 |
MaDICSMasses de Données, Informations et Connaissances en SciencesBig Data - Data Science |
 |
Offre en lien avec l’Action/le Réseau : – — –/Doctorants
Laboratoire/Entreprise : IRISA/UBS
Durée : 6 mois
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2026-01-31
Contexte :
Sujet :
Please see the attached PDF file.
Profil du candidat :
Formation et compétences requises :
Adresse d’emploi :
IRISA-UBS, 56000 Vannes
Document attaché : 202510091448_2025_Master_topic_Dreams.pdf
Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : LaSTIG – IGN
Durée : 6 mois
Contact : alexandre.hippert-ferrer@ign.fr
Date limite de publication : 2026-02-01
Contexte :
Sujet :
Voir offre au format pdf.
Profil du candidat :
Niveau Master 2 en Machine Learning / Télédétection / Sciences de la Terre
Formation et compétences requises :
The internship requires a genuine interest and curiosity in Earth sciences (glaciology and climate science in particular). Strong skills in statistical mathematics, deep learning, computer vision, and remote sensing are expected. Proficiency in one or more machine learning libraries in Python (PyTorch, Tensorflow, Keras) is expected. A good level of scientific computing with Python (scipy, scikit-learn, numpy) is also required.
Adresse d’emploi :
LaSTIG Laboratory, IGN/ENSG, 6-8 avenue Blaise Pascal, 77420 Champs-sur-Marne, France.
Document attaché : 202510081015_fiche_stageM2_GlacierDeepLearning_eng.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
Date : 2026-03-25 => 2026-03-27
Lieu : Cluj-Napoca, Romania
Dear colleagues,
We invite submissions to the HPCoSiMC special session at the PDP 2026 International Conference:
https://sites.google.com/view/hpcosimc-2026/
The HPCoSiMC special session addresses the growing need for efficient similarity computations on massive and complex sequence-type data. It highlights innovative strategies that harness modern parallel platforms to overcome two key bottlenecks: handling large-scale data volumes and managing computational complexity. Topics of interest include methods for exploiting advanced parallel architectures, algorithmic adaptations enabling scalable execution, and user-oriented approaches that simplify access to high-performance computing for non-experts.
The objective of this special session is to gather contributions addressing the challenges of similarity studies, particularly those arising from computational complexity and the massive volume of data involved. We encourage submissions on the following topics, which are not limited to the following:
* Parallelization models and algorithms for large-scale similarity analysis on massive datasets
* Leveraging accelerator architectures such as GPUs and FPGAs to optimize similarity computations
* Hybrid and heterogeneous computing approaches (multi-core, distributed-memory, GPU, accelerators) for similarity tasks
* Implicit parallelism models for similarity analysis on sequence-type data, workflow design, and optimization for large-scale similarity pipelines
* Tools and frameworks to make HPC-based similarity analysis accessible to non-specialists
* Benchmarking and performance evaluation of similarity algorithms on modern parallel architectures
* Dimensionality reduction and indexing methods for scalable similarity search
* Novel and emerging applications that benefit from similarity computations
* Embedding techniques for efficient similarity search
* New methods and metrics for measuring similarity across application domains
Important dates:
* Paper submission : November 28th 2025
* Author notification : January 5th 2026
* Camera-ready copy : January 26th 2026
Submission guidelines
Authors should submit a full paper not exceeding 8 pages in the IEEE Conference proceedings format (IEEEtran, double-column, 10pt) and follow format guidelines found at https://www.ieee.org/conferences/publishing/templates.html.
For submission, please refer to the Easychair submission system as indicated in the Main Conference webpage (https://www.pdp2026.org/submission/cfp), and make sure that you select the “High Performance Computing for Similarity on Massive & Complex data (HPCoSiMC)” track.
Double-bind review: the first page of the paper should contain only the title and abstract; in the reference list, references to the authors own work should appear as “omitted for blind review” entries.
A special issue in a peer-reviewed international journal is planned, featuring a selection of the best papers from the HPCoSiMC session.
We look forward to your submissions
Mike Gowanlock, Verónika Peralta and Sophie Robert (special session co-chairs)
Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.
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 : 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
Offre en lien avec l’Action/le Réseau : DatAstro/– — –
Laboratoire/Entreprise : CRIStAL / Université de Lille / CNRS / Centrale Li
Durée : 18 mois
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2025-12-31
Contexte :
The project is part of the Chaire WILL UNIVERSITWINS (UNIVERSe dIgital TWINS) led by Jenny Sorce (funded by the Université de Lille under the initiative of excellence). The successful candidate will be jointly supervised by Jenny Sorce (CNRS Researcher in cosmology) and Pierre Antoine Thouvenin (Assoc. Prof., Centrale Lille), and hosted in the CRIStAL lab (UMR 9189), Lille, France. The work will be conducted in collaboration with Jean Prost (Assoc. Prof., ENSEEIHT) in the IRIT lab. More than 2000 GPU.hours have already been secured for the project at TGCC on the Irene/Rome partition. They will be used to finetune, validate and deploy the surrogate model to perform Bayesian inference. Access to the medium scale computing center from the University of Lille is also ensured.
Lien vers le site du projet : https://sorcej.github.io/Jenny.G.Sorce/universitwins.html
Lien vers l’offre d’emploi : https://sorcej.github.io/Jenny.G.Sorce/jobads/postdocuniversitwins.pdf
Sujet :
According to the standard cosmological model, about 95% of the Universe is dark. Recent large survey analyses reveal tensions with this model. For instance, the local measurement of the expansion rate and the estimate of the Universe homogeneity differ by more than three standard deviations from those inferred with the first light of the Universe. These discrepancies are at the heart of a heated debate in cosmology to determine whether these tensions require new physical models to be acccounted for, or are mere consequences of systematic biases in the observation processing pipeline. Part of this pipeline relies on cosmological simulations to act as the missing ground truth. However, the simulations only reproduce the statistics of the local cosmic web. A new type of simulations, qualified as constrained, is emerging. Initial velocity and density fields of such simulations stem from observational constraints.
Profil du candidat :
PhD in signal/image processing, computer science or applied mathematics.
Formation et compétences requises :
The project requires a strong background in data science and/or machine learning (statistics, optimization), signal & image processing. Very good Python coding skills are expected. A B2 English level is mandatory. Knowledge in C++ programming, as well as experience or interest in parallel/distributed code development (MPI, OpenMP, CUDA, …) will be appreciated.
Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq
Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : CIRAD – UMR TETIS
Durée : 6 mois
Contact : roberto.interdonato@cirad.fr
Date limite de publication : 2025-12-31
Contexte :
Food systems are highly interconnected between countries on a global scale, as shown by recent disruptions such as the war in Ukraine and the global pandemic. Food flows are vulnerable to shocks, and these disruptions influence food prices, which in turn affect food consumption patterns. This has had a significant impact on people’s diets, particularly in underdeveloped countries where food security is already fragile. However, scientists and policy-makers lack the data and tools to identify weak points in food flows and build food systems resilient to shocks and disruptions. While considerable progress has been made using Earth Observation data to map crop locations and agricultural productivity (e.g. crop yields), little attention has been paid to the intermediate stages of the workflow – distribution, processing and markets – which are key to understanding and modeling how food moves from production to consumption. Additionally, numerous geospatial datasets, such as OpenStreetMap, are publicly accessible and provide valuable information on land use and land cover.
Thanks to advances in artificial intelligence and its application to Earth Observation data, continuously collected satellite images on a global scale, combined with meteorological data, make it possible to monitor food systems in real time. Deep learning models, capable of capturing complex, non-linear relationships, and multimodal algorithms integrating data from a variety of sources, are opening up new perspectives in this field. This internship proposes to exploit multi-temporal and multi-resolution Earth observation data, by combining them with learning models, to monitor food systems, estimate agricultural yields and analyze their links with market prices.
This internship focuses on developing machine learning approaches to analyze food flows in Rwanda, in relation to food security situation in the country, by using comprehensive market data and geospatial information. Food flows often deviate from optimal distribution patterns due to infrastructure constraints, market dynamics, and socio-economic factors. For example, a certain product (e.g., potatoes) grown in northern regions may follow suboptimal routes to reach southern markets. By modeling both ideal and actual food flows, we can identify bottlenecks and opportunities to improve food security.
Sujet :
Missions :
The project aims to understand the relationship between food production locations, distribution networks, and market accessibility to inform food security policies. More specifically, the final task is to build a machine learning model able to predict the probability that a certain item is sold in a specific market, based on production and distribution data.
The project leverages two primary datasets:
· Public Market Dataset: 1.2 million items across 70 markets covering 10 types of food items.
· CGIAR/IITA Survey Database: A dataset collected by the IITA (International Institute of Tropical Agriculture) including monthly data from 7,000 vendors across 67 markets in all districts of Rwanda, including food quality assessments and detailed market information.
These datasets will be complemented by geospatial data including OpenStreetMap (OSM) infrastructure data, land cover information, and Earth observation data (NDVI and other spectral indices).
The main tasks to address during the internship will be:
1. Database Integration and Market Mapping
a. Merge the public market dataset with CGIAR/IITA survey data to create a comprehensive market database
b. Map which specific food items are sold in which markets
2. Geospatial Data Integration
a. Incorporate OpenStreetMap data to understand transportation networks and market accessibility
b. Integrate land cover and agricultural production data to identify food production zones
c. Process Earth observation data (NDVI, meteorological data) to assess agricultural productivity
d. Map the complete food system from production areas to consumption markets
3. Machine Learning Model Development
a. Develop predictive models to estimate the probability that specific food items will be available in particular markets
b. Compare actual food flows with modeled optimal flows to identify inefficiencies
c. Test developed models against baseline methodologies and state-of-the-art approaches
4. Writing of the internship report (in English) to capitalize on the work carried out with a view to a possible scientific publication. If possible, also release associate code and data.
Profil du candidat :
Skills required :
– Programming skills
– Interest in data analysis
– Scientific rigor
– Curiosity and open-mindedness
– Analytical, writing and summarizing skills
How to apply :
Send CV, cover letter and M1 (or 4th year) transcript to :
simon.madec@cirad.fr , roberto.interdonato@cirad.fr
specifying as e-mail subject “CANDIDATURE STAGE DIGITAG”.
Additional Information :
– Duration of 6 months, starting February 2025
– Remuneration: CIRAD salary scale, ~600 euros/month
– The internship will take place at CIRAD, in the UMR TETIS (Territory, Environment,
Remote Sensing and Spatial Information), located at the Maison de la
Télédétection in Montpellier.
– The internship will be carried out in collaboration with Assistant Professor
Claudia Paris and Yue Dou, currently working at the ITC Faculty of Geographic Information
Science and Earth Observation, University of Twente, Netherlands.
Formation et compétences requises :
Skills required :
– Programming skills
– Interest in data analysis
– Scientific rigor
– Curiosity and open-mindedness
– Analytical, writing and summarizing skills
How to apply :
Send CV, cover letter and M1 (or 4th year) transcript to :
simon.madec@cirad.fr , roberto.interdonato@cirad.fr
specifying as e-mail subject “CANDIDATURE STAGE DIGITAG”.
Additional Information :
– Duration of 6 months, starting February 2025
– Remuneration: CIRAD salary scale, ~600 euros/month
– The internship will take place at CIRAD, in the UMR TETIS (Territory, Environment,
Remote Sensing and Spatial Information), located at the Maison de la
Télédétection in Montpellier.
– The internship will be carried out in collaboration with Assistant Professor
Claudia Paris and Yue Dou, currently working at the ITC Faculty of Geographic Information
Science and Earth Observation, University of Twente, Netherlands.
Adresse d’emploi :
500 rue Jean François Breton, 34090, Montpellier
Annonce en lien avec l’Action/le Réseau : Musiscale
Thème :
Du son à la musique : comment se constituent les objets musicaux
Présentation :
Les données musicales constituent une masse d’information considérable qui est cependant mal exploitée du fait de l’absence de paradigme générique permettant de rendre de rendre compte de leurs relations de similarité, et ce à diverses échelles de représentation.
Par similarité, on entend des relations simples qui permettent d’expliquer et de formuler les correspondances entre éléments, séquences temporelles, sections, albums, oeuvres, voire corpus musicaux, en tenant compte de leurs spécificités mais en veillant à faire appel à un paradigme général. Les éléments musicaux s’organisent en effet à différentes échelles, au sein d’un corpus, dans le temps, etc.
La journée d\’étude, sans se limiter à cette question, s\’intéressera particulièrement à la formation des objets sonores à partir de données audio : comment sont-ils perçus, comment les détecter, comment les intégrer dans une structure musicale multi-échelle.
Du : 2025-10-03
Au : 2025-10-03
Lieu : Maison de la recherche, 28 rue Serpente, 75006 Paris
Site Web : https://www.madics.fr/actions/musiscale/
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 : 2026-02-02
Contexte :
Les technologies d’imagerie capables de détecter les processus biologiques précoces in vivo de manière non invasive pour des études longitudinales, avec une haute résolution, représentent un défi pour la recherche biomédicale. Le concept de notre système d’imagerie repose sur un nouveau d’imagerie optique diffuse de fluorescence multicolore pour l’imagerie in vivo du petit animal en trois dimensions (3D) dans la fenêtre NIR-II (1000-2000 nm). La tomographie optique diffuse de fluorescence consiste à injecter au sujet (ici une souris) des substances chimiques qui se fixent sur différents organes. Ces substances chimiques, appelées fluorophores, sont alors excitées par une source lumineuse puis réémettent de la lumière lors de leur relaxation, à plus faible énergie (plus longue longueur d’onde). L’objectif est de reconstruire des images à partir de ce signal de fluorescence. Le signal de fluorescence ainsi que la source d’excitation peuvent être atténués à la fois par l’absorption et la diffusion des différents milieux traversés, ce qui entraîne une distorsion des spectres mesurés. La reconstruction des images est généralement un problème mal-posé nécessitant l’utilisation d’algorithmes d’optimisation exploitant des connaissances apriori sur les volumes à reconstruire.
Sujet :
Le but du stage est le développement d’algorithmes de reconstruction spécifiques aux images hyper-spectrales i.e. lorsque le sujet est excité avec différentes longueurs d’onde et que le signal de fluorescence est échantillonnée à plusieurs longueurs d’onde. Les connaissances apriori sur les volumes à reconstruire seront estimées à l’aide d’algorithmes de deep learning.
Profil du candidat :
Le candidat recruté devra avoir être en dernière année d’école d’ingénieurs ou en Master 2 dans le domaine des mathématiques appliquées, le traitement du signal/images ou dans une formation équivalente. Il devra être particulièrement à l’aise en programmation (python/Matlab) et avoir une réelle appétence pour les interactions entre l’informatique et la physique.
Formation et compétences requises :
Adresse d’emploi :
52 Av. Escadrille Normandie Niemen, 13013 Marseille
Document attaché : 202509290900_stage tomo hyper spectral.pdf