtenir le titre de Professeur accordé par la commission d’appellation d’ENSTA. Un salaire attractif sera proposé en adéquation avec le profil.

Formation et compétences requises :
La personne candidate, titulaire d’une thèse de doctorat, devra justifier :
• d’une expérience en recherche et enseignement en adéquation avec les besoins exprimés ;
• de publications scientifiques dans des revues ou conférences de haut niveau et en lien avec la thématique mentionnée ;
• d’une capacité à travailler en équipe tant pour l’enseignement que pour la recherche ;
• de qualités pédagogiques ;
• de pouvoir prendre des responsabilités et notamment de pouvoir piloter/coordonner un parcours d’enseignement.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-sur-une-chaire-dexcellence-hiparis-cluster-2030-grands-modeles-pour-la-robotique

Adresse d’emploi :
ENSTA Campus de Paris Saclay, 828, boulevard des maréchaux, 91762 Palaiseau Cedex

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

Laboratoire/Entreprise : Paris Brain Institute – Institut du Cerveau
Durée : 5 years
Contact : center.ai.datascience@icm-institute.org
Date limite de publication : 2026-04-27

Contexte :
The Paris Brain Institute (Institut du Cerveau) is an internationally renowned institute dedicated to advancing understanding of the brain and improving brain health across the whole spectrum of neurological and psychiatric disorders. It is located on the campus of the Pitié-Salpêtrière hospital, in downtown Paris, the largest hospital in Europe for brain disorders. The Paris Brain Institute is supported by a private not-for-profit foundation working in synergy with French public bodies, and affiliated with Sorbonne Université, CNRS and Inserm. It also has two joint research teams with Inria

The Paris Brain Institute has recently launched an ambitious center for AI and data science, currently gathering about 100 people with the objective of scaling up to 150. The aim of the Center is to make the Paris Brain Institute an international hub in AI and data science for neuroscience, resulting in disruptive methodological advances and in major breakthroughs in understanding, preventing and treating brain disorders. The AI Center is housed in a modern building, a 5-minute walk from the main building.

Sujet :
The Paris Brain Institute (https://parisbraininstitute.org/) seeks to recruit Junior Group Leaders in the fields of AI, data science and computational sciences to address key challenges in brain health and neuroscience.

Areas of interest include, but are not limited to:
AI and data science for omics data
AI for drug discovery and repositioning
Computational modelling and AI for cognitive science
Data science approaches for epidemiology
Integration of multimodal data
“NeuroAI” research at the interface of AI and neuroscience
Validation and benchmarking of AI systems

The Junior Group Leader will be recruited for five years, as a principal investigator, with a competitive salary. They will be awarded an attractive start-up package for kick-starting their group.

For more details, please refer to the call content and application platform: https://institut-du-cerveau.wiin.io/en/applications/call-for-juniorgroupleaders

Application deadline: April 26th, 2026, 23h59 CET

Approximate schedule
End of May 2026 – First shortlisting and notification of potential interview date
Early July 2026 – On-site interviews at the Paris Brain Institute (Paris, France)
July 2026 – Notification of result
From October 2026 – Start of the position (starting date is negotiable)

Profil du candidat :
The following are not requirements, but we are typically looking for applicants with:
– Proven excellence in scientific research, demonstrated by publications in international, peer-reviewed journals and/or conferences
– Track record of innovative research in the design and/or use of AI, data science and/or computational approaches
– Strong motivation to pursue a research program addressing new challenges in AI, data science and/or computational science to advance neuroscience and brain health
– Collaborative mindset and eagerness to leverage synergies within the Paris Brain Institute and its network
– Not more than 7 years of academic age (“Academic age” is the number of years after the date of the PhD defense, from which can be deducted durations related to matters such as maternity, paternity, or parental leave, illness, national service, clinical activities etc. Please refer to the application template for specific details.)

Formation et compétences requises :
Requirements
To be eligible, the applicant must:
– Hold a PhD or equivalent doctoral degree
– Have an international dimension, namely the applicant should meet one of the two following conditions: i) has obtained their PhD outside France OR ii) has spent at least 18 months outside France after their PhD when the call opens

Adresse d’emploi :
47 boulevard de l’hopital, 75013 Paris, France

Document attaché : 202602191551_FINAL – A1 – Call for junior group leaders in AI and data science.pdf

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

Laboratoire/Entreprise : Nantes Université
Durée : permanent
Contact : christine.sinoquet@univ-nantes.fr
Date limite de publication : 2026-04-27

Contexte :
Un poste de Maître de Conférences (section 27) est ouvert au recrutement à Nantes Université – Polytech Nantes – Département Informatique, avec un rattachement en recherche possible auprès de l’équipe DUKe du LS2N (Laboratoire des Sciences du Numérique de Nantes).

Sujet :
———————

Profil du candidat :
Pour le rattachement recherche à l’équipe DUKe, deux profils sont possibles, couvrant les spectres suivants :

– Premier profil :

+ Intelligence artificielle axée sur l’apprentissage automatique, garantissant simultanément l’équité, l’explicabilité et la confidentialité

+ Anonymisation des données

– Deuxième profil :

+ Apprentissage automatique fondé sur les graphes, les réseaux de neurones profonds sur graphes (GNN) et la fouille de données

+ Exploitation de structures graphiques pour modéliser des données complexes (temporelles, multimodales, irrégulières), construire des ontologies et recommander des ressources

+ Modèles graphiques probabilistes

+ Modélisation des processus, notamment en santé

Formation et compétences requises :
Les profils complets sont disponibles dans le fichier joint.

Adresse d’emploi :
POLYTECH Nantes pour l’enseignement
L’un des sites du LS2N, à Nantes, pour la recherche.

Document attaché : 202602081226_POLYTECH_INFO_LS2N_concours_MC_1898.pdf

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

Laboratoire/Entreprise : LIASD (Université Paris 8)
Durée : Permanent
Contact : nicolas.jouandeau@univ-paris8.fr
Date limite de publication : 2026-04-27

Contexte :

Sujet :
Enseignement : La personne recrutée enseignera en Licence informatique, pour répondre à la nécessité récurrente de renforcement de son équipe pédagogique face à l’augmentation de l’effectif étudiant. Cette personne interviendra dans des enseignements de la majeure informatique et la mineure conception et programmation de jeux vidéo, prioritairement dans des cours d’algorithmique, d’intelligence artificielle, et de programmation.

Recherche : La personne recrutée renforcera l’équipe PASTIS du LIASD dans l’un des domaines suivants : intelligence artificielle, jeux, langues naturelles, logiques non classiques, modélisation de la croyance, informatique graphique, privacy, systèmes dynamiques symboliques, combinatoire.
Une attention particulière sera portée aux candidatures issues de la communauté IA des jeux, mais toute candidature liée aux domaines de recherche de l’équipe PASTIS sera étudiée avec intérêt.

Profil du candidat :

Formation et compétences requises :
+ d’info/profil du poste >>> https://informatique.up8.edu/actu/2025-2026.html#2026-01-05_13-12

Adresse d’emploi :
Adresse d’emploi :
Université Paris 8
2 Rue de la liberté
93526 Saint Denis

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

Laboratoire/Entreprise : Université de Technologie de Troyes
Durée : 4 ans (2+2)
Contact : malika.kharouf@utt.fr
Date limite de publication : 2026-04-29

Contexte :
L’expert (F/H) en Intelligence Artificielle sera intégrée à la Direction de la Formation et de la Pédagogie (DFP) de
l’Université de Technologie de Troyes (UTT). Dans le cadre du Cluster IA Hi!Paris, financé par France 2030, elle fera
partie d’une équipe projet impliquant la formation initiale, la formation continue, la coopérative pédagogique (le centre
d’innovation pédagogique de l’UTT) et aura pour missions principales :
1. Le soutien actif à la création et la mise à jour des contenus pédagogiques dédiés au Bachelor en Intelligence
Artificielle.
2. L’apport de son expertise technique et scientifique aux équipes enseignantes, de la DFP et de la Coop afin
d’assurer la qualité, la pertinence et l’innovation des contenus proposés.
3. Assurer un volume annuel de 100 heures équivalent Travaux Dirigés (TD)
4. Contribuer aux comptes rendus, rapports d’activité et constitution de pièces justificatives demandées par le
financeur.

Sujet :
Activités principales :
• Identifier les besoins spécifiques en formation IA.
• Adapter les contenus pédagogiques à différents publics (débutants, confirmés, professionnels).
• Assister les équipes pédagogiques dans l’intégration des dernières avancées technologiques et scientifiques en IA.
• Organiser des sessions de formation interne et/ou d’accompagnement pédagogique.
• Dispenser des enseignements de l’IA comprenant cours magistraux, travaux dirigés, travaux pratiques et projets.
• Évaluer les compétences acquises par les étudiants.
• Participer aux jurys d’examen et à la coordination pédagogique du Bachelor.• Garantir la pertinence, l’actualité et l’évolutivité des ressources pédagogiques en fonction des avancées du
domaine
• Contribuer à la démarche qualité des formations : recueil des retours d’expérience, évaluation des apprentissages,
ajustements continus
• Soutenir, ponctuellement, les activités de la DFP

Profil du candidat :
• Connaissances approfondies des fondements théoriques et techniques de l’Intelligence Artificielle (machine
learning, deep learning, NLP, vision artificielle, systèmes experts, apprentissage par renforcement, éthique de l’IA,
optimisation algorithmique, statistiques avancées).
• Connaissances générales des principaux outils et plateformes utilisés en IA (TensorFlow, PyTorch, scikit-learn, Keras,
etc.).
• Capacité à créer, adapter et mettre à jour des contenus pédagogiques innovants adaptés à différents formats
(présentiel, distanciel, hybride).
• Mise en œuvre de cas réels ou simulés d’utilisation de l’IA lors de projets ou de TP.
• Maîtrise des outils technologiques et pédagogiques liés à l’IA.
• Aptitude à évaluer efficacement les compétences des étudiants.
• Rédiger des documents pédagogiques, rapports d’activités, bilans et supports de communication

Formation et compétences requises :

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

Document attaché : 202509111211_F_H Ingénieur_Expert_IA.pdf

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

Laboratoire/Entreprise : Télécom Paris – LTCI
Durée : CDI
Contact : sebastien.canard@telecom-paris.fr
Date limite de publication : 2026-04-30

Contexte :
Télécom Paris, centre international pluridisciplinaire de formation, recherche et innovation, est une référence dans le monde du numérique.
Dans un contexte fortement d’actualité, où l’essor simultané de l’intelligence artificielle (IA) et de la cybersécurité transforme profondément les systèmes numériques et crée un besoin croissant d’expertise à leur interface. L’IA est aujourd’hui à la fois un outil, une cible, une menace, et un levier de protection.
C’est pourquoi le département Informatique et Réseaux (INFRES) et plus particulièrement l’équipe Cybersécurité et Cryptographie (C2) a besoin de se renforcer grâce au recrutement d’un ou une maître.sse de conférence en IA et cybersécurité, capable de travailler dans ce domaine avec les nombreuses équipes de l’École telles que Systèmes embarqués critiques autonomes (ACES), Données, Intelligence et Graphes (DIG) à INFRES ou également Statistique, Signal et Apprentissage (S2A) à IDS, mais aussi avec d’autres équipes de l’Institut Polytechnique de Paris à l’École Polytechnique ou à Télécom SudParis. Ce recrutement vise à renforcer la formation et la recherche sur ces enjeux émergents, en intégrant des compétences transversales allant des techniques d’apprentissage automatique à la sécurité des systèmes et des données.

Sujet :
Les expertises attendues couvrent un spectre large mais cohérent situé au cœur des interactions entre intelligence artificielle et cybersécurité :
– la compréhension et la modélisation des attaques exploitant l’IA (techniques d’apprentissage génératif : phishing avancé, reconnaissance de vulnérabilités, génération de trafic ou de charges malveillantes)
– la conception et l’évaluation de méthodes d’IA pour la détection d’intrusions, l’analyse comportementale, la corrélation d’événements massifs, la détection d’anomalies, la classification de malwares, le traitement de flux distribués (edge computing, apprentissage fédéré)
– la sécurité intrinsèque de l’IA, notamment la robustesse des modèles (défense contre-attaques adversariales, résistance aux manipulations et aux corruptions de données), la protection des données utilisées pour l’entraînement ou l’inférence (confidentialité, anonymisation, préservation de la vie privée, techniques cryptographiques ou fédérées), la traçabilité et la confiance dans les modèles (certification, explicabilité, auditabilité), ainsi que la sécurité des chaînes d’apprentissage et des environnements d’exécution.

Profil du candidat :
Vos missions seront donc celles-ci :
– Recherche : les candidats et candidates pourront se positionner sur une ou plusieurs de ces dimensions, et une attention particulière sera portée à la capacité à articuler l’IA et la cybersécurité, avec des contributions théoriques, méthodologiques ou expérimentales permettant d’éclairer et de renforcer la sûreté, la robustesse et la résilience des systèmes numériques contemporains. Le poste s’adresse à la fois à des chercheurs et chercheuses en IA disposant d’une forte appétence pour la cybersécurité, et à des profils présentant une double compétence IA–cybersécurité, capables de contribuer au développement de travaux académiques de haut niveau dans ce domaine en pleine structuration.
– Enseignement : la future personne pourrait être amenée à intervenir dans les enseignements fondamentaux (algorithmique, structures de données, probabilités, statistiques, optimisation, programmation, réseaux, systèmes) qui constituent la base indispensable à la maîtrise des approches modernes en IA et en sécurité numérique. Parallèlement, l’ouverture récente d’un parcours dédié à l’IA et à la cybersécurité crée un besoin important d’expertise pédagogique sur l’apprentissage automatique, sécurité des réseaux et des systèmes, détection d’intrusions, sécurité et robustesse des modèles, protection des données, cryptographie appliquée, etc. Le ou la candidat·e recruté·e aura ainsi un rôle structurant dans la coordination et l’articulation des enseignements du domaine, en participant à la conception de nouveaux modules, en veillant à l’intégration harmonieuse des compétences IA et cybersécurité dans les cursus.
– Animation et participation à la notoriété de l’école et de l’institut Polytechnique de Paris : la personne participera à des séminaires, soutenances, etc, et développera des relations étroites avec les institutions académiques, les centres de recherche et les entreprises.

Formation et compétences requises :
Pour réussir dans ce rôle, vous devrez également disposer d’un doctorat et maîtriser l’anglais.

Adresse d’emploi :
Pour candidater : https://institutminestelecom.recruitee.com/o/enseignante-chercheuse-ou-enseignant-chercheur-en-ia-et-cybersecurite

Télécom Paris
19 place Marguerite Perey
91120 Palaiseau

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

Laboratoire/Entreprise : LISTIC / Polytech Annecy Chambéry
Durée : cdi
Contact : flavien.vernier@univ-smb.fr
Date limite de publication : 2026-05-22

Contexte :
MCF 27 – Informatique

E : Informatique, IA symbolique, Big Data, DevOps, Maths discrètes.
R : Apprentissage automatique, Hybridation, Frugalité.

E : Computer science, Symbolic AI, Big Data, DevOps, Discrete Mathematics
R : Machine Learning, Hybrid IA, Frugality

Poste Vacant

Sujet :
La personne recrutée interviendra dans des cours de base de l’informatique (programmation, algorithmique,
base de données) et prendra en charge des cours de la spécialité Informatique, Données, Usages (IDU) soit
dans le domaine du DevOps (git, linter, qualité, IC…), soit dans le domaine des mathématiques discrètes et
de l’IA symbolique.
La personne recrutée s’intégrera à l’équipe pédagogique et participera aux APP (apprentissages par projets)
IDU en qualité d’expert pour assister et former les étudiants, et en qualité de client en proposant des sujets
pédagogiques.
L’enseignement s’effectuera à Polytech Annecy-Chambéry, principalement sur le site d’Annecy avec des
déplacements ponctuels sur le site du Bourget.
La personne recrutée pourra être amenée à dispenser des cours en anglais en dernière année de la spécialité
IDU et devra intégrer les enjeux du DDRS au sein de ses enseignements.
Contact : Flavien Vernier – Responsable de la spécialité IDU – resp-idu-polytech@univ-smb.fr

L’activité de recherche de la personne recrutée s’inscrira dans l’un des deux thèmes du LISTIC : le thème
AFuTé (Apprentissage, Fusion et Télédétection) ou le thème ReGaRD (Représentation, Gestion et tRaitement
des Données pour l’humain). Le thème AFuTé développe des approches méthodologiques en apprentissage
automatique, traitement du signal, fusion de données et télédétection. Le thème ReGaRD est spécialisé en
traitement des données humaines, aide à la décision, systèmes distribués, réseau et sécurité. Pour ce poste,
des profils orientés vers le développement de modèles d’apprentissage automatique hybride seront privilégiés.
Ces modèles se distinguent des pipelines classiques car ils prennent en compte une information a priori qui
peut venir soit d’informations physiques (réseaux PINNS par exemple), de la structure d’algorithmes
d’optimisation (réseaux unrolled ou PnP) ou provenant d’une connaissance experte. Le développement de ce
type de modèles a pour but d’avoir une grande robustesse et une meilleure frugalité. La personne recrutée
devra s’impliquer à court terme dans la recherche de financements.
Contact : Sébastien Monnet et Guillaume Ginolhac – Direction du LISTIC – recrutement.listic@univ-smb.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Polytech Annecy Chambéry
Annecy – 74000

Document attaché : 202602051025_2026_44mcf27_pac_listic_short.pdf

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

Laboratoire/Entreprise : IRISA-UBS
Durée : 18 mois
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2026-05-31

Contexte :

Sujet :
For more information: https://www-obelix.irisa.fr/files/2026/02/2026_Postdoc_Axolotl.pdf

Profil du candidat :
PhD in Computer Science or related domain with experience and strong publications in image processing, computer vision and applied machine learning

Formation et compétences requises :

Adresse d’emploi :
IRISA-UBS, Vannes 56000, France

Document attaché : 202602050217_2026_Postdoc_Axolotl.pdf

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

Laboratoire/Entreprise : VERIMAG / Grenoble INP-Ensimag, UGA
Durée : poste permanent
Contact : david.monniaux@univ-grenoble-alpes.fr
Date limite de publication : 2026-06-01

Contexte :

Sujet :
Un poste de Professeur⋅e des Universités va être ouvert en section 27
au laboratoire VERIMAG et à Grenoble-INP Ensimag pour la campagne
synchronisée 2026.

Contacts :
– David Monniaux pour la
recherche ;
– Christophe Picard et Emmanuel
Maître pour l’enseignement.

Profil du candidat :
Le profil recherche de ce poste est à l’intersection entre
l’intelligence artificielle et les sciences du logiciel et les méthodes
formelles. Parmi les thématiques possibles, on pourra citer :

* l’apprentissage automatique de confiance
* l’apprentissage automatique explicable
* le monitoring de systèmes issus de l’apprentissage automatique
* la vérification de propriétés sur des systèmes issus de
l’apprentissage automatique
* l’apprentissage automatique de lois de commandes
* l’utilisation de l’apprentissage automatique pour le développement de
logiciels vérifiés
* l’utilisation de l’apprentissage automatique pour la preuve
automatisée de théorèmes
* recherche de vulnérabilités de sécurité aidée par l’apprentissage
automatique
* sûreté et sécurité des modèles de langage

Cette liste n’est pas exhaustive et toute proposition de thème connexe
en lien avec les domaines de recherche du laboratoire pourra être
considérée.

Côté enseignement, outre les enseignements d’informatique traditionnels
de cycle ingénieur (en algorithmique et programmation notamment), il
est attendu de la personne recrutée qu’elle s’investisse en particulier
dans l’enseignement et l’animation des parcours autour de
l’intelligence artificielle, à la fois en cycle ingénieur et en master,
en développant également des enseignements autour des enjeux
socio-environnementaux de l’IA et de l’explicabilité.

Formation et compétences requises :

Adresse d’emploi :
Ensimag
681 rue de la Passerelle
38400 Saint Martin d’Hères

Laboratoire VERIMAG
150 place du Torrent
38400 Saint MArtin d’Hères

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

Laboratoire/Entreprise : INSA Strasbourg / Laboratoire ICube
Durée : 36 mois
Contact : franco.giustozzi@insa-strasbourg.fr
Date limite de publication : 2026-03-06

Contexte :
Industrial parks are major contributors to global energy consumption and CO2 emissions due to their high demand, heterogeneous energy users, and complex energy flows. Improving energy efficiency in these environments is therefore a key lever for achieving climate targets, reducing operational costs, and strengthening regional competitiveness, particularly in industrially dense regions such as the Upper Rhine area. Despite their importance, conventional energy management systems are typically designed as isolated solutions. They lack the capability to address large-scale challenges such as decentralized energy optimization, integration of renewable energy sources (e.g. photovoltaic systems, waste heat recovery), and coordinated load balancing across multiple stakeholders. While collaborative energy platforms offer significant potential, their real-world deployment is constrained by strict requirements regarding data security and privacy, scalability, and adaptability to changing industrial infrastructures.
The FLEX-E project1 addresses these challenges by introducing a collaborative energy optimization framework based on Federated Learning (FL). FL is a decentralized machine learning paradigm in which local entities—such as buildings, energy producers, or consumers—train models locally and share only abstracted model parameters rather than raw data. This approach enables cross-organizational learning while preserving data sovereignty, ensuring privacy, and supporting scalable deployment. In FLEX-E, this federated approach is combined with energy flow modeling based on digital twins and validation in real and planned industrial park testbeds of varying sizes. The project thus provides a unique foundation for advanced research into secure, data-driven, and collaborative energy management systems for industrial environments.

Sujet :
The increasing electrification of industry, coupled with the integration of renewable energy sources and flexible loads, has significantly increased the complexity of energy management in industrial parks. These environments are characterized by heterogeneous assets, distributed ownership, and strict requirements regarding data privacy and operational confidentiality. Traditional centralized energy management systems struggle to scale under these constraints and often fail to fully exploit collaborative optimization potentials.
This PhD project aims to advance the state of the art by developing an explainable and hybrid federated learning framework for energy optimization in industrial parks, building upon the FLEX-E project. The proposed approach combines data-driven federated learning with expert knowledge, including physics-based energy models, digital twins and knowledge graphs, to improve robustness, generalization, and trustworthiness of AI-based energy management systems.
[Full description in the attached file.]

Profil du candidat :
We are looking for a highly motivated PhD candidate with a Master (or engineer) degree (Bac+5 level) with a strong background in computer science or data science or energy systems, or a closely related field.

Formation et compétences requises :
Experience with Python and common ML frameworks (e.g. PyTorch, TensorFlow) is expected. A background or demonstrated interest in energy systems, smart grids, or industrial energy management is highly desirable. Familiarity with physical modeling, optimization, or digital twins is an advantage. Interest in explainable AI, hybrid modeling, or knowledge graphs is a plus.

Adresse d’emploi :
INSA Strasbourg.
24 Bd de la Victoire, 67000 Strasbourg.

Document attaché : 202602171120_Thesis_proposal_FLEX_E.pdf

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

Laboratoire/Entreprise : IGN/CNAM/ONERA
Durée : 36 mois
Contact : nicolas.audebert@ign.fr
Date limite de publication : 2026-03-23

Contexte :
https://recrutement.cnes.fr/fr/annonce/4195913-26-252-dense-detection-of-rare-events-in-remote-sensing-using-generative-models-75003-paris

Sujet :
L’objectif principal de la thèse est de développer de nouvelles méthodologies pour la détection dense d’événements rares dans des images de télédétection multimodales, incluant des données optiques, radar (SAR) et d’autres sources multimodales. En particulier, ce travail ciblera les capteurs Sentinel-1/2, SPOT-6/7, Pléiades/Neo afin de combiner plusieurs modalités, résolutions et fréquences de revisite, pour localiser des anomalies géographiques provoquées par événements exceptionnels, comme des catastrophes naturelles.

Cette thèse s’inscrit dans la thématique large de la détection de changement en télédétection multimodale. La méthode ne demande pas de cibler un type d’anomalies particulier. Les anomalies détectées pourraient être des inondations, des feux de forêt, des avalanches, de la fonte de la neige… De nombreux jeux de données sont déjà existants : tel que xView², Burn Scars HLS, SEN12Flood, ainsi qu’un jeu de données de détection de la fonte de neige préparée à l’ONERA.

L’approche proposée s’appuie sur l’état de l’art en apprentissage faiblement supervisé, notamment à l’aide de modèles génératifs. En effet, ces modèles apprendre la distribution des images de façon non supervisée et permettent d’obtenir des scores de vraisemblance, qui peuvent être transformées en scores d’anomalies. Cependant, lorsque seule une partie de l’image est anormale, les scores obtenus à l’échelle de l’image peuvent ne pas refléter cette anomalie, surtout si la zone anormale contient peu de pixels. Ceci nécessite la mise en place de détection d’anomalie à l’échelle du pixel et non plus à l’échelle de l’image. De plus, les anomalies que l’on cherche à détecter en télédétection ne sont pas « hors distribution » de façon générale, mais le sont conditionnellement à un lieu, un instant d’acquisition et un capteur. Enfin, la thèse se place dans un contexte multimodal, où plusieurs types d’imagerie peuvent être utilisés : aérien, SPOT-6/7, Pléiades et Pléiades Neo, Sentinel-2, voire Sentinel-1. Il est donc nécessaire de conditionner les méthodes génératives au type d’imagerie qui permettent de contenir l’information commune sous-jacente (l’information sémantique sur les objets à la surface de la Terre) et de détecter les anomalies, quel que soit le capteur.

1. Dans un premier temps, on suppose que l’on sait qu’un évènement rare est dans une image et on applique des méthodes de détection de zone d’intérêt non supervisées ou supervisées par le langage pour le localiser. Cette étape permet d’évaluer quelle méthode de détection de zone d’intérêt serait la plus pertinente pour les évènements rares que l’on cherche à détecter.
2. Dans un deuxième temps on cherche à modifier les détecteurs d’évènements rares par modèle génératif en s’appuyant sur la méthode sélectionnée à l’étape 1 pour un détecter d’évènement par des modèles génératifs au sein d’une image. De plus, cette étape nécessite l’étude de conditionnement spatial et temporel des méthodes génératives en télédétection pour améliorer l’estimation de la vraisemblance.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IGN – Géodata Paris, 6-8 avenue Blaise Pascal, 77420 Noisy-Champs

Cnam, 2 rue Conté 75003 Paris

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

Laboratoire/Entreprise : Criteo AI Lab Paris
Durée : 36 mois
Contact : p.gallinari@criteo.com
Date limite de publication : 2026-03-31

Contexte :
As part of its ongoing transformation into an agentic-ready platform, Criteo is spearheading the integration of agentic AI across its full portfolio. These systems are already being deployed to automate internal operations, assist clients in the management and optimization of advertising campaigns, and to power personal shopping agents—autonomous assistants that act on behalf of end-users. These agents must reason, remember, and act autonomously in environments characterized by uncertainty, variability, and scale.
To fulfill this vision, one of the most pressing challenges is adaptability. Our agents must function across an extremely heterogeneous client base — each with unique product catalogs, optimization targets, and interface constraints while interacting with users and inferring their intents.

Sujet :
The objective of the PhD is to explore adaptation strategies to multiple and heterogeneous environments and user segments for an agentic system. In our setting these environments might correspond to different partners characterized by their own catalog, objective and strategy while user segments refer to user preferences or needs. We will restrict our scope to language-only agents and emphasize practical assistant scenarios.

In most scenarios, adaptation to new environments and to user intents shall leverage simple and computationally costless strategies, while being able to adapt for scarce data contexts available for these new settings. Adaptation places a significant demand on the system’s memory, which must be more than a static repository of facts. It must be an adaptive memory system, capable of restructuring and reprioritizing information as the user’s context evolves. Therefore, self-adaptation is intrinsically linked to memory management. The goal is to endow the agent with the ability to learn how to manage its own memory in response to a changing environment and user. The PhD will start to investigate different memory strategies and their potential for handling adaptation to new environments and to user interaction. We will explore mechanisms for the agent to develop learned policies for memory operations. Key research questions include:

• Learned Retention and Forgetting: How can an agent learn what information is critical to retain versus what is obsolete and should be forgotten or archived?

• Adaptive Retrieval Strategies: Can an agent learn the most effective way to query its memory? We will explore how the system can dynamically choose between different retrieval methods (e.g., vector-based RAG, evolving LLM context), based on the task.

• Automated Memory Summarization: How can the system “reflect” on its interaction history to create higher-level insights?
We will investigate techniques for the agent to periodically summarize streams of memories into more abstract knowledge (e.g., consolidating multiple shopping interactions into a persistent preference like “user prefers sustainable brands”).

Adaptation mechanism shall also be an element contributing to the planning mechanism of the agent: how can an agent make decisions when the goal is weakly defined, the feedback is sparse, and the environment varies by client? This is particularly relevant in domains like travel planning or multi-product recommendations, where a “one-size-fits-all” approach is neither feasible nor desirable. To complement memory-based methods, off-line reinforcement learning strategies could be considered.

Profil du candidat :
We are looking for a motivated researcher with a strong foundation in machine learning, natural language processing, applied maths. Familiarity with large language models, transformers, reinforcement learning, or continual learning will be considered a strong asset. Above all, we are seeking someone who is excited by the challenge of bringing intelligent agents to life in practical, high-impact applications.

Formation et compétences requises :
Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning.

Adresse d’emploi :
Criteo AI Lab Paris

Document attaché : 202510021236_2025-10-Criteo-PhD proposal-Agents-LLMs.pdf

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

Laboratoire/Entreprise : INRAE and other 11 EU universities
Durée : 36 months
Contact : sandro.bimonte@inrae.fr
Date limite de publication : 2026-04-15

Contexte :
Call for PhD Applications
14 Prestigious Marie Skłodowska-Curie Actions
Double Degree Doctorate Fellowships

GreenFieldData : IoRT Data Management and Analysis for Sustainable Agriculture Project
3-year contract starting September/October 2026

*****
https://www.eu4greenfielddata.eu/
*****

***Are you an aspiring researcher ready to drive the digital and green transition in agriculture?
The GreenFieldData project offers an outstanding opportunity to pursue a PhD within a high-calibre international and interdisciplinary network, funded under the prestigious Marie Skłodowska-Curie Actions (MSCA) Doctoral Networks (Grant agreement ID: 101226371).

***Why join us ?
Pillar of Excellence: A High-Level MSCA Joint Doctorate
The “IoRT Data management and analysis for Sustainable Agriculture” (GreenFieldData) project is an initiative of Pillar 1 (Excellence) of Horizon Europe. This ambitious network unites 12 leading academic beneficiaries across 7 EU countries, supported by 24 associated non-academic and academic partners.
By joining this network, you will become part of a highly integrated, inter-sectoral, and international (triple ‘i’) training environment. Our common goal is to train a new generation of researchers who can provide robust and human-centric solutions to the challenges posed by climate change and socio-economic constraints.

***Exceptional Financial Support for Your PhD
The MSCA Joint Doctorate provides a highly competitive and financially attractive employment package for the entire 36-month duration of the PhD contract:
Generous Living Allowance: A monthly gross salary contribution
Mobility Allowance: An additional monthly contribution to cover private mobility-related costs (e.g., relocation, travel)
Family Allowance: A monthly allowance is also provided, if applicable (researchers with family obligations)

***Double Degree, High-Level Training, and Employability
All 14 Doctoral Candidates will be enrolled in Double Degree Doctorate programmes, guaranteeing joint supervision from at least two prominent international universities, with secondments in industrial partners
The project offers a high-level doctoral training programme, providing a unique toolbox of cutting-edge knowledge and transferable skills essential for maximizing your future employability within research, digital technologies, and agricultural sectors.

Sujet :
***14 Cutting-Edge Research Topics on IoRT and Sustainable Agriculture
Your research will focus on the convergence of advanced data science and IoRT (Internet of Robotic Things) to foster Sustainable Agriculture and define efficient low input practices. We are seeking bright minds to tackle advanced topics such as Advanced Database Management Systems, AI, Edge-Fog-Cloud Architectures, and Data Analysis applied to real-world agricultural challenges.

We are recruiting for the following 14 PhD Positions (3-year contract starting September/October 2026):

Position A
Optimized IoRT network for enhanced data quality of IoRT cereals production practices.
Aarhus University (DK) & Clermont Auvergne University (FR)

Position B
Data collection and analysis empowered with AI for robotized Olive Oil Precision Farming.
University College Dublin (IE) & Instituto Superior Técnico (PT)

Position C
Powering data-driven sustainability assessment tasks in agri-food systems with IoT-data Datlakes and Large Language Models.
Aarhus University (DK) & Université Libre Bruxelles (BE)

Position D
Human-centric Digital twins for monitoring robotized biostimulants application practices.
University Milan (IT) & Université Libre Bruxelles (BE)

Position E
Optimizing Images Quality and Deep Learning Methods for Vineyard Disease Detection.
University Padova (IT) & Poznan University of Technology (PL)

Position F
Optimized Olive crop irrigation based on high quality soil data using IoRT networks.
Instituto Superior Técnico (PT) & University Toulouse (FR)

Position G
Characterization of abiotic stress of trees using AI methods on acoustic signals.
University College Dublin (IE) & INRAE (FR)

Position H
Monitoring of grazing animals using sensors and data science.
University Liege (BE) & University College Dublin (IE)

Position I
Assessing soil and crop health across sugar-beet producing farms.
Poznan University of Technology (PL) & University Liege (BE)

Position L
Natural language based interaction for robotized biostimulant practices.
CNRS (FR) & University Milan (IT)

Position M
Assessing drought effects on grassland using IoT-enabled visual sensors.
Poznan University of Technology(PL) & INRAE (FR)

Position N
Optimization-simulation coupling for the GHG emission based supervision and planification of a fleet of autonomous agricultural robots.
Aarhus University (DK) & INRAE (FR)

Position O
Adaptive navigation for agricultural robots using database-driven insights.
Université Libre Bruxelles (BE) & INRAE (FR)

Position P
Agricultural AI data integration and management based on LLM.
University Toulouse (FR) & University Padova (IT)

Timeline
Application Open : January 5th 2026
Application Deadline : April 15th 2026
Selection Process : Mai 2026
PhD Start Date : September-October 2026

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
7 EU countries
All information here
https://www.eu4greenfielddata.eu/

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

Laboratoire/Entreprise : LIAS/ENSMA
Durée : 3 ans
Contact : allel.hadjali@ensma.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Voir en attaché la description du sujet.

Profil du candidat :
1. Être titulaire d’un diplôme de niveau Bac +5 en informatique (ou en mathématiques appliquées) avec un intérêt pour la recherche.

2. Posséder une expertise en Machine Learning (une expérience/connaissance sur la gestion de données incertaines ou/et en recherche opérationnelle est un plus).

3. Avoir des compétences analytiques avancées et une capacité à résoudre des problèmes complexes.

4. Posséder une aptitude à communiquer à l’oral et à l’écrit en français et en anglais.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique et d’Automatique pour les Systèmes
Ecole Nationale Supérieure de Mécanique et d’Aérotechnique (Poitiers)
Téléport 2 – 1 Avenue Clément Ader – BP 40109
86961 FUTUROSCOPE CHASSENEUIL Cedex – FRANCE

Document attaché : 202601261037_Sujet_These_Loic-Allel.pdf

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

Laboratoire/Entreprise : IRISA Vannes (équipe OBELIX) et European Commissio
Durée : 36 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Nous proposons trois thèses dans le domaine de la vision par ordinateur appliquée à l’observation de la terre avec des applications en soutien aux politiques européennes. Elles seront conduites au sein de l’équipe OBELIX de l’IRISA à Vannes (Bretagne), en partenariat avec le Centre de Recherche Commun de la Commission Européenne (Ispra, Italie), et le soutien du cluster IA SequoIA. Les thèses se dérouleront en Italie pour 2026 et 2027, et en France pour 2028, 2029.

1) Global multi-task learning for mapping and characterizing human settlements from EO data (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2588)

2) Backcasting anthropogenic infrastructures over a century of historical EO data and maps (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2591)

3) Explainable multimodal AI using geospatial data for rapid estimation of displacement and people in need in crises (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2592)

Attention, des contraintes de nationalité sont imposées pour les trois sujets (plus de détails dans les descriptifs des sujets).

Date limite pour candidature: 15 janvier 2026 pour un démarrage à partir d’avril 2026.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Ispra, Italie en 2026 et 2027
Vannes, France en 208 et 2029

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

Laboratoire/Entreprise : Laboratoire de Génie Informatique et d’Automatique
Durée : 36 mois
Contact : sebastien.ramel@univ-artois.fr
Date limite de publication : 2026-04-30

Contexte :
* TITRE

Quantification de l’incertitude prédictive, fondée sur la théorie de l’évidence, appliquée à l’estimation des traits de vie des poissons à partir d’images d’otolithes 3D

* THEMATIQUE

Intelligence Artificielle, Apprentissage Automatique, Science des Données

* MOTS CLES

Théorie de Dempster-Shafer, Quantification de l’incertitude, Traits de vie, Écosystèmes marins, Otolithe.

* DATE DE DEBUT ET DUREE

Septembre/Octobre 2026, 36 mois

* FINANCEMENT

50% IFSEA / 50% Université d’Artois (demandé)

* LOCALISATION

Les travaux seront menés en collaboration entre le Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A) à Béthune et le Laboratoire d’Informatique Signal et Image de la Côte d’Opale (LISIC) à Calais.

* ENCADREMENT

Directeur : Prof. Frédéric Pichon (frederic.pichon@univ-artois.fr), Université d’Artois, LGI2A
Co-directrice : Prof. Emilie Poisson Caillault (emilie.caillault@univ-littoral.fr), Université du Littoral Côte d’Opale, LISIC
Co-encadrant : Dr. Sébastien Ramel (sebastien.ramel@univ-artois.fr), Université d’Artois, LGI2A

Sujet :
La connaissance des traits de vie des poissons (habitat, âge, croissance, reproduction, longévité, position dans la colonne d’eau…) est un aspect essentiel pour une gestion efficace et durable des stocks de poissons marins. Les pièces calcifiées, et précisément les otolithes qui sont les seules pièces métaboliquement inertes, sont une source d’information précieuse à cette fin. Notamment, leur forme externe, caractérisée historiquement à partir d’images en 2D et plus récemment étudiée en 3D, permet de prédire de façon très précise ces différents traits de vie. Les images 3D, si elles sont plus informatives, sont néanmoins plus coûteuses et récentes et par conséquent moins nombreuses. Il convient donc d’utiliser au mieux cette source d’information riche mais restreinte, afin d’obtenir les prédictions les plus fiables et précises possibles. La théorie de l’évidence, aussi appelée théorie de Dempster-Shafer ou théorie des fonctions de croyance, est une généralisation du cadre probabiliste pour le raisonnement sous incertitudes. Son utilisation dans le cadre de la quantification des incertitudes dans des prédictions est particulièrement indiquée pour le cas où le nombre de données est faible. Ce projet de thèse vise ainsi à développer des méthodes prédictives fondées sur cette théorie et adaptées aux approches actuelles en matière de prédiction des traits de vie des poissons à partir d’images d’otolithes 3D. Étant donné la nature de ce type d’application, au niveau méthodologique, la prédiction de variables ordinales sera au centre du projet.

Plus de détails disponibles ici: https://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-32

Profil du candidat :
La candidate ou le candidat devra être titulaire d’un master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe. Des connaissances en intelligence artificielle (apprentissage automatique) et/ou en traitement de l’image seront un atout, ainsi qu’une sensibilisation aux méthodes de gestion de l’incertitude. Les qualités permettant de mener à terme un programme de doctorat telles que la curiosité, la créativité, l’autonomie, l’esprit critique et l’enthousiasme, seront nécessaires.

Formation et compétences requises :
Master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe.

Adresse d’emploi :
LGI2A – Laboratoire de Génie Informatique et d’Automatique de l’Artois – UR 3926
Faculté des Sciences Appliquées
Technoparc Futura
62400 – BÉTHUNE Cedex
France

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

Laboratoire/Entreprise : ONERA-DEMR, UTT-LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2026-05-02

Contexte :

Sujet :
https://w3.onera.fr/formationparlarecherche/sites/w3.onera.fr.formationparlarecherche/files/phy-demr-2026-05.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
ONERA, site Palaiseau

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

Laboratoire/Entreprise : CEA Cadarache / UTT-LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2026-05-02

Contexte :
Dans le cadre de l’utilisation durable de l’énergie nucléaire pour un mix énergétique décarboné en association avec les énergies renouvelables, les réacteurs de IVe génération à neutrons rapides sont cruciaux pour la fermeture du cycle du combustible et la maîtrise de la ressource en uranium. La maîtrise de la sûreté d’un tel réacteur à caloporteur sodium repose notamment sur la détection précoce de vides gazeux dans les circuits. Dans ces milieux opaques et métalliques, les méthodes d’imagerie optiques sont inopérantes, d’où la nécessité de développer des techniques innovantes.
Cette thèse s’inscrit dans le développement de la tomographie d’impédance électrique (EIT) appliquée aux métaux liquides, une approche non intrusive permettant d’imager la distribution de conductivité dans un écoulement.

Les réseaux neuronaux informés par la physique (PINN, pour Physical informed neural network) sont récemment apparus comme une technique d’apprentissage automatique prometteuse pour résoudre les équations différentielles partielles (EDP) en intégrant directement les lois physiques dans la fonction de perte. Ils ont déjà démontré leur potentiel dans la résolution de problèmes inverses pour de nombreuses applications. Il est possible de définir une fonction de perte intégrant uniquement les équations physiques mais aussi d’intégrer, en plus de la physique, des données (simulées, expérimentales ou réelles), sans donc faire de l’apprentissage purement guidé par les données (dit data-driven) comme avec des réseaux de neurones convolutionnels classiques.
Si les PINN ont déjà été utilisés en inversion, il existe cependant très peu de publications qui traitent de la résolution du problème inverse en tomographie d’impédance électrique. Ces dernières sont de plus très récentes et se limitent généralement à des géométries de reconstruction relativement simples et elles peuvent reposer sur des hypothèses assez restrictives pour des scénarios réels.
Ainsi différentes contributions pourront émerger de ce travail à la fois méthodologique sur les PINN mais aussi applicatives par l’exploitation de données expérimentales.

Sujet :
L’objectif de cette thèse est de développer un système complet de tomographie de résistivité électrique pour la détection et la cartographie en temps réel des écoulements diphasiques métal liquide/argon en vue de l’appliquer à des écoulements de circuits de Génération IV.

Des approches d’intelligence artificielle, notamment les réseaux neuronaux informés par la physique, seront explorées pour combiner apprentissage numérique et contraintes physiques. Elles seront comparées à l’utilisation de simulations numériques. L’objectif est d’établir des modèles physiques adaptés au contexte et de concevoir des méthodes d’inversion robustes vis-à-vis des bruits de mesure.

Le sujet s’articulera autour de quatre axes :
1. Lois physiques et modélisation (électromagnétique et hydrodynamique) des signaux de tomographie dans le sodium.
2. La reconstruction d’image à partir des mesures de conductivité, en 2D et en 3D spatial, avec tensions sinusoïdales. On se tournera pour cela vers des méthodes de Machine-Learning.
3. Développement expérimental : mesures avec du galinstan (de conductivité proche de celle su sodium liquide).
4. Amélioration de la reconstruction tomographique en présence de bruit de défauts des capteurs et de perturbations de fond.

Profil du candidat :
Etudiant(e) de niveau master ou ingénieur ayant suivi une formation en mathématique appliquée, en apprentissage machine (deep learning) ou en physique (électromagnétisme). Il est nécessaire de maîtriser Python et de connaître si possible PyTorch.
Le travail attendu nécessite rigueur, autonomie et un intérêt pour les sujets à la frontière de plusieurs disciplines.

Formation et compétences requises :

Adresse d’emploi :
CEA Cadarache

Contacts :
– Encadrant CEA : michel.frederic@cea.fr
– Directeur de thèse : alexandre.baussard@utt.fr

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

Laboratoire/Entreprise : IRISA-UBS
Durée : 3 ans
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2026-05-31

Contexte :

Sujet :
For more information, please visit: https://www-obelix.irisa.fr/files/2026/02/2026_PhD_Dreams.pdf

Profil du candidat :
MSc or Engineering degree with excellent academic track and proven research experience in one of the following fields: computer science, applied maths, signal and image processing;

Formation et compétences requises :

Adresse d’emploi :
IRISA-UBS, Vannes, 56000

Document attaché : 202602050215_2026_PhD_Dreams.pdf

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

Laboratoire/Entreprise : LITIS-INSA Rouen
Durée : 3 ans
Contact : aomar.osmani@insa-rouen.fr
Date limite de publication : 2026-09-01

Contexte :
Thèse financée dans le cadre des allocations de recherche état/région.

Sujet :
Meta-Learning and Artificial General Intelligence for a
Computational Theory of Assistance to Human Learning

Profil du candidat :
Nous recherchons un(e) candidat(e) issu(e) d’un M2 ou diplôme d’ingénieur en informatique, data science, IA ou sciences cognitives computationnelles, en mathématiques avec une forte appétence pour
la recherche.

Compétences souhaitées :
— bases solides en ML/DL ;
— intérêt pour les sciences cognitives, les sciences de l’éducation, ou l’optimisation ;
— goût pour la modélisation mathématique et pour la modélisation et la programmation ;

— des connaissances en méta-apprentissage, RL, modèles séquentiels (RNN/Transformers) consti-
tuent un plus.

Environnement :
— Projet pluridisciplinaire (IA, sciences cognitives, ingénierie pédagogique) à fort impact sociétal ;
— ressources de calcul et données pour des expérimentations à grande échelle ;
— valorisation attendue dans des conférences internationales (NeurIPS, ICLR, AIED, etc.).

Formation et compétences requises :
ML/DL, programmation (Python), expérience PyTorch/TensorFlow appréciée ;

intérêt pour éducation/cognition ; méta-learning/RL/modèles séquentiels

Adresse d’emploi :
INSA de Rouen
685 Avenue de l’Université 76800 Saint-Etienne-du-Rouvray

Document attaché : 202602171414_sujetAnglais(1).pdf

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

Laboratoire/Entreprise : Intelligence Artificielle et Sémantique des Donnée
Durée : 5 – 6 mois
Contact : t.mecharnia@iut.univ-paris8.fr
Date limite de publication : 2026-03-08

Contexte :

Sujet :
Les graphes de connaissances constituent une infrastructure centrale pour la représentation et l’interrogation de données structurées dans de nombreux domaines (Web de données, bases de connaissances ouvertes, systèmes d’aide à la décision). Le langage SPARQL permet d’interroger ces graphes de manière précise, mais sa maîtrise reste complexe, tant pour les utilisateurs humains que pour les systèmes automatisés.

Dans les systèmes récents de traduction du langage naturel vers SPARQL (Text-to-SPARQL), les modèles de langage (LLMs) sont de plus en plus utilisés. Toutefois, ces modèles génèrent fréquemment des requêtes SPARQL erronées, soit sur le plan syntaxique, soit plus souvent sur le plan sémantique (mauvais prédicats/propriétés, incohérences avec l’ontologie).

La correction automatique de requêtes SPARQL constitue donc un enjeu majeur pour améliorer la fiabilité, la robustesse et l’explicabilité des LLMs en les combinant avec des schémas ontologiques.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IUT de Montreuil, 140 Rue de la Nouvelle France, 93100 Montreuil, France

Document attaché : 202602080855_Stage_M2_EID_2026___Correction_de_requetes_SPARQL_avec_LLMs.pdf

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

Laboratoire/Entreprise : Laboratoire d’Informatique Bioinformatique et Sys
Durée : 5 à 6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2026-04-17

Contexte :
Offre de Stage financée au sein du laboratoire IBISC Université Evry Paris Saclay.

Sujet :
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de la l’intervention humaine et en particulier des événements aléatoires perturbatrices. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années, la plupart de ces travaux sont basés sur des modèles stochastiques. L’intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d’applications. Dans ce contexte, des modèles de planification peuvent s’appuyer sur les approches de l’apprentissage automatique. En effet, ces techniques permettent de développer des modèles d’ordonnancement prédictif et de l’optimisation des entrepôts de données.

L’objectif de ce stage, consiste dans le développement d’une approche de planification adaptative du bloc opératoire. Basée sur le principe de l’apprentissage automatique, la méthode de planification permettra le pilotage temps-réel du bloc opératoire. Les travaux seront réalisés dans un cadre d’application pratique dans des services de chirurgie faisant partie de l’établissement hospitalier.

Le candidat réalisera une étude de l’état de l’art et se penchera ensuite sur les différentes possibilités de la mise en place d’une stratégie de planification par apprentissage automatique tenant compte des contraintes souvent incertaines qui peuvent surgir à tout instant.

Références:

[1] Valentina Bellini, Michele Russo, Tania Domenichetti, Matteo Panizzi, Simone Allai, Elena Giovanna Bignami, Artificial Intelligence in Operating Room Management, Journal of Medical Systems (2024) 48:19 https://doi.org/10.1007/s10916-024-02038-2

[2] Zhenzhong Liu, Kelong Chen, Shuai Wang, Yijun Xiao, Guobin Zhang, Deep learning in surgical process modeling: A systematic review of workflow recognition, Journal of Biomedical Informatics, Volume 162, February 2025, 104779 https://doi.org/10.1016/j.jbi.2025.104779

[3] Md Mahfuzur Rahman, Rubayet Karim, Md Moniruzzaman, Md Afjal Hossein and Hammad Younes, Modeling Hospital Operating Theater Services: A System Dynamics Approach, Logistics2023, 7(4), 85; https://doi.org/10.3390/logistics7040085

Profil du candidat :

Formation et compétences requises :
De formation Master 2 ou équivalent possédant de préférence les compétences suivantes:
– Programmation Python, Matlab,
– Machine Learning
– Des connaissances de base en modélisation et ordonnancement

Adresse d’emploi :
Laboratoire Informatique, Bioinformatique et Systèmes Complexes – IBISC
40 rue du Pelvoux, 91020 Evry, France.

Document attaché : 202601251431_Sujet-Stage-BO.pdf

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

Laboratoire/Entreprise : institut Fresnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2026-04-29

Contexte :

Sujet :
See attached file

Profil du candidat :

Formation et compétences requises :

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

Document attaché : 202509111720_sujet stage MRI CS.pdf

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

Laboratoire/Entreprise : institut Fresnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2026-04-29

Contexte :

Sujet :
please see the attached file

Profil du candidat :

Formation et compétences requises :

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

Document attaché : 202509111718_sujet stage SRH.pdf

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

Laboratoire/Entreprise : LIP6, Sorbonne University
Durée : 5-6 months
Contact : rafael.angarita@lip6.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Participatory democracy platforms (Make, Decidim, Cap Collectif, Consul) enable thousands of citizens to propose and discuss ideas for public policies. However, the large volume of textual contributions produces severe information overload: citizens struggle to identify similar or opposing proposals, while decision-makers face difficulty in detecting consensus or disagreement.

Recent research at LIP6 has shown that Natural Language Processing (NLP) can detect argumentative relations between citizen proposals (equivalence, contradiction, neutrality). These relations can be structured into argumentative graphs, which help organize debates and improve navigation within large participatory datasets.

This internship aims to extend these ideas using Graph Retrieval-Augmented Generation (Graph-RAG). By combining graph-based retrieval with language generation, the project seeks to build intelligent tools capable of summarizing debates, identifying conflicting or redundant proposals, and assisting citizens in writing balanced contributions.

Profil du candidat :
Master 2 / Final-year engineering

Formation et compétences requises :
– Programming: Python, PyTorch or TensorFlow

– NLP / ML: Experience with large language models, embeddings, or NLP tasks

– Data Science: Text preprocessing, vector representations, evaluation metrics

– Research: Ability to conduct literature reviews, design small experiments, and analyze results

– Participatory democracy: Interest in participatory democracy or computational argumentation

Adresse d’emploi :
Sorbonne University, 4 place Jussieu 75005 Paris.

Document attaché : 202511121059_Stage_LIP6_2025_2026.pdf

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

Laboratoire/Entreprise : CRESTIC (URCA) / Institut Godinot (Reims)
Durée : 6 mois
Contact : Arnaud.BEDDOK@reims.unicancer.fr
Date limite de publication : 2026-04-30

Contexte :
Cf. Fiche

Sujet :
Développement d’un module radiomique prédictif de la pneumopathie radio-induite après radiothérapie pulmonaire (Projet RP radiomics)

Cf. fiche.

Profil du candidat :
Cf. fiche.

Formation et compétences requises :
Cf. fiche.

Adresse d’emploi :
CRESTIC (URCA) / Institut Godinot (Reims)

Document attaché : 202512180752_Offre de stage M2 20250926.pdf

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

Laboratoire/Entreprise : LIPADE
Durée : 6 months
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :
The performance of supervised deep learning methods in computer vision heavily depends on the availability of
labeled data, whose annotation is both time-consuming and requires expert knowledge. To overcome this limitation,
Self-Supervised Learning (SSL) has emerged as a promising alternative to address the challenge of limited annotations.
In this paradigm, models learn from unlabeled data by generating their own supervisory signals. The resulting pre-
trained models can then be fine-tuned on various downstream tasks such as image classification, object detection, and
semantic segmentation. However, achieving performance comparable to supervised learning often requires large-scale
datasets and high training costs, which significantly increase computational and storage demands. This internship
aims to alleviate these constraints by exploring data distillation techniques to make SSL training more efficient.

Sujet :
Dataset Distillation (DD) [1] aims to condense a large-scale training dataset into a much smaller synthetic one
such that models trained on the distilled data achieve performance comparable to those trained on the original
dataset (see figure 1). Most existing DD methods are designed for efficient supervised learning and can be broadly
classified into three main categories [2] : (1) Performance Matching, which minimizes the loss on the synthetic
dataset by aligning the performance of models trained on real and synthetic data, (2) Parameter Matching, which
trains two neural networks respectively on real and synthetic data and encourages similarity in their parameters and
(3) Distribution Matching, which generates synthetic data that closely mimics the distribution of the original dataset.
In this internship, we will focus on the Parameter Matching approach. Building upon the work of Cazenavette et al.
[3], the authors of [4] extended this concept to SSL using knowledge distillation [5, 6, 7], particularly employing SSL
methods such as Barlow Twins and SimCLR. In the same vein, this internship will explore the DINO (self-DIstillation
with NO labels, MetaAI) SSL method [8], which naturally produces teacher–student parameter trajectories that can
be leveraged for Parameter Matching. The different steps of the internship are :
▷ Step 1 – Literature review : Review recent dataset distillation methods applied to computer vision, with a
focus on parameter matching and SSL-based approaches.
▷ Step 2 – Trajectory Observation : Analyze and visualize the teacher–student parameter trajectories generated
by DINO during SSL training.
▷ Step 3 – Integration into Data Distillation Frameworks : Design a trajectory matching loss based on
DINO’s teacher–student dynamics and train a student model on synthetic data guided by these trajectories.
▷ Step 4 – Test on down-stream computer vision tasks : Assess the effectiveness of the proposed approach
on tasks such as image classification
– Bibliography
[1] Tongzhou Wang et al. “Dataset distillation”. In : arXiv preprint arXiv :1811.10959 (2018).
[2] Ruonan Yu, Songhua Liu et Xinchao Wang. “Dataset distillation : A comprehensive review”. In : IEEE transactions on pattern analysis and machine
intelligence 46.1 (2023), p. 150-170.
[3] George Cazenavette et al. “Dataset distillation by matching training trajectories”. In : Proceedings of the IEEE/CVF Conference on Computer Vision and
Pattern Recognition. 2022, p. 4750-4759.
[4] Siddharth Joshi, Jiayi Ni et Baharan Mirzasoleiman. “Dataset Distillation via Knowledge Distillation : Towards Efficient Self-Supervised Pre-training
of Deep Networks”. In : The Thirteenth International Conference on Learning Representations. 2025. url : https://openreview.net/forum?id=c61unr33XA.
[5] Geoffrey Hinton, Oriol Vinyals et Jeff Dean. “Distilling the knowledge in a neural network”. In : arXiv preprint arXiv :1503.02531 (2015).
[6] Ayoub Karine, Thibault Napoléon et Maher Jridi. “I2CKD : Intra- and inter-class knowledge distillation for semantic segmentation”. In : Neurocomputing
649 (oct. 2025), p. 130791. url : https://hal.science/hal-05144692.
[7] Ayoub Karine, Thibault Napoléon et Maher Jridi. “Channel-spatial knowledge distillation for efficient semantic segmentation”. In : Pattern Recognition
Letters 180 (avr. 2024), p. 48-54. url : https://hal.science/hal-04488459.
[8] Oriane Siméoni et al. “Dinov3”. In : arXiv preprint arXiv :2508.10104 (2025)

Profil du candidat :
The ideal
candidate should have knowledge in deep learning, computer vision, Python programming and an interest in efficient
machine/deep learning.

Formation et compétences requises :
Master 2 student or final year of MSc, or engineering school in computer science.

Adresse d’emploi :
45 rue des Saints-Pères, 75006, Paris

Document attaché : 202511111324_2025_Internship_DD_SSL.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : christophe.lin-kwong-chon@univ-smb.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Interprétabilité en IA des séries temporelles radar

(descriptions détaillées dans la fiche attachée)

Profil du candidat :
Des compétences en machine learning sont attendues.
Le stage portera exclusivement sur la programmation en Python.
Une expérience en télédétection radar, géophysique des volcans
ou en explicabilité/interprétabilité de l’IA serait un atout.

Formation et compétences requises :

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, 74944, Annecy le Vieux

Document attaché : 202510060816_Sujet – Interprétabilité en IA des séries temporelles radar.pdf

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

Laboratoire/Entreprise : LIPADE
Durée : 6 months
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :
Recently, several Large Vision Foundation Models (LVFMs) have been proposed in the literature [1]. They are
trained through a Self-Supervised Learning (SSL) paradigm on large-scale unlabeled datasets and evaluated on small
labeled datasets (fine-tuning). These models have achieved state-of-the-art performance across a wide range of
downstream computer vision tasks, including both non-dense tasks (e.g., image classification, image retrieval) and
dense tasks (e.g., semantic segmentation, object detection). However, the growing size and computational demands of
the LVFMs significantly constrain their applicability in resource-limited devices (e.g., drone, smarphone). For instance,
CLIP (Contrastive Language–Image Pretraining, OpenAI) [2] comprises up to 0.4 billion parameters, DINOv3 (self-
DIstillation with NO labels, MetaAI) [3] includes models with up to 7 billion parameters, and the SAM 2 (Segment
Anything Model, Meta AI) [4] exceeds 224 million parameters. To reduce the computational demands of such massive
architectures, this internship will focus on investigating knowledge distillation techniques.

Sujet :
The knowledge distillation (KD) technique [5, 6, 7] transfers knowledge from a powerful teacher network to a
smaller student model, enabling the student to achieve significantly improved performance with lower computational
cost. In this process, the student is trained on the same dataset as the teacher, allowing it to directly leverage the
teacher’s learned representations. However, directly applying KD to LVFMs presents several challenges. First, the
most performant LVFMs are developed by large tech companies, and their training datasets are often not publicly
available. Second, these LVFMs typically employ Vision Transformer (ViT) architectures [8] as encoders, whereas
convolutional neural networks (CNNs) are generally lighter and more computationally efficient, making them strong
candidates for student models on edge devices. Third, there are significant discrepancies in capacity between LVFMs
and smaller edge models. The latter two challenges are partially addressed by Lee et al. [9], who propose a method
to customize the well-generalized features of LVFMs for a given student model. Despite promising results, this work
does not thoroughly address the issues of unavailable source datasets and cross-architecture knowledge transfer.
Additionally, only the image classification task is considered. In this internship, we aim to tackle these challenges by
investigating state-of-the-art methods for cross-architecture KD [10], data-free KD [11] and adaptive KD [12]. As
illustrated in figure 1, we will focus on two dense down-stream tasks : semantic segmentation and object detection.
The different steps of the internship are :
▷ Step 1 – Literature review on KD from foundation models
▷ Step 2 – Compare different methods of cross-architecture KD, data-free KD and adaptive KD : The
teacher will be a LVFM such as CLIP, DINOv3 and SAM2. The student encoder should be a CNN one like ResNet18.
▷ Step 3 – Test the student model on different semantic segmentation and object detection datasets :
A comparison is to be done with classical KD methods dedicated to dense prediction.
– Bibliography
[1] Muhammad Awais et al. “Foundation models defining a new era in vision : a survey and outlook”. In : IEEE Transactions on Pattern Analysis and
Machine Intelligence (2025).
[2] Alec Radford et al. “Learning transferable visual models from natural language supervision”. In : International conference on machine learning. PmLR.
2021, p. 8748-8763.
[3] Oriane Siméoni et al. “Dinov3”. In : arXiv preprint arXiv :2508.10104 (2025).
[4] Nikhila Ravi et al. “Sam 2 : Segment anything in images and videos”. In : arXiv preprint arXiv :2408.00714 (2024)
[5] Geoffrey Hinton, Oriol Vinyals et Jeff Dean. “Distilling the knowledge in a neural network”. In : arXiv preprint arXiv :1503.02531 (2015).
[6] Ayoub Karine, Thibault Napoléon et Maher Jridi. “I2CKD : Intra- and inter-class knowledge distillation for semantic segmentation”. In : Neurocom-
puting 649 (oct. 2025), p. 130791. doi : 10.1016/j.neucom.2025.130791. url : https://hal.science/hal-05144692.
[7] Ayoub Karine, Thibault Napoléon et Maher Jridi. “Channel-spatial knowledge distillation for efficient semantic segmentation”. In : Pattern Recognition
Letters 180 (avr. 2024), p. 48-54. doi : 10.1016/j.patrec.2024.02.027. url : https://hal.science/hal-04488459.
[8] Alexey Dosovitskiy et al. “An Image is Worth 16×16 Words : Transformers for Image Recognition at Scale”. In : International Conference on Learning
Representations. 2021. url : https://openreview.net/forum?id=YicbFdNTTy.
[9] Jungsoo Lee et al. “Customkd : Customizing large vision foundation for edge model improvement via knowledge distillation”. In : Proceedings of the
Computer Vision and Pattern Recognition Conference. 2025, p. 25176-25186.
[10] Weijia Zhang et al. “Cross-Architecture Distillation Made Simple with Redundancy Suppression”. In : Proceedings of the IEEE/CVF International Confe-
rence on Computer Vision. 2025, p. 23256-23266.
[11] Qianlong Xiang et al. “Dkdm : Data-free knowledge distillation for diffusion models with any architecture”. In : Proceedings of the Computer Vision and
Pattern Recognition Conference. 2025, p. 2955-2965.
[12] Yichen Zhu et Yi Wang. “Student customized knowledge distillation : Bridging the gap between student and teacher”. In : Proceedings of the IEEE/CVF
International Conference on Computer Vision. 2021, p. 5057-5066.

Profil du candidat :
The ideal candidate should have knowledge in deep learning, computer vision, Python programming and an interest in efficient
deep learning.

Formation et compétences requises :
Master 2 student or final year of MSc, or engineering school in computer science

Adresse d’emploi :
45 rue des Saints-Pères, 75006, Paris

Document attaché : 202511111320_2025_Internship_KD_LVFM.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : argheesh.bhanot@univ-smb.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
En sciences naturelles, la modélisation des phénomènes physiques constitue toujours un sujet difficile. Les formules existantes ne suffisent parfois pas à représenter adéquatement les mécanismes complexes, notamment ceux qui ne sont pas directement observables. Il arrive également que ces formules ne correspondent pas parfaitement aux observations issues des données. Ces problèmes ont, par exemple, été rencontrés dans le suivi de la concentration des polluants, l’étalement de la végétation ou encore les coulées de lave.
Dans ce projet, nous nous concentrons sur la modélisation volcanique. En volcanologie, par exemple, les scientifiques disposent de mesures de déplacements en surface, obtenues grâce à l’imagerie SAR, induits par une source volcanique en profondeur, et utilisent ces mesures pour estimer les paramètres physiques d’un modèle volcanique.
Dans un premier temps, nous sommes partis d’un modèle simple sous forme d’une expression analytique : le modèle Mogi. Dans ce modèle, deux paramètres clés, la variation du volume et la profondeur de la chambre magmatique ont été modifiés pour générer des données synthétiques. En utilisant la régression symbolique, nous avons exploré des expressions mathématiques directement à partir des données. La
pertinence de l’approche et la sensibilité de la modélisation à la variété de l’activité volcanique, sur des données synthétiques et des sites volcaniques réels, ont été mesurées et comparées au modèle Mogi original. L’approche fonctionne bien jusqu’à un certain niveau de bruit, notamment sur les données
synthétiques. L’objectif du stage consiste à utiliser les méthodes de régression symbolique pour affiner le modèle Mogi, car il reste une vision simplifiée de la physique sous-jacente. Des travaux supplémentaires sont encore nécessaires pour améliorer les résultats sur les données réelles en proposant des nouvelles techniques en régression symbolique. En s’appuyant sur des travaux d’IA classique développés au laboratoire sur
l’inversion de modèles géophysiques, trois types de données sont disponibles pour créer un cadre expérimental et de validation : 1) des déplacements simulés à partir du modèle Mogi ; 2) des déplacements simulés avec un bruit ajouté ; 3) des déplacements réels sur des volcans africains. Selon
l’avancement du projet, cette étude pourra être étendue à un modèle volcanique plus sophistiqué, par exemple le modèle Okada, qui décrit le mécanisme de fonctionnement d’un volcan à l’aide d’un plus grand nombre de paramètres et s’appuie sur des équations différentielles. Le stagiaire appuiera entre autres sur les articles suivants :
– Cranmer, M. (2023). Interpretable machine learning for science with PySR and SymbolicRegression. jl.
arXiv preprint arXiv:2305.01582.
– Tenachi, W., et al. (2023). Physical Symbolic Optimization. arXiv preprint arXiv:2312.03612.
– Albino, F., & Biggs, J. (2021). Magmatic processes in the East African Rift system: insights from a 2015–
2020 Sentinel‐1 InSAR survey. Geochemistry, Geophysics, Geosystems, 22(3), e2020GC009488.
– Dzurisin, D. (2007), Volcano Deformation: Geodetic Monitoring Techniques. Mogi, K. (1958), Bull. Earthq.
Inst. U. Tokyo, 36, 99‐134 Delaney, P., McTigue, D. (1994) Bull. Volcanology, 56 417‐42
– Lopez-Uroz L, Yan Y., Benoit A., Albino F., Bouygues P., Giffard-Roisin S., Pinel V., Exploring Deep Learning
for Volcanic Source Inversion, IEEE Transactions on Geosciences & Remote Sensing.
– Petersen, B. K., et al. (2019). Deep symbolic regression: Recovering mathematical expressions from data
via risk-seeking policy gradients. arXiv preprint arXiv:1912.04871.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, 74944, Annecy le Vieux, France.

Document attaché : 202510221322_stage_regressionsymbolique_2026.pdf

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

Laboratoire/Entreprise : LIPADE & APC
Durée : 6 mois
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Deep Learning techniques have revolutionized artificial intelligence. Their application to astrophysics and cosmology permits us to analyze the large quantity of data obtained with
current surveys and expected from future surveys with the aim of improving our understanding of the cosmological model.
The internship is in the context of the data acquired by Vera Rubin Observatory (https://www.lsst.org/about) LLST (Legacy Survey of Space and Time), in particular in the context of the Dark Energy (DESC) and Galaxies Rubin Science Collaborations
(https://rubinobservatory.org/for-scientists/science-collaborations), and of the Euclid space mission (https://sci.esa.int/web/euclid). Galaxy clusters are powerful probes for cosmological models. LSST and Euclid will reach
unprecedented depths and, thus, they require highly complete and pure cluster catalogs, with a well-defined selection function. In this internship, we will focus on analysing astronomical
images through deep learning. Our team have developed a new cluster detection algorithm named YOLO for CLuster detection
(YOLO-CL), which is a modified version of the state-of-the-art object detection deep convolutional network named You only look once (YOLO) that has been optimized for the
detection of galaxy clusters [1,2]. The YOLO approach is a convolution-based method that primarily captures local features. In this internship, we aim to investigate transformer-based methods to model global relationships across entire astronomical images. These models are capable of capturing spatial and contextual interactions between multiple objects, which is expected to enhance detection performance compared to YOLO in our target application. In this context, we focus on the Detection Transformer (DETR) framework [3], an end-to-end
architecture that employs a transformer encoder–decoder network.
– Bibliography
[1] Grishin, Kirill, Simona Mei, and Stéphane Ilić. “YOLO–CL: Galaxy cluster detection in the SDSS with deep machine learning.” Astronomy & Astrophysics 677 (2023): A101.
[2] Grishin, Kirill, Simona Mei, Stephane Ilic, Michel Aguena, Dominique Boutigny, and Marie
Paturel. “YOLO-CL cluster detection in the Rubin/LSST DC2 simulations.” Astronomy & Astrophysics 695 (2025): A246.
[3] Carion, Nicolas, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, and Sergey Zagoruyko. “End-to-end object detection with transformers.” In European conference on computer vision, pp. 213-229. Cham: Springer International Publishing, 2020.

Profil du candidat :
The ideal candidate should have knowledge in deep learning, computer vision, Python programming and an interest in handling astronomical images. We have already obtained funding for the internship for 3-6 months.

Formation et compétences requises :
Master 2 or final year of MSc, or engineering school students in computer science.

Adresse d’emploi :
10 rue A.Domon et Léonie Duquet, 75205 Paris and/or 45 rue des
Saints-Pères, 75006, Paris

Document attaché : 202511111316_2025_Internship_Transformer-ClusterDetection.pdf

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes
Durée : 3 à 6 mois
Contact : alexis.guyot@lis-lab.fr
Date limite de publication : 2026-06-01

Contexte :
L’ingénierie des connaissances vise à modéliser, structurer et exploiter des savoirs pour les rendre manipulables par des systèmes informatiques. Au cœur de cette démarche, une ontologie est une représentation formelle d’un domaine : elle définit des concepts (classes), leurs relations (propriétés)
et des contraintes/axiomes (p. ex. hiérarchies, cardinalités). Les ontologies favorisent l’interopérabilité sémantique entre systèmes hétérogènes, facilitent l’intégration des données, soutiennent le raisonnement (inférences, vérification de cohérence) et encadrent la gouvernance des connaissances au moyen de référentiels partagés. Des outils comme Protégé font aujourd’hui autorité pour l’édition d’ontologies.

Le stage consiste à prototyper une alternative à Protégé en développant une surcouche d’édition et de raisonnement au-dessus du SGBD orienté graphe Neo4j, combinant ergonomie moderne, exploitation riche de graphe et compatibilité OWL (OWL API, moteurs de raisonnement standards). L’enjeu est de livrer une expérience contemporaine et efficace, sans réinventer les composants qui existent déjà lorsqu’ils sont adaptés.

Sujet :
**But du stage**
Concevoir et prototyper une application moderne (plutôt web, mais desktop possible) servant de sur-couche à Neo4j pour créer, éditer, valider et raisonner sur des ontologies (OWL/SWRL), avec une attention forte portée à l’UX et à l’esthétique. L’application doit ester interopérable avec l’écosystème existant (dont Protégé) tout en capitalisant sur les forces de Neo4j.

**Objectifs et missions**
Le/la stagiaire commencera par cadrer formellement le projet : étude de Protégé (exploration libre de l’outil, lecture de la documentation, entretiens avec des experts pour cerner besoins et limites de l’existant) ; rapide panorama des fonctionnalités des autres éditeurs d’ontologies, éventuellement complété par un album de captures pour comparer l’UX ; identification des contraintes techniques de l’existant (écosystème Neo4j, briques OWL/SWRL, validation et raisonnement) et repérage des bonnes pratiques UX 2025 pour guider la conception.

Sur cette base, il/elle rédigera des spécifications fonctionnelles et techniques pour le nouvel outil, puis développera un prototype de manière incrémentale : éditeur de d’ontologies ergonomique connecté à Neo4j, import/export assurant l’interopérabilité, mécanismes de validation, etc. Selon la durée et le profil,
le stage pourra s’étendre à l’édition d’axiomes et de règles, à l’intégration d’un raisonneur standard et à la création d’un démonstrateur complet sur une ontologie de référence.

**Technologies envisagées**
Côté interface, l’option prioritaire est une application web en TypeScript s’appuyant sur React ou SvelteKit, avec un composant d’édition de graphes adapté (par ex. React Flow ou Cytoscape.js), des moteurs de layout (elkjs/dagre) et un système de design moderne (Tailwind avec composants accessibles type Radix/shadcn). Cette combinaison permet de viser une UX actuelle : thèmes (y compris dark mode), accessibilité, performance (virtualisation), micro-interactions sobres.

En alternative desktop, on pourra empaqueter l’interface web via Electron ou Tauri, ou opter pour une interface native en JavaFX (Java) ou JetBrains Compose for Desktop (Kotlin), afin de faciliter l’intégration directe avec les bibliothèques web sémantique de l’écosystème Java.

Pour le backend, une pile Java avec Spring Boot est privilégiée afin d’intégrer naturellement OWL API/Apache Jena, de s’interfacer avec un raisonneur standard (HermiT, Pellet, Fact++), et de dialoguer avec Neo4j via le driver Java et neosemantics (n10s) pour les échanges RDF/OWL. La validation pourra
s’appuyer sur SHACL. L’API sera exposée simplement (REST/JSON ou gRPC) et restera découpée de façon à pouvoir évoluer (microservice dédié aux fonctions ontologiques si nécessaire).

Profil du candidat :
— Niveau : Bac+3 à Bac+5 (informatique / BD / IA / génie logiciel / IHM).
— Dominantes possibles : développement front moderne (TS + React/SvelteKit), Java et conception d’API, bases de données, graphes, web sémantique (OWL/RDF, SWRL, SHACL), UX/UI.
— Qualités attendues : autonomie, rigueur, curiosité, sens de l’ergonomie, communication.

Formation et compétences requises :

Adresse d’emploi :
LIS UMR 7020 CNRS / AMU / UTLN, équipe IACD
Aix Marseille Université – Campus de Saint Jérôme – Bat. Polytech
52 Av. Escadrille Normandie Niemen
13397 Marseille Cedex 20

Document attaché : 202510011418_2025_Sujet_Stage_NeOWL4J.pdf