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

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

Laboratoire/Entreprise : CNES
Durée : 1 an (renouvelable)
Contact : antoine.basset@cnes.fr
Date limite de publication : 2025-03-28

Contexte :
Space missions have always recorded electromagnetic signals, from infrared light to gamma rays. Expected to launch in 2037, ESA’s large-class mission LISA (Laser Interferometer Space Antenna) will survey gravitational wave signals from space. As the world’s first in-orbit instrument to probe space-time itself, this is one of the most ambitious science missions ever. LISA promises a wealth of new science, allowing us to test our understanding of general relativity and to open a new window for astrophysics and cosmology. The data analysis for this mission will have to disentangle superposed signals from a variety of astrophysical sources, as well as modeling the instrumental noise. This Global Fit is to be tackled in a Bayesian inference framework. The computational challenge will be massive, expected to be about an order of magnitude heavier than the data processing of the recent ESA mission Euclid, in optimistic scenarios. As a consequence, the scientific community is looking for technological and algorithmic breakthroughs, e.g. relying on GPUs, sparsity-based modeling or artificial intelligence.

Sujet :
LISA is expected to detect several kinds of gravitational wave sources, such as white dwarf, neutron star or black hole binaries orbiting in very different configurations. White dwarf binaries in our galaxy (known as galactic binaries, GBs) should be the most numerous sources and have relatively simple signals (quasi-monochromatic); massive black hole binary mergers (MBHBs) will provide a handful of very loud coalescence signals, while extreme mass ratio inspirals (EMRIs) are the most complex and come with a huge uncertainty on the number of occurrences over LISA’s lifetime. In fact, little is known on EMRIs’ analysis, and they could just as easily be negligible or dominate the Global Fit. Certainly, LISA’s data stream will be a continuous superimposition of these many signals together with instrumental noise. The inference of the parameters of each source will require source separation, complicating the estimation of their posterior distributions which is already challenging for isolated gravitational events. When separation is not possible (most notably for GBs), the number of superimposed sources becomes an unknown and the signals themselves form a confusion background comparable to noise; trans-dimensional analysis is then required, which yields additional complexity.

To tackle the challenge of the Global Fit, the currently envisioned approach relies on a Markov chain Monte Carlo (MCMC) strategy, with block Gibbs sampling across the classes of sources (and the noise level) to reduce the complexity. Even using this trick, existing pipeline prototypes are computationally expensive and scale badly. In addition to the computational complexity of the MCMC itself, convergence is hindered by the difficulty of initializing the GlobalFit efficiently, and that of modeling effectively the noise and stochastic background signal. One way to radically speed up computation and lower resource consumption is to find shortcuts in the algorithms. Various Machine Learning (ML) approaches recently showed promising results for greatly accelerating the Global Fit, such as likelihood-free inference, which bypasses the likelihood computation completely, or surrogate-based source search, which rely on extremely fast approximate models to separate sources and initialize the GlobalFit close to the solution. The proposed PostDoc project aims at developing and benchmarking ML methods to boost the Global Fit convergence.

Profil du candidat :
PhD on gravitational waves and/or machine learning methods.

Your application must include
– a recommendation letter from your Ph.D. supervisor
– a detailed CV including university education and work experience
– a list of publications
– a 2-page description of the work undertaken during the course of your PhD.

For more Information, contact : Directeur de Recherche antoine.basset@cnes.fr

Submit the complete application online (Apply) before March 14th, 2025 Midnight Paris time.

Webpage : https://recrutement.cnes.fr/fr/annonce/3487221-25-285-on-the-use-of-machine-learning-methods-to-boost-lisa-s-global-fit-31400-toulouse

Formation et compétences requises :

Adresse d’emploi :
CNES, Toulouse.

Your application must include a recommendation letter from your Ph.D. supervisor, a detailed CV including university education and work experience, a list of publications, a 2-page description of the work undertaken during the course of your PhD.

For more Information, contact : Directeur de Recherche antoine.basset@cnes.fr

Submit the complete application online (Apply) before March 14th, 2025 Midnight Paris time.