Archives

Journée scientifique Federated / Decentralized Learning – Appel à contributions & participation

Date : 2025-06-27
Lieu : A Lyon.

Campus de la Doua – Bâtiment Hedy Lamarr – Amphithéâtre Claude Chappe
6 Av. des Arts, 69100 Villeurbanne

Cher.es collègues,

La FIL (Fédération Informatique de Lyon) organise une journée scientifique sur le thème du Federated Learning / Decentralized Learning.

Si vous souhaitez présenter vos travaux ou participer à l’événement, merci de vous inscrire via le lien ci-dessous.
N’hésitez pas à transmettre l’annonce à vos collègues et vos équipes.
Navrée pour les envois multiples, si vous avez reçu l’annonce par ailleurs.

La participation est gratuite ; inscrivez-vous dès à présent :
https://forms.gle/zvU3q5KS1TA6Q6n19

Programme de l’événement :
Un séminaire scientifique de la FIL est organisé sur le thème du Federated Learning / Decentralized Learning
Avec un exposé invité d’Anne-Marie Kermarrec (EPFL, Membre de l’Académie des Sciences) sur « Opportunities and challenges of distributed learning »
Ainsi que des présentations de chercheurs.euses et enseignant.es-chercheurs.euses : envoyez vos contributions via le formulaire de participation ci-dessus.

Date de l’événement :
Vendredi 27 juin 2025, à 9h

Lieu :
Campus de la Doua – Bâtiment Hedy Lamarr – Amphithéâtre Claude Chappe
6 Av. des Arts, 69100 Villeurbanne

Amitiés,

Sara Bouchenak

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Last CFP — COSI’2025 17th Conference on Optimization and Information Systems

Date : 2025-06-01 => 2025-06-03
Lieu : Bejaia, Algérie

Apologize for multiple postings.
——————————————–

Confirmed invited speakers :
– Kamel ADI Université du Québec en Outaouais, Canada. https://uqo.ca/profil/adixka01
– Alexandre de BREVERN Université Paris Cité, France https://www.dsimb.inserm.fr/~debrevern/index.php
– Joao GAMA University of Porto, Portugal https://www.inesctec.pt/en/people/joao-gama#intro,
– Mohand Tahar KECHADI University College Dublin, Ireland https://people.ucd.ie/tahar.kechadi,
– Francisco MARTINEZ ALVAREZ Universidad Pablo de Olavide, Spain https://datalab.upo.es/profile/martinez/,
– Gianpaolo ORIOLO Universita di Roma, Italy http://people.uniroma2.it/gianpaolo.oriolo/index.htm?biosketch,

===================================================

COSI’2025
17th Conference on Optimization and Information Systems
01 – 03 Juin 2025
Ecole Supérieure en Sciences et Technologies de l’Informatique et du Numérique, Bejaia, Algeria

http://www.isima.fr/cosi/cosi2025/

———————————————————————————-
Important Dates :
• Abstract submission deadline: February 21, 2025
• Full paper submission deadline: February 28, 2025
• Notification to authors: April 15, 2025
• Final paper submission deadline: May 1, 2025
• COSI Conference: 1 – 3 June, 2025
———————————————————————————-

The Conference on Optimization and Information Systems (COSI) aims to bring together researchers in Computer Science and Mathematics, primarily from the fields of combinatorial optimization, graph theory, information systems, and artificial intelligence. The 17th edition of COSI, taking place in Bejaia from 01 to June 03, 2025, will be hosted by the Ecole Supérieure en Sciences et Technologies de l’Informatique et du Numérique (ESTIN – Bejaia). This edition follows previous ones held in Tizi-Ouzou (2004), Bejaia (2005), Algiers (2006), Oran (2007), Tizi-Ouzou (2008), Annaba (2009), Ouargla (2010), Guelma (2011), Tlemcen (2012), Algiers (2013), Bejaia (2014), Oran (2015), Setif (2016), Bouira (2017), Oran (2018), and Tizi-Ouzou (2019).
COSI fosters a friendly and engaging environment for discussions and exchanges between researchers. Continuing its tradition, the 2025 edition will feature high-profile invited talks, original research papers, and demonstrations of research prototypes.

We invite submissions in two categories:
1. Regular papers (up to 12 pages, LNCS format)
2. Demo papers (up to 4 pages)
All submissions must be in PDF format and electronically submitted using the Microsoft Conference Management Toolkit (CMT) via the following Submission Link : https://cmt3.research.microsoft.com/COSI2025
Guidelines for formatting (number of pages, LaTeX and Word styles) can be found here : https://cosi.isima.fr/cosi2025/soumettre.php

All accepted and presented manuscripts will be included in the online conference proceedings.
and in the CCIS series of Springer (). CCIS Series is Indexed in DBLP, Google Scholar, EI-Compendex, Mathematical Reviews, SCImago, and Scopus. CCIS volumes are also submitted for inclusion in ISI Proceedings.

Topics
COSI 2025 is organized around the following five topics, with a non-exhaustive list of associated keywords:

Topic A: Artificial Intelligence
• Machine Learning
• Natural Language Processing
• Knowledge Representation and Reasoning
• Constraints Satisfaction
• Data Analytics, Data Mining
• Explainable Artificial Intelligence
• Social Networks (e.g., recommendation algorithms, security)
• Agent-based and Multi-agent Systems
• Ethics, Trust and Fairness
• Planning and Scheduling

Topic B: Operational Research and Decision Support Systems
• Combinatorial Optimization
• Mathematical Programming
• Algorithms and Graph Theory
• Heuristics and Metaheuristics

Topic C: Big Data
• Big Data Management Systems (e.g., storage, indexing, query optimization)
• Cloud, Distributed, Decentralized, and Parallel Data Management
• Data Warehousing, OLAP, Analytics
• Energy-efficient Techniques

Topic D: Cybersecurity
• IoT and Sensor Networks
• Information and Network Security
• Dynamic Networks (e.g., Ad hoc, WSN, VANETS)

Topic E: Applications
• Healthcare and Biology
• Transport and Logistics
• Environment and Sustainable Development
• Agriculture
• Banking and Retail

Honorary Chair :
– Abdelkamel TARI, ESTIN Bejaia, Algeria

Local Chair :
– Ali DJENADI, ESTIN Bejaia, Algeria

PC Chairs :
– Engelbert MEPHU NGUIFO, University Clermont Auvergne, France
– Abderrazak SEBAA, ESTIN, Bejaia, Algeria

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Conférence d’APprentissage automatique (CAP-2025)

Date : 2025-06-30 => 2025-07-02
Lieu : Dijon, France

CALL FOR PAPERS CAP-2025

La conférence CAP est un rassemblement interdisciplinaire de chercheurs à l’intersection de l’apprentissage automatique, des mathématiques appliquées et des domaines connexes. Le site web de soumission est ouvert.

Cette année, la conférence est organisée dans le cadre de la plate-forme PFIA-2025, et aura lieu à Dijon (France) du 30 juin au 2 juillet.

Les articles soumis peuvent être rédigés en anglais ou en français et nous encourageons plusieurs types de soumissions :

– Articles récemment acceptés (2024 ou 2025) à des conférences de haut niveau. Ces articles doivent être soumis dans le format original de la conférence (longueur et style). Ils feront l’objet d’une seule évaluation.

– Des articles originaux longs sur le thème de la théorie de l’apprentissage automatique et de ses applications. Ils ne doivent pas dépasser 12 pages au format CAp (hors références et annexes, un modèle LaTeX adapté est disponible ici). Ils feront l’objet d’au moins deux évaluations.

– Des articles courts qui présentent des idées originales et donnent l’occasion de décrire un travail significatif en cours. Ils ne doivent pas dépasser 8 pages au format CAp (sans les références et les annexes, un modèle LaTeX approprié est disponible ici). Ils feront l’objet d’au moins deux évaluations.

Cette année, il n’y aura pas d’actes. Les travaux acceptés pour présentation seront listés sur le site web avec, éventuellement, un lien vers les articles complets lorsque ceux-ci sont fournis par les auteurs.

Tous les travaux acceptés auront la possibilité d’être présentés sous forme de posters lors de la conférence. Certains articles seront également présentés oralement, soit lors d’une session réservée à la conférence CAP, soit lors d’une session conjointe CAP/SFC (Société Française de Classification) (pour les articles qui ont été plus spécifiquement identifiés comme étant à l’intersection des deux conférences). Ces présentations sont l’occasion d’avoir un retour constructif et rigoureux, ainsi que d’établir des contacts avec les membres de la communauté française de l’apprentissage automatique. Les doctorants sont particulièrement bienvenus et encouragés à soumettre des communications.

Dates clés :

– Conférence : 30 juin – 2 juillet 2025
– Date limite de soumission d’articles : 15 mars 2025

– Notification aux auteurs : 15th avril 2025
– Ouverture des inscriptions : 21 avril 2025
– Date limite des inscriptions à tarif réduit : 22 mai 2025

Thèmes :

La conférence CAP 2025 invitent les personnes travaillant dans des domaines liés à n’importe quel aspect de l’apprentissage automatique à soumettre des articles originaux. Les sujets sollicités incluent, mais ne sont pas limités à :

— Théorie de l’apprentissage modèles et paradigmes

Apprentissage actif
Apprentissage en ligne
Apprentissage multi-classes, multi-tâches, multi-vues, et apprentissage par transfert
Apprentissage supervisée, semi-supervisé et non supervisé
Apprentissage par renforcement
Apprentissage relationnel
Apprentissage de représentation
Apprentissage symbolique
Algorithmes de bandits
Factorisation de matrices et de tenseurs
Transport optimal pour l’Apprentissage automatique
Induction grammaticale
Méthodes à noyaux
Méthodes bayésiennes
Processus stochastiques
Méthodes d’ensemble et boosting
Modèles graphiques
Processus gaussiens
Réseaux de neurones et Apprentissage profond
Théorie de l’Apprentissage
Théorie des jeux

— Optimisation et problèmes liés

Apprentissage automatique à grande échelle et optimisation
Algorithmes d’optimisation
Optimisation distribuée
Apprentissage automatique et données structurées (spatio-temporelle, arbres, graphes, …)
Classification avec données manquantes

— Apprentissage automatique de confiance

Equité
Transparence
Interprétabilité et explicabilité
Privacy et sécurité
Durabilité
Causalité
Alignement et vérification

— Applications

Analyse des réseaux sociaux
Analyse de données temporelles
Bioinformatique
Fouille de données
Neurosciences
Traitement automatique du langage
Recherche d’information
Vision par ordinateur

Antoine Cornuéjols et Vincent Guigue
Co-Presidents of CAP-2025

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

DADY : un modèle fondation de réseau de neurones pour l’observation aérienne time-lapse de systèmes agroécologiques au Sud

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

Laboratoire/Entreprise : Cirad, Montpellier
Durée : 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2025-03-01

Contexte :
Le projet DeepAeroDynamics (DADY) vise à combiner l’imagerie drone multispectrale time-lapse et
le deep learning pour faire face aux défis du changement climatique et de la sécurité alimentaire dans les
pays du Sud. L’objectif est de développer un modèle fondation capable d’intégrer les données
multispectrales, spatiales et temporelles observées par drone aérien dans des environnements complexes
et hétérogènes du Sud dans le but d’anticiper et prédire le comportement de plantes cultivées en
agroécologie (Sahel, Madagascar, Guadeloupe).

Sujet :
Le stagiaire sera au coeur du développement d’une architecture deep learning permettant :
* D’analyser des séries temporelles multispectrales d’imagerie drone, et extraire automatiquement
des représentations informatives de l’état des systèmes observés.
* D’analyser les dynamiques temporelles en utilisant des modèles de type Transformers pour
capturer les évolutions des cultures décrites dans un espace latent.
* De maximiser l’utilisation des données par des techniques d’apprentissage semi-supervisées et
des consignes prétextes pour maximiser la capacité d’apprentissage de l’architecture fondation.

Le développement des modèles s’appuiera sur des architectures CNN et Transformers. L’approche sera
validée sur des jeux de données déjà acquis et stockés à proximité d’un supercalculateur. Les tests de
niveau 1 s’effectueront sur une ferme GPU locale, et les modèles de niveau 2 seront testés sur les
supercalculateurs Jean Zay et Adastra (20e mondial au TOP500). Les modèles seront documentés et diffusés
en open-source, accompagnés de scripts pour le fine-tuning.

Profil du candidat :
Étudiant·e en Master 2 ou école d’ingénieur avec spécialisation en deep learning. Travail
avec Python, Pytorch/Tensorflow, Github, Intégration Continue.

Formation et compétences requises :
Expérience en traitement d’images.
Capacité à travailler en équipe dans un environnement mêlant informatique, biologie et agroécologie.

Adresse d’emploi :
La rémunération selon barème légal des stages sera de 600€
mensuel, avec accès à la restauration collective le midi. Le stage aura lieu au Cirad de Montpellier, 389 Av.
Agropolis, 34980 Montferrier-sur-Lez.

Document attaché : 202502121716_Offre de stage M2 – 2025 – DADY.pdf

Séminaire « IA Génératives: promesses et défis », du CSI CNRS Sciences Informatiques le 12 Mars 2025 à Paris

Date : 2025-03-12
Lieu : Siège du CNRS
3 rue Michel-Ange
75016 Paris

Chères et chers collègues,

Le Conseil scientifique d’institut de CNRS Sciences informatiques organise une journée autour des promesses et défis de l’IA générative. Nous vous invitons à réserver la date de l’événement se tenant le:

12 Mars 2025
au siège du CNRS
3 rue Michel-Ange
75016 Paris

La journée adressera les promesses de l’IA générative, notamment dans les domaines du traitement des langues, du génie logiciel, des données multimodales (images et vidéo), des neurosciences, ou encore de la physique. Cela sera aussi l’occasion d’aborder certains défis liés à l’IA générative, tels que les biais, la prévention des contenus indésirables ou l’éco-responsabilité à travers des exposés et des tables rondes.

Le programme du séminaire sera publié prochainement. En attendant, vous pouvez déjà consulter la liste des intervenants du séminaire sur le site du CSI:
https://www.csi-ins2i.cnrs.fr/content/séminaire-ia-génératives-promesses-et-défis

Vous pouvez dorénavant vous inscrire en suivant ce lien:
https://survey.cnrs-dir.fr/index.php/389271?lang=fr

Bien Cordialement,
Gilles Sassatelli,
Président du Conseil scientifique d’institut de CNRS Sciences Informatiques
Romain Robbes,
Au nom des organisateurs du séminaire

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Webinaire mensuel Action Spécifique Numérique INSU

Date : 2025-02-17
Lieu : Zoom
Webinaire ASNUM (in English) 14:00 15:00

Adeline Paiement
Laboratoire d’Informatique et des Systèmes
Université de Toulon

Domain-informed analysis of (astro)physics data

Machine learning and deep learning methods are increasingly popular for analysing physics and astrophysics data. However, their use often faces some specific challenges, such as the low availability of annotated ground-truth data, or the interpretability of (learning) models and of their prediction results. In this talk, we will review some recent efforts in developing learning methods that address the specific challenges of (astro)physics data. These developments exploit knowledge of the physics problem and data to inform the design of learning models.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Post-doctorant(e) en Analyse et Apprentissage de Données Multi-modales

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

Laboratoire/Entreprise : ETIS
Durée : 18
Contact : issam.falih@uca.fr
Date limite de publication : 2025-03-31

Contexte :
En collaboration avec la Société SAFRAN S.A. sont a lea recherche d’un(e) post-doctorant(e) pour participer à un projet innovant de ségrégation et d’analyse de données liées à la chaîne d’approvisionnement.
L’objectif principal est d’intégrer et de structurer des données multi-modales (textuelles, structurées, etc.) afin de développer des textbf{modèles d’apprentissage automatique}
pour détecter et extraire des informations clés, puis prédire un risque associé à ces données.

Sujet :
Missions Principales
1. Analyse et Intégration des Données
— Concevoir et mettre en place des pipelines d’intégration de données multi-sources.
— Nettoyer et structurer les informations pour en faciliter l’exploitation.
2. Modélisation en Intelligence Artificielle
— Développer des modèles de Machine Learning et/ou Deep Learning afin d’extraire
automatiquement des entités (fournisseurs, matières premières, etc.).
— Mettre en place un modèle de prédiction de risque basé sur des données multi-
modales.
3. Validation et Évaluation
— Évaluer les performances des modèles via des métriques appropriées (précision, rappel,
F1-score, etc.).
— Itérer sur la conception des modèles pour améliorer continuellement la robustesse et
la fiabilité.
4. Documentation et Communication
— Rédiger des rapports techniques et des publications scientifiques sur les avancées du
projet.
— Présenter régulièrement les résultats à l’équipe de recherche et aux partenaires impliqués.
1

Profil du candidat :

Profil Recherché
— Doctorat (ou équivalent) en Informatique, Mathématiques appliquées, Traitement
du Langage Naturel, Statistiques ou domaine connexe.
— Première expérience (stage, thèse, postdoc) liée à la data science ou à la recherche
en IA

Formation et compétences requises :
Compétences Requises
1. Data Science & IA
— Excellente maîtrise des méthodes de Machine Learning supervisé/non supervisé
et/ou Deep Learning.
— Connaissances solides en traitement de données textuelles (NLP/TAL) : ex-
traction d’entités, classification, etc.
— Expérience dans la fusion de données (multimodalité) et l’intégration de différentes
sources d’information.
2. Environnements et Outils
— Pratique confirmée des bibliothèques Python (PyTorch, TensorFlow, scikit-learn,
spaCy, etc.).
— Connaissances en ingénierie de la donnée (ETL, bases SQL/NoSQL, data pipeline).
— Maîtrise des bonnes pratiques de versioning et de gestion de code (Git).
3. Rigueur Scientifique et Organisation
— Capacité à mener des expérimentations rigoureuses (protocoles, reproductibilité, re-
porting).
— Veille technologique et scientifique pour adapter rapidement les approches existantes.
4. Qualités Humaines
— Autonomie, sens de l’initiative et esprit collaboratif.
— Excellentes capacités de communication (orales et écrites).
— Respect de la confidentialité et des contraintes liées aux données sensibles.

Adresse d’emploi :
Conditions du Poste
— Localisation : ETIS CNRS UMR 8051, CY Cergy paris Unviersity, Site de Saint-
Martin 2 Av. Adolphe Chauvin, 95300 Pontoise et SAFRAN.
— Type de contrat : CDD postdoctoral (12 à 18 mois, à discuter).
— Rémunération : Selon expérience et grille de salaire applicable.
— Lieu : Poste localisé à l’université de Cergy au sein du laboratoire d’ETIS.
— Disponibilité : Dès que possible.

Document attaché : 202502111631_SupplyChain_project-2.pdf

Extraction de motifs dans les graphes à l’aide de Graph Neural Networks : Vers une formalisation des règles de classification

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

Laboratoire/Entreprise : ISEA/UNC
Durée : 3 ans
Contact : loic.salmon@unc.nc
Date limite de publication : 2025-02-25

Contexte :

Sujet :
Les graphes dynamiques attribués sont omniprésents dans de nombreux domaines, tels que les réseaux sociaux, la biologie moléculaire, ou les systèmes de recommandation. Cette thèse vise à explorer l’utilisation des Graph Neural Networks (GNN) pour l’extraction de motifs dans les graphes, avec un focus sur la génération de règles de classification formelles et explicables. Les travaux incluront la modélisation des motifs, l’apprentissage des motifs, la génération de règles de classification, et leur validation formelle.

Profil du candidat :

Nous recherchons un(e) candidat(e) motivé(e) avec :
1. Un diplôme de niveau Bac+5 en informatique, mathématiques appliquées, ou domaine connexe.
2. Des compétences en apprentissage automatique, en particulier sur les réseaux de neurones et les GNN.
3. Une appétence pour la théorie des graphes, l’extraction de motifs, et les méthodes formelles.
4. Un bon niveau d’anglais (lu, écrit, parlé).

Formation et compétences requises :

Adresse d’emploi :
Université de la Nouvelle-Calédonie,- BP R4 98851 Nouméa Cedex, Nouvelle-Calédonie ISEA (Institut des Sciences Exactes et Appliquées)

Document attaché : 202502110731_Proposition_de_thèse_GNN_et_extraction_de_motifs.pdf

Offre de thèse – Fact-checking multimédia, multimodal et explicable

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

Laboratoire/Entreprise : LIFAT (Laboratoire d’Informatique Fondamentale et
Durée : 3 ans
Contact : frederic.rayar@univ-tours.fr
Date limite de publication : 2025-06-30

Contexte :
Cette offre de thèse s’inscrit dans le cadre du projet « Fact Checking » mené depuis 2021 entre le laboratoire LIFAT et l’équipe PRIM (chercheurs en Science de l’Information et de la Communication). Le fact checking, ou vérification de fait, consiste à vérifier la véracité des faits présentés dans les médias par des personnalités publiques ou autres organisations.

De nombreux travaux de recherches ont été et sont en train d’être menéspour répondre à l’enjeu majeur de la désinformation, notamment depuis l’avènement des technologies de deep-fake et d’IA génératives. Ce phénomène de désinformation massive est observable dans plusieurs domaines : on peut citer en particulier la sphère politique (« political discourse »), le changement climatique ou encore le domaine de santé (« COVID-19 misinformation »).

Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Sujet :
Cette thèse vise à la conception et à l’évaluation de nouvelles techniques de détection multimodale (vidéo, image, audio, texte) dans du contenu multimédia (vidéo, audio).

Pour ce faire, la thèse explorera l’utilisation de concepts d’IA à différents niveaux « Audio-visual Active Speaker identification » (ASD), « Multimodal Named Entity recognition » (MNER), « Retrieval-Augmented Generation » (RAG), etc., et l’exploitation d’une base de données de fait vérifiés existante (base de données issue de travaux précédents ou benchmark existants).

Par ailleurs, compte-tenu de l’impact sociétal de ces travaux, un fort accent sera mis sur l’explicabilité des algorithmes multimodaux proposés, en agrégant différentes solutions : récupération d’information tierces via la recherche d’information, génération textuelle, visualisation d’élément saillant dans les images/vidéos, isolation des séquences d’intérêt dans les pistes audio/vidéos, etc.

Enfin, durant la réalisation de ces travaux de recherche, il s’agira aussi de tenir compte des verrous théoriques et empiriques de l’acception des citoyens d’un tel outil via les notions d’interactions avec les outils développés, et de visualisation interactive et d’ergonomie. Ces aspects seront abordés via une collaboration avec des chercheurs en sciences de l’information et de la communication ou des journalistes et fact-checkers.

Profil du candidat :
M2 en informatique ou diplôme d’ingénieur
Bonnes connaissances en Machine Learning et Intelligence Artificielle
Bonnes connaissances en programmation indispensables
Des compétences en développement web sont souhaitables
Bonnes capacités de communication et de rédaction, en particulier en anglais

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique LIFAT
Équipe RFAI (Reconnaissance des Formes et Analyse d’Images)
64 avenue Jean Portalis – 37200 – Tours

Document attaché : 202502101508_2025_PhD_lifat_v3.pdf

Proposition de stage de fin d’études ‐ niveau master

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

Laboratoire/Entreprise : IMT Atlantique & ENSTA
Durée : 6 mois
Contact : dorian.cazau@ensta.fr
Date limite de publication : 2025-06-30

Contexte :

Sujet :
IA Non‐Supervisée pour le Suivi de la Biodiversité Marine par Acoustique Passive Sous Marine (IANSPAM)

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Brest ‐ IMT Atlantique / ENSTA

Document attaché : 202502101141_Stage IANSPAM.pdf