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

Laboratoire/Entreprise : Laboratoire Informatique et Société Numérique – LS
Durée : PU
Contact : lionel.amodeo@utt.fr
Date limite de publication : 2025-10-15

Contexte :
L’Université de Technologie de Troyes (UTT) recrute un·e Professeur·e des Universités dans le domaine de l’Intelligence Artificielle et du Traitement statistique du signal et des images.

Profil scientifique attendu :
Section CNU: 26ème/27ème/61ème

Fondements statistiques de l’IA
Robustesse, explicabilité
Décision statistique sous incertitude

Recherche :
Le poste est rattaché à l’axe MSAD – Modélisation Stochastique, Apprentissage et Décision de notre UR LIST3N.

Enseignement :
Programmes Ingénieurs et Masters
Mastère Spécialisé® Big Data Engineer
Nouveau Bachelor en Intelligence Artificielle (en partenariat avec le cluster Hi! PARIS).

Projets structurants associés :
Cluster Hi! PARIS – AI for Science, Business & Society
Programme PEA Impact
Université de Technologie Européenne EUt+

Prise de fonction : 1er janvier 2026 à Troyes

Détails et dépôt de candidature :
https://www.utt.fr/carrieres-emplois/poste-d-enseignant-chercheur
Référence : Poste n° 253213 (ODYSSEE)

Sujet :
La recherche, la formation et le transfert de technologie sont les trois missions de l’Université de Technologie de Troyes (UTT). Établissement à la fois École d’Ingénieurs et Université, l’UTT est aujourd’hui parmi les 10 écoles d’ingénieurs les plus importantes en France, avec un rayonnement à l’international reconnu.
Elle forme plus de 3100 étudiants chaque année, de post-bac à bac+8. Ses formations conjuguent excellence et innovation et sont adossées à une recherche de pointe.
En effet l’UTT s’appuie sur ses 5 unités de recherche pour proposer des formations couvrant tout le spectre universitaire : Licence, Master, Ingénieur et Doctorat, des formations courtes professionnalisantes (Diplômes d’Université), des programmes de Mastère spécialisé®, de la VAE et des certifications en langues.
Ces formations apportent aux diplômés de l’UTT les compétences recherchées par les entreprises grâce à une forte proximité avec celles-ci, notamment au travers de sa fondation. Le parcours d’ingénieur en 5 ans, habilité par la CTI, se singularise dans le paysage académique par des parcours individualisés dès la première année, ce qui permet à chaque étudiant d’adapter sa formation à son projet professionnel.

Profil du candidat :
Pour ce poste de Professeur des Universités un investissement équilibré entre les activités de formation, de recherche et un engagement au sein de l’UTT est attendu. La participation à la dynamique de projet font partie des missions.

Enseignement :
La personne recrutée interviendra principalement dans les enseignements en Bachelor IA et Mastère Spécialisé® Expert Big Data Engineer, en particulier ceux liés à l’intelligence artificielle et la Data.
En complément, elle participera aux enseignements du Tronc Commun de l’UTT et en formation Génie industriel dans les domaines des probabilités et des statistiques, sous forme de cours, TD et TP. Elle prendra part à l’encadrement de projets et au suivi pédagogique des étudiants, notamment en apprentissage.
La personne recrutée sera amenée à assumer par ailleurs des responsabilités dans la mise en oeuvre du nouveau Bachelor en IA qui ouvre à l’UTT en 2025, en partenariat avec IPParis, HEC, CNRS, INRIA au sein du cluster à vocation mondiale Hi !Paris.
Une implication dans les tâches collectives de l’établissement ainsi qu’un engagement soutenu dans l’accompagnement des étudiants en alternance sont attendus.

Recherche :
L’Axe Modélisation Stochastique, Apprentissage et Décision (MSAD) mène des travaux reconnus en modélisation probabiliste, estimation, inférence et apprentissage statistique, qui contribuent à la visibilité scientifique du laboratoire LIST3N aux niveaux national et international (cf. Rapport HCERES 2023). Le renforcement de cette expertise par le recrutement d’un PU s’inscrit dans la stratégie de l’axe, qui vise à structurer une activité de recherche sur les fondements statistiques de l’IA, en lien avec la robustesse, la généralisation et la décision sous incertitude.
Ce besoin se justifie d’autant plus que de nombreux travaux de l’Unité de Recherche LIST3N s’appuient sur des cas d’usage critiques (santé, cybersécurité, infrastructures vitales, maintenance industrielle), dans lesquels la maîtrise des outils statistiques est essentielle pour garantir la fiabilité, l’interprétabilité et la transférabilité des modèles d’IA.
Dans une logique de rayonnement institutionnel, elle sera également appelée à travailler pour l’UTT au sein du cluster Hi!Paris, consortium interdisciplinaire de référence dans les domaines de l’intelligence artificielle et des sciences des données. À ce titre, elle contribuera à représenter la stratégie scientifique de l’UTT dans ce cadre partenarial, du cluster. Cette mission de représentation s’inscrira dans la stratégie globale de l’établissement visant à renforcer sa visibilité et son positionnement sur les enjeux liés à l’IA de confiance, à la modélisation sous incertitude et à la décision explicable.

Le poste proposé correspond à un besoin prioritaire de l’axe « Modélisation stochastique, apprentissage et décision » (MSAD) du Laboratoire Informatique et Société́ Numérique (LIST3N). Les travaux de recherche menés au sein de cet axe visent à concevoir des modèles mathématiques innovants, des algorithmes de traitement des données ainsi que des outils d’aide à la décision. Ils reposent sur un socle disciplinaire commun englobant la modélisation stochastique, les méthodes statistiques, les techniques non paramétriques issues de l’apprentissage automatique (Machine Learning et Deep Learning) et l’Intelligence Artificielle (IA), ainsi que la conception de décisions robustes, qu’elles soient distribuées ou collaboratives.
Outre les travaux théoriques et méthodologiques, elle doit être capable de porter des projets collaboratifs structurants institutionnels comme industriels au niveau national (CIFRE, Région, ANR) et européen, notamment dans le cadre de l’Université Européenne de Technologie (Eut+).
Il est attendu de la personne recrutée de jouer un rôle de premier plan dans la thématique du traitement du signal et plus généralement de l’IA avec une composante d’animation et de coordination de projets structurants (existants ou à venir) au sein de l’établissement :
• Pilotage du programme PEA Impact (3 partenaires – UTBM, IMT Albi et Université de Lomé) incluant les volets recherche (10 thèses en cotutelle France/Togo et formation de niveaux Licence et Master),
• Coordination des activités de l’UTT dans le cadre du cluster Hi! PARIS (IP Paris, HEC Paris, Inria Saclay),
• Coordination du Mastère spécialisé Expert Big Data Engineer et du Bachelor en Intelligence Artificielle.
Ce poste s’inscrit dans la volonté du LIST3N de préserver son rayonnement dans un domaine directement en lien avec l’ambition n°3 du plan stratégique UTT 2035.

Formation et compétences requises :
Compétences souhaitées :
▪ Pédagogue ;
▪ Capacité à mener une recherche d’excellence ;
▪ Motivation, travail collaboratif et gestion de groupe ;
▪ Capacité à inscrire des notions fondamentales dans un cadre industriel ou dans une dimension d’ingénierie au sens large ;
▪ Capacité à enseigner en Anglais.

Adresse d’emploi :

Université de Technologie de Troyes, 12 rue Marie Curie à Troyes
LIST3N

Contacts:
Dossier de candidature : recrutement-list3n@utt.fr
Information concernant la recherche : Lionel.amodeo@utt.fr
Information concernant l’enseignement : faicel.hnaien@utt.fr

Document attaché : 202509161941_DRH25_08_PU-Approches Statistiques_IA-VF (1).pdf

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 : DatAstro/– — –

Laboratoire/Entreprise : LISN
Durée : 3 à 5 ans
Contact : cyril.furtlehner@inria.fr
Date limite de publication : 2025-10-02

Contexte :
Le département d’informatique de l’Université Paris-Saclay annonce l’ouverture d’une Chaire de Professeur Junior rattachée au laboratoire LISN, dans le domaine interdisciplinaire de l’apprentissage automatique et de la physique, à partir de décembre 2025 (voir détails : https://team.inria.fr/tau2/files/2025/09/CPJ.pdf).

Cette CPJ correspond à un poste de type tenure-track, assorti d’un financement de démarrage d’environ 200 k€ et d’un service d’enseignement réduit (64h/an) pendant les premières années, normalement suivi d’une titularisation comme professeur des universités.

La date limite de candidature est le 2 octobre. Dépôt des candidatures via : https://odyssee.enseignementsup-recherche.gouv.fr/procedures/recrutement-ec/offres-poste/fiche-offre-poste/253200.

Pour toute question scientifique ou générale, merci de contacter Cyril Furtlehner et Guillaume Charpiat (cyril.furtlehner@inria.fr, guillaume.charpiat@inria.fr), et pour les aspects pédagogiques Lila Boukhatem (lila.boukhatem@universite-paris-saclay.fr).

Sujet :
L’intelligence artificielle est au cœur de la stratégie de l’Université Paris-Saclay. Le couplage entre IA, mathématiques appliquées et physique constitue un domaine stratégique, avec des applications allant du climat (modélisation spatio-temporelle, enrichissement de données) à la santé (médecine personnalisée, modélisation d’organes).
Le thème du projet illustre la synergie entre les départements de mécanique numérique, d’apprentissage et de science des données du LISN, et s’inscrit dans les axes portés par DATAIA et le clusterIA via les chaires modulaires. Certains axes s’inscrivent dans des initiatives internationales pluridisciplinaires entre physique et informatique, comme la Simons Collaboration on Cracking the Glass Problem (https://scglass.uchicago.edu/).

Le projet PhyML est aligné sur les priorités du LISN :

– Projet multidisciplinaire à l’interface entre apprentissage, science des données, simulation et mécanique ;
– Fort ancrage dans l’écosystème local, avec des collaborations structurées : projet ML4CFD (Machine Learning for Computational Fluid Dynamics, coll. IFPEN), projet HSA (Hybridation Simulation Apprentissage, IRT-SystemX) et thèse CD-ROM (Complementary Deep – Reduced Order Model), projet ANR SPEED (Simulating Physical PDEs Efficiently with Deep Learning, coord. Lionel Mathelin), ainsi que la start-up fondée par deux doctorants de l’équipe A&O (M. Nastorg et E. Meunier).

Par ailleurs, l’interface entre IA et physique constitue un des axes de DataIA, centré sur les liens entre IA, systèmes complexes et physique statistique, soutenu par les possibilités de financement du ClusterIA.

Profil du candidat :
**Résumé du projet**

L’objectif est de développer des interactions fécondes entre physique et apprentissage automatique.

– Premier axe : AI4Science (SciML), en développant des méthodes d’apprentissage pour mieux simuler ou comprendre des phénomènes physiques. Cela inclut l’intégration de connaissances physiques (invariances, symétries et bris de symétrie, propriétés désirées, métriques entre systèmes dynamiques, PINNs, etc.) dans les tâches d’apprentissage. On peut concevoir pour cela des architectures neuronales et méthodes d’optimisation adaptées (graph-NN, transformers, schémas de discrétisation, NeuralODEs, modèles multi-échelles, génératifs, réseaux neuronaux group-equivariant, …). Le couplage entre simulation et apprentissage, dans un contexte riche en données, ouvre des perspectives majeures (accélération, stabilisation des simulations, résolution de problèmes inverses).

– Deuxième axe : exploiter des concepts de physique théorique (ou mathématique) pour explorer les propriétés fondamentales de l’apprentissage automatique, par exemple la scalabilité (neural scaling laws) ou la dynamique d’entraînement, en particulier en haute dimension. Cela peut impliquer des outils classiques (théorie des matrices aléatoires, méthodes de répliques), ou des concepts plus récents spécifiques au ML (neural tangent kernel, régime de « lazy training »). On pourra explorer la dynamique au-delà du lazy regime, les régimes hors équilibre des Energy-Based Models via la dynamical mean field theory, ou encore les compromis confidentialité–utilité avec des modèles analytiques. Des concepts issus d’autres domaines de la physique ou des mathématiques appliquées peuvent aussi être pertinents, comme l’ont montré les processus de diffusion à la base des modèles génératifs.

De manière générale, nous recherchons des profils à l’interface Physique/ML, aussi bien du côté ML4Physics que Physics4ML.

Formation et compétences requises :

Adresse d’emploi :
LISN
Université Paris-Saclay
1 rue René Thom
91190 Gif-sur-Yvette

Document attaché : 202509091622_CPJ.pdf

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

Laboratoire/Entreprise : LISIC – Université du Littoral
Durée : 1 year
Contact : esteban.bautista-ruiz@lip6.fr
Date limite de publication : 2025-10-31

Contexte :
The Industrial Internet of Things (IIoT) is a rapidly evolving paradigm in which industrial sensors, machines, and other instruments are connected to the internet. The data provided by these systems are of great value for automated surveillance and detecting anomalies in them is therefore a task of utmost importance.

Temporal graphs are a very effective model for IIoT data, where nodes represent devices; node features represent their measurements; and time-varying weighted edges capture various types of information. In the initial phase of this project, we have already developed powerful auto-encoder models capable of detecting both temporal and structural anomalies in temporal graphs. Yet, while our models allow us to detect the presence of an anomaly, they are still unable to localise it.

The main goal of this postdoctoral project is therefore to fundamentally extend our temporal graph auto-encoder models beyond anomaly detection to also perform anomaly localization.

Sujet :
The recruited postdoc will have two main goals:

1. Extension of Auto-Encoders for Anomaly Localization.

Our models currently receive a temporal graph as input and produce an anomaly score that is proportional to the severity of its abnormal events. Even though they can be used to localize anomalies by searching for the subset of maximal anomaly score, such an approach is impractical due to the exponential number of subsets to test. We aim to prune-down the search space by properly structuring the auto-encoder’s latent representation. This will require substantial architectural innovation to disentangle the auto-encoder’s structured representation and achieve fine-grained anomaly localization.

2. Application to IIoT logs and measurements.

We aim to evaluate the methodological developments above in real-world IIoT dataset that contain various types of attacks (structural anomalies) and measurement faults (feature anomalies). We aim to explore the advantages of our approach in real-world, potentially on-line, scenarios, such as machine health monitoring, transportation network monitoring, or other use cases that may arise from collaborations with local companies.

Profil du candidat :
We look for highly motivated candidates with relevant experience in anomaly detection, graph machine learning, and/or deep learning. Experience in Python programming, cybersecurity and/or streaming algorithms is a plus. Ideal candidates will have a publication record in selective AI conferences.

Interested candidates are invited to send a cover letter, a detailed CV (with a publication list and the contact details of two references), and their PhD manuscript or a recent paper to:

– esteban.bautista@univ-littoral.fr
– claire.guilloteau@univ-littoral.fr

Applications will be reviewed on a rolling basis until the position is filled.

Formation et compétences requises :

Adresse d’emploi :
Saint-Omer, France

Document attaché : 202509011756_Postdoc___Temporal_Graph_Auto_Encoders____Job_Offer.pdf

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

Laboratoire/Entreprise : ISEN Yncrea Ouest Nantes
Durée : 18 mois
Contact : sylvain.lefebvre@isen-ouest.yncrea.fr
Date limite de publication : 2025-10-31

Contexte :
Ce contrat se déroule dans le cadre d’une chaire industrielle créée en 2021 entre l’entreprise ACOME, leader européen dans la création des câbles et le L@bISEN, le laboratoire de recherche de l’Institut Supérieur de l’Electronique et du Numérique (ISEN). Ce travail va être effectué par un(e) post-doctorant(e) ou un(e) ingénieur(e) de recherche, sur une période de de 12 mois, encadré(e) par un enseignant-chercheur de l’ISEN Ouest. Plus largement, la personne recrutée bénéficiera du soutien technique de l’équipe de recherche, équipe composée de 5 E/C et 2 ingénieurs.

Sujet :
En 2019 l’industrie manufacturière était responsable de 19% des déchets non dangereux produits chaque année [1]. A l’ère de la numérisation massive de l’industrie et du développement des technologies d’intelligence artificielle, la mise en place de systèmes et procédures permettant d’automatiser la détection et la correction des défauts de production promet d’impacter significativement les quantités rejetées lors de la production.
La fabrication des câbles combine plusieurs activités complexes de production effectuées par différentes machines dans plusieurs ateliers. L’activité de production de l’entreprise concerne principalement la production de câbles pour différents secteurs industriels et notamment pour le secteur automobile. Il s’agit donc de fabrication de produits en long. Les procédés de fabrication pour ce genre de produits impliquent des flots continus de matières circulant dans et entre les machines. Des changements d’ordre de fabrication, des défauts de qualité des matières premières ou des conditions de production particulières produisent par exemple des produits ne pouvant être commercialisés qui sont alors des sources de coût pour l’entreprise et ont impact environnemental négatif.
Il y a donc un besoin de fournir un outil d’analyse intelligent de plusieurs sources de données sur l’ensemble du processus de production, qui puisse recommander automatiquement aux ingénieurs qualité les paramètres optimaux pour minimiser les déchets.
ACOME et les équipes de l’ISEN ont donc développé un lac de données rassemblant les informations de production et de qualité lors des phases antérieures du projet. L’analyse de ces données est en cours et permettra de faire émerger des recommandations et des outils de suivis appropriés pour les équipes qualité d’ACOME.
Le post doctorant interviendra donc dans le développement de ces outils d’analyse, ce qui pourrait nécessiter la conception de nouvelles approches de recherche, comme : l’analyse de journaux existants et d’identification automatiques des éléments pouvant amener à générer des déchets [1], le développement de méthodes prédictives (IA, Apprentissage Automatique et Profond) pour l’estimation des quantités de déchets. D’autres approches peuvent utiliser des jumeaux numériques [2, 4] et l’apprentissage par renforcement pour virtuellement reproduire les conditions de l’usine et analyser l’impact des variations des paramètres de production. Enfin, les approches visant à optimiser l’ordonnancement des tâches, c’est-à-dire la planification des activités de production, dans le but de minimiser la quantité de déchets produits pourront être explorées [3].

Références :
[1] Duong, L. T., Trave-Massuyes, L., Subias, A., & Roa, N. B. (2021). Assessing product quality from the production process logs. The International Journal of Advanced Manufacturing Technology, 117, 1615-1631.
[2] Howard, D. A., Ma, Z., & Jørgensen, B. N. (2021). Digital Twin Framework for Industrial Production Processes. Energy Informatics, 4(Suppl. 1), P9.
[3] Le Hesran, C., Ladier, A. L., Botta-Genoulaz, V., & Laforest, V. (2019). Operations scheduling for waste minimization: A review. Journal of cleaner production, 206, 211-226.
[4] Botín-Sanabria, D. M., Mihaita, A. S., Peimbert-García, R. E., Ramírez-Moreno, M. A., Ramírez-Mendoza, R. A., & Lozoya-Santos, J. D. J. (2022). Digital twin technology challenges and applications: A comprehensive review. Remote Sensing, 14(6), 1335.

Profil du candidat :
Le candidat devra montrer une solide expertise dans un ou plusieurs des domaines suivants :
– Avoir des prérequis solides en : IA, Statistique, Big Data Analysis, Big Data Science, Machine Learning, Deep Learning, etc.
– Excellente compétence en programmation orientée-objet (Python ou Java, etc.)
– Avoir une expérience dans la proposition, développement, test des modèles de statistique inférentielle, de corrélation, de régression, de classification ou de clustering,
– Maitriser le Français et l’Anglais,
– Mener des recherches de haut-niveau et publier des articles scientifiques dans des conférences et des revues internationales à comité de lecture.

Formation et compétences requises :

Expériences appréciables :
– Une expérience industrielle,
– Connaissance du SQL.

Adresse d’emploi :
ISEN Ouest – Campus de Nantes
33 QUATER Av. du Champ de Manœuvre, 44470 Carquefou