Archives

Développement et évaluation d’un passage à l’échelle des prévisions Arome sur l’Europe avec des méthodes d’Intelligence Artificielle Générative.

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

Ce stage n’est plus disponible

Laboratoire/Entreprise : CNRM – Centre National de Recherches Météorologiqu
Durée : 6 mois
Contact : victor.sanchez@meteo.fr
Date limite de publication : 2025-01-15

Contexte :
L’utilisation de l’intelligence artificielle (IA) pour la Prévision Numérique du Temps (PNT) se démocratise progressivement depuis plusieurs années. Les algorithmes d’apprentissage profond et les approches génératives ont d’ailleurs récemment fait leur preuve dans ce domaine d’application. Désormais, ces méthodes ont la capacité de produire des champs physiques avec une certaine cohérence physique, pour un coût numérique très inférieur aux méthodes classiques d’intégration numérique.

Le stage proposé se place dans le cadre de Destination Earth (DestinE). DestinE est une initiative de la Commission européenne dans le cadre du programme EU Digital Europe. Ce projet vise à déployer plusieurs jumeaux numériques de la Terre, qui aideront à surveiller et à prévoir les changements environnementaux et l’impact humain, afin de développer et de tester des scénarios qui soutiendraient le développement durable et les politiques européennes correspondantes pour le Green Deal. L’IA, et en particulier l’apprentissage profond, sont un des axes développés dans DestinE. Le travail durant le stage sera à destination du projet DE_371, auquel l’équipe d’accueil participe.
L’objectif du projet DE_371 est de démontrer que des méthodologies utilisant les algorithmes d’IA à l’état de l’art peuvent aider à améliorer l’estimation de l’incertitude des prévisions, en permettant de produire des prévisions d’ensemble de grande taille et à haute résolution spatiale et temporelle.

Sujet :
L’objectif du travail proposé est d’utiliser des techniques d’IA dites génératives comme les Réseaux Antagonistes Génératifs (GAN) [1] pour améliorer les performances du système opérationnel de prévision d’ensemble Arome. L’équipe d’accueil a développé un prototype StyleGAN [2][3] capable de générer des membres Arome physiquement cohérents sur un quart sud-est de la France et pour quelques variables de surface. Ce stage se propose d’utiliser ce prototype comme base de
développement. Les résultats encourageants mènent vers plusieurs pistes d’approfondissement et d’amélioration, qui feront l’objet du présent stage, parmi lesquelles :
• Adaptation du modèle à une extension du domaine actuel.
• Exploration de méthodes de Transfer Learning [4] sur le domaine nordique (Norvège, Suède).
• Evaluation des prévisions StyleGAN sur des évènements à fort impact.

[1] Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144. https://dl.acm.org/doi/pdf/10.1145/3422622.

[2] Karras, T., Laine, S., Aittala, M., Hellsten, J., Lehtinen, J., & Aila, T. (2020). Analyzing and improving the image quality of stylegan. In Proceedings of the IEEE/CVF conference on computer vision and
pattern recognition (pp. 8110-8119).https://openaccess.thecvf.com/content_CVPR_2020/papers/
Karras_Analyzing_and_Improving_the_Image_Quality_of_StyleGAN_CVPR_2020_paper.pdf

[3] Brochet, C., Raynaud, L., Thome, N., Plu, M., & Rambour, C. (2023). Multivariate Emulation of Kilometer-Scale Numerical Weather Predictions with Generative Adversarial Networks: A Proof of Concept. Artificial Intelligence for the Earth Systems, 2(4), 230006. https://doi.org/10.2496.

[4] Lee, D., Lee, J. Y., Kim, D., Choi, J., & Kim, J. (2022). Fix the noise: Disentangling source feature for transfer
learning of StyleGAN. arXiv preprint arXiv:2204.14079. https://arxiv.org/pdf/2204.14079

Profil du candidat :
Le ou la stagiaire pourra disposer de moyens de calculs sur GPU importants (plate-forme Météo France et/ou super-calculateur EuroHPC), au sein d’une équipe expérimentée et motivée. Il ou elle bénéficiera
des outils et méthodes déjà développés dans l’équipe. Ce stage sera l’occasion de développer ses compétences, notamment :
• expérience de développement d’algorithmes d’apprentissage profond à l’état de l’art
• manipulation d’une infrastructure de calcul haute-performance
• gestion d’une base de code commune et ajout de fonctionnalités
• intéractions avec des partenaires internationaux (centres météorologiques en Norvège et Suède)

Formation et compétences requises :
Ce stage requiert un réel intérêt pour la prévision numérique du temps (des connaissances préalable à ce sujet seraient un plus mais ne sont pas nécessaire). De solides compétences en statistiques et une bonne maîtrise du langage Python seront également nécessaires. Une connaissance préalable du fonctionnement des réseaux de neurones profonds (en particulier des réseaux convolutifs CNN) est souhaitée. Une première expérience d’une bibliothèque de Deep Learning (PyTorch, TensorFlow, …) serait un plus.

Adresse d’emploi :
42 Av. Gaspard Coriolis, 31100 Toulouse

Document attaché : 202410040756_Fiche-proposition-PFE_IENM_IA_2025.pdf

Deep Generative Models for Next-Generation Search and Recommendation

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

Laboratoire/Entreprise : Criteo AI Lab Paris / Sorbonne Universite
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2025-01-15

Contexte :
New paradigms like Generative Information Retrieval (GenIR) and Generative Recommendation (GenREC), built on foundation models, aim to transform how information is accessed. GenIR combines all components of traditional IR systems into one model that generates responses directly from user queries, while GenREC does something similar for recommendations. The goal of this PhD project is to explore the convergence of generative models for search, recommendation and related downstream tasks.

Sujet :
A first step will be to develop a unified generative engine for both search and recommendation, allowing for seamless alternation between the two modes during interactive sessions using a single engine. This is also a step toward realizing foundation models that offer a variety of functions to enhance user interactions. The second step will involve adapting this model to the large-scale, dynamic corpora characteristic of recommendation systems in the adtech industry, which presents additional research challenges. A brief description of the two directions is provided below.

Task 1: Unifying Generative IR and Recommendation

This task aims to develop a unified engine for search and recommendation, allowing for alternating between the two modes in interactive sessions. The goal is to enhance performance in both domains through a multi-task framework, enriching training data for both. While search and recommendation share similarities, they also have key differences, such as query intent. Search is driven by user queries, while recommendation relies on past user behavior. We aim to address these differences by defining a joint architecture and multi-task training strategy that captures the semantic distinctions between search (similarity-based) and recommendation (collaborative).

Task 2: Enhancing ID Associations for Large and Dynamic Collections

In this task, the goal is to improve document and item ID representations in large-scale, dynamic collections for a joint search/recommendation system. We will explore methods such as hierarchical structures and prior knowledge (e.g., product taxonomies) to optimize ID design. By leveraging additional information like brands or categorizations, we aim to improve the retrieval and recommendation process, particularly for large and evolving datasets.

Profil du candidat :
Computer science or applied mathematics. Good programming skills.

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

Adresse d’emploi :
Criteo AI Lab Paris

Document attaché : 202410031512_2024-09-PhD position-description-Generative-IR-Criteo.pdf

CFP – AAAI 2025 Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (GoodData)

Date : 2025-03-03 => 2025-03-04
Lieu : AAAI-2025 – Philadelphia, Pennsylvania, USA

CFP – AAAI 2025 Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (GoodData)

For details, please see the webpage: https://sites.google.com/servicenow.com/good-data-2025/

Foundation models highly depend on the data they are trained on. Although self-supervised learning is one of their promises, it is clear that the carefully processed datasets lead to better models. While datasets and models are frequently released by the community, the data preparation recipes are relatively nascent and not fully open. In this workshop, we invite contributions and collaborations in data preparation recipes for creating and using foundation models and generative AI applications, including (but not limited to) pre-training, alignment, fine tuning, and in-context learning. Data preparation spans data acquisition, cleaning, processing, mixtures, quality assessments, value of data, ablation studies, safety, and governance. This workshop emphasizes the responsible usage and ethical considerations of data preparation (including human annotations), to address the issues of diversity, bias, transparency, and privacy.

Important Dates

Workshop paper submission deadline: 15 November 2024, 11:59 pm Pacific Time.

Notification to authors: 9 December 2024.

Date of workshop: 3 or 4 March 2025.

Topics

We encourage submissions under one of these topics of interest, but we also welcome other interesting and relevant research for preparing good data.

  • Data acquisition, cleaning, processing, and mixture recipes
  • Data quality assessment and quantifying the value of data
  • Data sequence for multi-phase and curriculum learning
  • Model-based data improvement techniques
  • Ablation study strategies to understand the interplay between data and model
  • Data safety and governance
  • Responsible and ethical considerations of data collection and human annotation
  • Diversity, bias, transparency, and privacy of data
  • Theoretical modeling and analysis of data-related aspects in generative AI
  • Large-scale data processing (intersection between systems and algorithms)
  • Data value

We accept submissions of a maximum of 4 pages (excluding references and appendix). Papers will be peer-reviewed under a double-blind policy. Accepted papers will be presented at the poster session, some as oral presentations, and one paper will be awarded as the best paper.

OpenReview Submission Link

Please submit your paper via the following link: https://openreview.net/group?id=AAAI.org/2025/Workshop/GoodData

Submission Guidelines

We accept submissions of a maximum of 4 pages (excluding references and appendix).
We accept only original works not published before at any archival venue with proceedings.
The submitted manuscript should follow the AAAI 2025 paper template.
Submissions will be rejected without review if they:
Contain more than 4 pages (excluding references and appendix).
Violate the double-blind policy.
Violate the dual-submission policy for papers.
The accepted papers will be publicly accessible on OpenReview, but the workshop is non-archival and does not have formal proceedings.
Papers will be peer-reviewed under a double-blind policy and must be submitted online through the OpenReview submission system.

Lien direct

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

Professeur·e assistant·e ou associé·e, domaine de l’Informatique scientifique

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

Laboratoire/Entreprise : Université de Genève, Département d’informatique
Durée : Indéterminée
Contact : jonas.latt@unige.ch
Date limite de publication : 2024-11-30

Contexte :
Le Département d’Informatique de la Faculté des Sciences, très dynamique, est impliqué dans de nombreux projets de recherche financés par le FNS, l’EU, l’industrie et d’autres fondations. Le Département d’Informatique offre une formation de bachelor, master et doctorat complète, axée à la fois sur les concepts théoriques de base de l’informatique, de la maîtrise des outils correspondants et de leurs applications multidisciplinaires dans des domaines aussi variés que l’informatique théorique, les preuves formelles, la théorie de l’information, le calcul à haute performance, la modélisation et la simulation numérique, la bioinformatique, etc.

Sujet :
Le Département d’informatique de la Faculté des sciences de l’Université de Genève est à la recherche d’un-e

professeur-e assistant-e ou associé-e dans le domaine de l’Informatique scientifique

Nous recherchons un-e candidat-e ayant une connaissance approfondie des méthodes informatiques, de leurs fondements théoriques et de leurs applications à des problèmes réels, éventuellement combinées à des techniques d’intelligence artificielle et/ou d’optimisation. Les candidat-es travaillant sur des modèles de calcul innovants sont les bienvenu-es.

Ce poste implique des tâches de recherche et d’enseignement, la direction d’un groupe de recherche, la collecte de fonds pour la recherche et la participation à la gestion du département d’informatique.

Les candidatures peuvent être soumis sur la page
https://jobs.unige.ch/www/wd_portal.show_job?p_web_site_id=1&p_web_page_id=67082

Les candidatures envoyées par mail ne sont pas prises en compte.

Profil du candidat :

Formation et compétences requises :
La candidate / le candidat doit être titulaire d’un doctorat en informatique ou équivalent.

La candidate / le candidat doit être capable d’enseigner en français et en anglais les cours de base en informatique, comme l’algorithmique, le calcul haute performance, la modélisation et la simulation.

Adresse d’emploi :
Université de Genève
Département d’informatique
Route de Drize 7
1227 Carouge
Suisse

MCF contractuel en informatique

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

Laboratoire/Entreprise : ETIS/CYU
Durée : 1 an
Contact : dan.vodislav@u-cergy.fr
Date limite de publication : 2024-11-15

Contexte :
CY Cergy Paris Université (CYU) a lancé en 2019 le Bachelor « Data Science and Big Data Technology » en collaboration avec la Zhejiang University of Science and Technology (ZUST), à Hangzhou, en Chine, et en 2020 le Bachelor « Data Science » en collaboration avec l’Université de Maurice (UoM).

Sujet :
Nous recrutons un MCF contractuel (service d’enseignement de 192 heures) en informatique, pour un CDD initial d’un an, dès que possible t au plus tard début janvier 2025, avec la volonté de proposer par la suite une extension avec un contrat de 3 ans.
Le service d’enseignement sera partagé entre les deux Bachelors et d’autres enseignements au sein du département
de sciences informatiques de CYU. L’enseignement dans les deux
Bachelors se fait en Chine (en français), respectivement à Maurice (en anglais), lors de séjours de quelques semaines sur place.
L’enseignant-chercheur recruté sera intégré au laboratoire ETIS, possiblement dans l’équipe DATA&IA, sur des
thématiques de recherche autour de l’intégration et l’analyse de grandes masses de données de divers types.

Profil du candidat :
Voir la fiche de poste sur le site de CY Tech Sciences et Techniques, rubrique Recrutements:
https://cytech.cyu.fr/lecole-cy-tech/institut-sciences-et-techniques
Date limite des candidatures: 25/10/2024

Formation et compétences requises :
Titulaire d’un doctorat en informatique.
Expérience dans l’enseignement supérieur en informatique.
Capacité à enseigner en français et en anglais.

Adresse d’emploi :
CY Cergy Paris Université
Site Saint Martin
2 avenue Adolphe-Chauvin
95300 Pontoise

Ingénieur logiciel débutant F/H – Développement d’une application pour la communication R&D

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

Laboratoire/Entreprise : Pôle d’Etudes et de Recherche de Lacq (PERL) de l
Durée : 12 mois
Contact : sebastien.laborie@iutbayonne.univ-pau.fr
Date limite de publication : 2024-12-13

Contexte :
Au sein de la Compagnie TotalEnergies, vous travaillerez auprès d’une doctorante en sciences de l’information et de la communication au Pôle d’Etudes et de Recherche de Lacq (PERL).

Nous vous proposons un Contrat de Professionnalisation Temps Plein qualifiant de 12 mois (100% en entreprise) incluant 15% de formation interne (métier, linguistique, outils…) dispensée par des organismes sélectionnés par TotalEnergies. Ce contrat vous permettra d’acquérir une année d’expérience professionnelle tout en étant formé aux spécificités de votre métier en lien avec les activités de la Compagnie. Un réel atout pour booster votre employabilité !

Pour postuler à cette offre, vous devez impérativement posséder à la date d’embauche, un titre de séjour valide pour la période couverte par cette offre (minimum 13 mois). Attention, la conclusion de ce contrat de professionnalisation temps plein ne permet pas la délivrance d’un titre de séjour (article R.5221-6 du Code du travail).

Ce poste ne s’adresse pas aux personnes recherchant une alternance avec une école ou une formation diplômante, mais aux personnes récemment diplômées à la recherche d’une première expérience professionnelle.

Sujet :
Une partie de ce travail consiste à automatiser l’analyse de corpus d’articles de recherche, au vocabulaire expert en physique et chimie notamment, afin d’extraire des concepts compréhensibles par le service de communication. L’hypothèse est faite qu’une base de connaissance intégrant à la fois les vocabulaires scientifiques et grand public des communicants permettra de mettre à disposition de tels corpus spécialisés à travers une application.

Un premier prototype de cette application a été développé, et vise à faciliter la compréhension des sujets de R&D ainsi que la gestion et le partage d’informations issus de corpus composés notamment d’articles de recherche. Le prototype correspondant, développé en Python, JavaScript (Angular) et Java 1, constitue une preuve de concept concluante.

Nous souhaitons procéder au développement d’une nouvelle version de l’application intégrant l’extension et/ou la proposition de nouvelles fonctionnalités.

Pour en savoir plus : https://hal.science/hal-04107928/

Profil du candidat :
Nous recherchons au PERL à Lacq (64300), un(e) Ingénieur(e) logiciel débutant(e) F/H pour le Développement d’une application pour la communication R&D, à partir de novembre 2024.

Les missions du poste seront les suivantes :

– Prise en main du prototype,
– Effectuer des revues de code,
– Réalisation d’une nouvelle phase de test auprès des utilisateurs,
– Rédaction d’un nouveau cahier des charges (extension de fonctionnalités, nouvelles fonctionnalités…) ,
– Développements de nouvelles fonctionnalités (côté “front” et côté “back office”),
– Travailler de manière collaborative.

Formation et compétences requises :
Vous êtes récemment diplômé(e) d’un BAC+5 en Informatique ? Débutez votre carrière au sein d’une entreprise engagée aux multiples facettes et venez apprendre auprès d’équipes internationales expérimentées !

Fort(e) de vos précédentes expériences, vous avez des compétences en développement de logiciel ?

Vous savez programmer avec Python, JavaScript (Angular) et Java ?

Vous pouvez travailler sur la base d’un code déjà existant ?

Vous avez la capacité de vulgariser, d’expliquer votre travail à des personnes non-informaticiennes ?

Vous savez travailler en autonomie ?

Vous êtes rigoureux, à l’écoute et avez un bon esprit d’équipe ?

Vous avez une bonne capacité de rédaction en français ?

Adresse d’emploi :
PERL à Lacq (64300)

Site web : https://cstjf-pau.totalenergies.fr/fr/nos-sites/le-perl

PhD Position in Explainable Artificial Intelligence for Predictive Maintenance

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

Laboratoire/Entreprise : ETIS
Durée : 3 ans
Contact : aikaterini.tzompanaki@cyu.fr
Date limite de publication : 2024-11-21

Contexte :
We are excited to announce an opening for a highly motivated PhD student to join our dynamic research team DATA&AI (ex MIDI team) at the ETIS laboratory of the CY Cergy Paris University and the ENSEA school of engineering. The successful candidate will focus on developing explainable AI methods for predictive maintenance within digital twin systems and smart spaces.
The PhD position is funded by the prestigious EU Horizon PANDORA project, A Comprehensive Framework enabling the Delivery of Trustworthy Datasets for Efficient AIoT Operation, gathering 20 academic and industrial partners and thus providing a unique opportunity to contribute to cutting-edge research with significant real-world impact.

Online description: https://perso.etis-lab.fr/tzompanaki/proposal.html

Sujet :
Predictive maintenance in industrial settings spans from identifying anomalies and categorizing failures in already observed data, to prognostically predicting the Remaining Useful Life (RUL) and the Failure Time (FT) of machines, appliances, etc, in the future (Pashami, Sepideh, et al. “Explainable predictive maintenance.” arXiv preprint arXiv:2306.05120 (2023)). Typically such predictive tasks are based on Artificial Intelligence and/or statistical analysis techniques, which may be complex to interpret.
In this project we aim to aid the different stakeholders make more insightful decisions about the forecasted failures by providing context-aware explanations for the RUL and FT prognostic tasks. In this way, we will enhance the reliability and transparency of predictive maintenance models in industrial scenarios by leveraging continuous data streams, state-of-the-art AI techniques and innovative causal and actionable explainability methods.

How to Apply
Please submit your application as a single pdf to aikaterini.tzompanaki@cyu.fr and Vassilis.Christophides@ensea.fr with the subject line “PhD Application: Explainable AI for Predictive Maintenance in Digital Twins.”

Profil du candidat :
A Master’s degree (or equivalent) in Computer Science, or Applied Mathematics.
Strong background in at least one of the following fields: machine learning, data management, statistics.
Proficiency in programming languages such as Python, and/or R.
Excellent analytical skills with a focus on problem-solving.
Strong communication skills and the ability to work collaboratively in a team environment.
Ability to work autonomously and proactively.
Proficiency in English, both written and spoken.

Formation et compétences requises :
A Master’s degree (or equivalent) in Computer Science, or Applied Mathematics.
Strong background in at least one of the following fields: machine learning, data management, statistics.
Proficiency in programming languages such as Python, and/or R.

Adresse d’emploi :
CY Cergy Paris University – ENSEA – ETIS laboratory
33 boulevard du Port
95011 Cergy-Pontoise cedex

Document attaché : 202409210100_Pandora_thesis_announcement.pdf

Postdoc position at Météo-France (CNRM) in Artificial Intelligence for Numerical Weather Prediction

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

Laboratoire/Entreprise : CNRM
Durée : 16 months
Contact : laure.raynaud@meteo.fr
Date limite de publication : 2024-11-21

Contexte :
This position is part of the Chair EXPLEARTH, endorsed by the ANITI Institute (https://aniti.univ-toulouse.fr/). The main objective of EXPLEARTH is to develop a new generation of weather prediction systems, based on hybridisation of traditional physical models and state-of-the art ML methods, allowing for increased accuracy and timeliness in a cost-effective way.

Sujet :
Currently operational weather forecasts rely on physically-based modelling approaches, and Numerical Weather Prediction (NWP) models are operated to determine atmospheric conditions for the next hours and days. The configuration choices of NWP models are still strongly constrained by computational resources, which implies in particular limitations on the horizontal resolution. Current operational systems run with a resolution around 10 km at the global scale, and around 1 km at the regional scale, at best.
A cheaper alternative to the explicit increase of the computational grid (also known as dynamical downscaling) is statistical downscaling, which aims at learning a relationship between coarse-scale and finer-scale forecasts. This downscaling task is very similar to super resolution in computer vision.
The aim of the position is to develop and evaluate state-of-the-art ML methods for statiscal downscaling applied to the Arome forecasting model operational at Météo-France.

Profil du candidat :

Formation et compétences requises :
The ideal candidate would have the following qualifications :
– A PhD degree in atmospheric sciences, statistics or artificial intelligence
– A strong background in deep learning algorithms, in particular convolutional neural networks and deep generative models (GANs, diffusion models)
– Experience in geophysical problems would be appreciated, at least a strong interest for applied research in atmopsheric physics is highly recommended
– Proficiency with Python programming and AI librairies (PyTorch)
– Experience with processing large volumes of data
– Experience of working in a Linux-based environment
– Aptitude for scientific work, written and oral communication in English, meetings abroad possible
– A scientific curiosity, autonomy, rigor in the interpretation of the results

Adresse d’emploi :
This work will be carried on at the National Centre for Meteorological Research (CNRM), in Toulouse, France. The EXPLEARTH project includes partnerships with CERFACS, EVIDEN, and the Toulouse Institute of Mathematics, among others. The candidate will work in close collaboration with the partners, and will contribute to ANITI activities.

POST-DOCTORAT : Data Scientist pour projet de recherche sur la détection des troubles neurovisuels en conduite automobile

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

Laboratoire/Entreprise : Laboratoire LISV
Durée : 10 mois
Contact : olivier.rabreau@uvsq.fr
Date limite de publication : 2025-06-01

Contexte :
Notre laboratoire de recherche (www.lisv.uvsq.fr) se consacre à l’exploration de nouvelles méthodes pour détecter les troubles neurovisuels, en particulier chez les patients ayant subi un AVC. Dans le cadre de notre projet de recherche “APTICONDUITE”, financé par la Délégation de la Sécurité Routière (DSR), nous utilisons un simulateur de conduite automobile équipé de capteurs biométriques afin de recueillir des données comportementales et physiologiques.

Nous recherchons un(e) Data Scientist motivé(e) pour analyser ces données et contribuer au développement d’une méthodologie innovante permettant d’identifier des dysfonctionnements neurovisuels.

L’objectif étant de pouvoir proposer une meilleure solution d’accompagnement du diagnostic basée sur la classification de résultats de tests d’aptitude réalisés via le simulateur.

Contexte de travail

• Le ou la candidat(e) rejoindra une équipe de chercheurs dynamique et en pleine expansion au sein du laboratoire LISV de l’Université de Versailles Saint-Quentin (www.lisv.uvsq.fr). Le laboratoire est membre de l’université Paris-Saclay. Le travail sera effectué dans l’équipe “Robotique interactive” coordonnée par le Pr. Abderraouf Benali qui explore l’interaction entre l’utilisateur et les systèmes robotiques au sein de son environnement.

• L’étude s’inscrit dans le cadre du projet de recherche “APTICONDUITE” financé par la Délégation de la Sécurité Routière (DSR). Ce projet est en collaboration avec le centre national d’expertise sur les aides à la mobilité, le CEREMH (www.ceremh.org) et le centre hospitalier de Plaisir (www.ch-plaisir.fr).

Conditions

• Rémunération brute : 3036.81€/mois
• Durée : 10 mois avec possibilité de prolongation selon l’avancée du projet.
• Lieu de travail : laboratoire LISV, 10-12 avenue de l’Europe, 78140 Vélizy (France) (poste en présentiel avec possibilité de télétravail)

Sujet :
Missions

• Traiter et analyser les données recueillies via des capteurs biométriques (ECG, suivi oculaire, EEG, etc.) lors des sessions de simulation de conduite.
• Mettre en œuvre des techniques d’apprentissage automatique (Machine Learning) pour identifier des patterns liés aux troubles neurovisuels.
• Collaborer avec une équipe de chercheurs pluridisciplinaires (neurologues, ingénieurs, psychologues).
• Développer et valider des modèles prédictifs afin de détecter les anomalies neurovisuelles chez les patients.
• Participer à la rédaction de rapports scientifiques et à la communication des résultats lors de conférences ou de publications.

Profil du candidat :
• Formation : Doctorat en Science des Données, Informatique, Mathématiques Appliquées, ou domaine connexe.
• Compétences techniques :
o Maîtrise des techniques de Machine Learning, de classification automatique et de tests de significativité.
o Maîtrise des langages de programmation pour le traitement des données.
o Expérience dans le traitement de données biométriques, physiologiques ou médicales est un plus.
o Connaissance des outils de traitement de signaux (EEG, ECG, suivi oculaire) est un plus.
o Maîtrise des bibliothèques telles que TensorFlow, PyTorch, Scikit-learn, etc.
• Compétences analytiques : Capacité à interpréter des données complexes et à proposer des solutions méthodologiques adaptées.
• Qualités : Autonomie, rigueur scientifique, esprit d’équipe et curiosité pour les applications médicales et les neurosciences.

Formation et compétences requises :
• Formation : Doctorat en Science des Données, Informatique, Mathématiques Appliquées, ou domaine connexe.
• Compétences techniques :
o Maîtrise des techniques de Machine Learning, de classification automatique et de tests de significativité.
o Maîtrise des langages de programmation pour le traitement des données.
o Expérience dans le traitement de données biométriques, physiologiques ou médicales est un plus.
o Connaissance des outils de traitement de signaux (EEG, ECG, suivi oculaire) est un plus.
o Maîtrise des bibliothèques telles que TensorFlow, PyTorch, Scikit-learn, etc.
• Compétences analytiques : Capacité à interpréter des données complexes et à proposer des solutions méthodologiques adaptées.
• Qualités : Autonomie, rigueur scientifique, esprit d’équipe et curiosité pour les applications médicales et les neurosciences.

Adresse d’emploi :
Laboratoire LISV, 10-12 avenue de l’Europe, 78140 Vélizy, France

Document attaché : 202409200755_PostV9_French.pdf