Archives

Research engineer position as Head of Hub Algorithmics & AI pole

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

Laboratoire/Entreprise : Institut Pasteur / Hub de Bioinformatique et Biost
Durée : CDI
Contact : herve.menager@pasteur.fr
Date limite de publication : 2025-04-15

Contexte :
The Hub of Bioinformatics and Biostatistics (https://research.pasteur.fr/en/team/bioinformatics-and-biostatistics-hub/) provides analytical support to research units and platforms at the Institut Pasteur. The Hub is committed to this mission through:
– Collaborating on scientific projects, submitted by research teams of our institute, to the Hub.
– Training scientific staff from the Institut Pasteur Paris or from other institutes of the international network of Instituts Pasteur.
– Developing tools and applications to be shared with the broader scientific community
– Interacting directly with scientist upon specific inquiries

Sujet :
As head of the Algorithmics, AI, and Mathematical Modeling group, the recruited engineer will focus on applying and developing innovative AI solutions for genomics projects of the Institut Pasteur. He will oversee the group management and be accountable for its project portfolio.

To apply, click on the following link and select the corresponding profile:

https://hub-jobs2025.pasteur.cloud

Please, submit your updated CV and a cover letter (motivation letter). You may indicate contact information for reference letters (3 max.). They will be automatically contacted when you validate your application. 

We are a team committed to foster a fair, inclusive and diverse work environment. Diversity has been scientifically established as a key factor to improve scientific objectivity. Hence, all applicants will be evaluated solely based on qualification regardless of gender, gender identity, sexual orientation, race or disability.

Profil du candidat :
The recruited engineer will work with a team of computational biologists in a collaborative environment, interacting with other teams of the Hub, the Technology Department, the Computational Biology department, and the campus.

As part of the Bioinformatics and Biostatistics Hub, the group lead will:

Manage the group’s collaborative project portfolio
Ensure the quality of work and scientific contributions of the engineers in the group
Oversee administrative management and foster an open, collaborative work environment
Support the professional development of team members
Lead the methodological development in collaboration with the Computational Biology Department and the campus
Represent the pole within the Technology Department and the campus

As a member of the hub’s leadership team, the pole head will participate in the hub’s operational management and contribute to its strategy and implementation.

Formation et compétences requises :
– PhD/Master’s/Engineering degree in Computational Biology, Bioinformatics, Computer Science, Applied Mathematics, Biostatistics, or related fields
– At least 10 years of experience in a biomedical research institute and/or industry in computational biology, biostatistics, applied mathematics, or bioinformatics
– Proven expertise in deep learning, algorithmic approaches, and mathematical modeling applied to genomics
– Knowledge and experience in software development and best practices
– Strong leadership experience in group and/or project management in a complex organization; experience mentoring students
– Fluency in French and English, with experience working in multilingual environments
– Creativity and innovation
– Collaborative mindset, ability to manage complex and ambiguous situations
– Focus on professional development of team members

Adresse d’emploi :
25 rue du Docteur Roux, 75015 Paris

Document attaché : 202502281117_Permanent research engineer position as Head of Hub Algorithmics & AI pole – Research – Institut Pasteur.pdf

IA générative pour conception de tableau de bord – Jeux video

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

Laboratoire/Entreprise : GREYC/GAMPAM
Durée : 4 à 6 mois
Contact : francois.rioult@unicaen.fr
Date limite de publication : 2025-04-15

Contexte :
GAMPAM est une entreprise spécialisée dans le développement de jeux web et mobiles. Parmi ses domaines d’intérêt figurent la création d’edugames, une catégorie de jeux dédiée à l’apprentissage et à la pédagogie, ainsi que la création de jeux en ligne.

Les motivations de GAMPAM sont de proposer un service no-code de développement assisté par IA pour concevoir les jeux, leurs mécaniques et leurs graphismes.

Sujet :
Les récents développements en IA générative permettent l’exécution de prompts complexes pour la création de données structurées. L’ingénierie du prompt peut ainsi être abordée comme une recherche dans un espace vectoriel de programmes [1]. De plus, l’enrichissement du prompt par construction automatique d’une chaîne de pensée simule un raisonnement approfondissant les résultats usuels [2].

Pour spécialiser la base de connaissances du modèle, des techniques de RAG [3] permettent d’enrichir le prompt grâce aux résultats de l’interrogation de cette base. Des techniques de distillation sont également utiles [4] pour transférer les connaissances d’un grand modèle superviseur vers un modèle compact.

L’étudiant(e) réalisera une synthèse de l’état de l’art en matière de RAG et de distillation. Il/elle mettra en œuvre un processus de distillation pour obtenir un modèle compact capable de générer un tableau de bord à l’aide d’un langage maison, BoxLang, dédié à la création d’interfaces de contrôle.

Profil du candidat :
Étudiant(e) de master 2 en informatique ou 3è année d’école d’ingénieur.

Formation et compétences requises :
– Maîtrise du JavaScript (vanilla),
– Bases solides en algorithmie,
– Intérêt pour l’abstraction, la généralisation et la conception de jeux,
– Bonne culture de l’IA, en particulier les LLM et leurs applications
– Bon niveau d’anglais (lu, écrit, parlé)

Adresse d’emploi :
Caen (GREYC ou GAMPAM)

Document attaché : 202502271516_fiche-de-poste-m2-greyc.pdf

6th International Workshop on Graph-based Approaches for CyberSecurity

Date : 2025-08-11 => 2025-08-14
Lieu : Ghent, Belgium

This workshop aims at bringing together people from industry and academia, including researchers, developers, and practitioners from a variety of fields working on graphs and knowledge graphs, network management, data science, and cybersecurity. The workshop will allow attendees to share and discuss their latest findings from both theoretical and practical perspectives, namely in terms of graph-based security data representation, analysis, processing and visualization. The workshop attendees may benefit from sharing experience on graph-based data analysis regardless of the specific application. Moreover, researchers and practitioners will have an opportunity to familiarize themselves with recent advances in graph analysis, mining and learning, and other approaches that could be used in their work. The workshop aims to highlight the latest research and experience in graph-based approaches in cybersecurity. The workshop also seeks papers describing new datasets with real attack scenarios, graph modeling tools evaluated on existing and proposed datasets, and systematization of knowledge (SoK) papers.

Lien direct

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

Calcul de similarités de séquences complexes : adaptation d’approches pour séries temporelles

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

Laboratoire/Entreprise : LIFO
Durée : 5 mois
Contact : Patrick.Marcel@univ-orleans.fr
Date limite de publication : 2025-02-26

Contexte :
De nombreux domaines nécessitent l’analyse de gros volumes de séquences de diverses complexités (en termes de périodicité, complétude, multivariée ou non, etc.) et en particulier de leur similarité. On peut citer les domaines aussi variés que le médical (e.g. stratification de patients, alignements de gènes), le social (analyse de trajectoires sémantiques), la science des données (génération et recommandation de pipelines d’exploration), etc.
Par exemple, le groupement de patients suivis sur de longues périodes peut être vu comme un problème de recherche et calcul de similarité sur des séquences complexes : les séquences sont apériodiques (la fréquence des rendez-vous médicaux n’étant pas fixe), multivariées (plusieurs informations sont enregistrées à chaque rendez-vous), incomplètes (les informations enregistrées peuvent varier d’un patient à l’autre) .

Sujet :
Il est souvent nécessaire d’optimiser du calcul de similarités sur ces gros volumes de données de type séquences.
L’objectif de stage est d’étudier comment différentes approches proposées pour le calcul de similarité de séries temporelles peuvent s’appliquer au calcul de similarité de séquences complexes.
Notamment, on étudiera des techniques de réduction de dimensionalité et indexation.

Profil du candidat :
Le profil recherché est un stagiaire de Master ou école d’ingénieur en informatique, ou un niveau équivalent, possédant un bon niveau en programmation, base de données, parallélisme et mathématique.
Le stage pourra déboucher sur une thèse de doctorat financée.

Formation et compétences requises :

Adresse d’emploi :
LIFO, Université d’Orléans

Document attaché : 202502261523_Sujet_de_stage___adaptation_d_approches_de_s_ries_temporelles_au_calcul_de_similarit_s__de_s_quences_complexes.pdf

Calcul et optimisation de similarités de séquences complexes

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

Laboratoire/Entreprise : LIFO
Durée : 3 ans
Contact : Patrick.Marcel@univ-orleans.fr
Date limite de publication : 2025-02-26

Contexte :
De nombreux domaines nécessitent l’analyse de gros volumes de séquences de diverses complexités (en termes de périodicité, complétude, multivariée ou non, etc.) et en particulier de leur similarité. On peut citer les domaines aussi variés que le médical (e.g. stratification de patients, alignements de gènes), le social (analyse de trajectoires sémantiques), la science des données (génération et recommandation de pipelines d’exploration), etc.
Par exemple, le groupement de patients suivis sur de longues périodes peut être vu comme un problème de recherche et calcul de similarité sur des séquences complexes : les séquences sont apériodiques (la fréquence des rendez-vous médicaux n’étant pas fixe), multivariées (plusieurs informations sont enregistrées à chaque rendez-vous), incomplètes (les informations enregistrées peuvent varier d’un patient à l’autre).

Il est souvent nécessaire d’optimiser du calcul de similarités sur ces gros volumes de données de type séquences. Ce thème est à la croisée des domaines HPC (calcul haute performance) et analyse et exploration de données. Il recouvre différents challenges scientifiques : prise en compte de la spécificité des données (séquences, séries, trajectoires, etc.), définition de méthodes de réduction de dimensionalité et indexation, parallélisation des étapes du calcul de similarité, adaptation d’approches existantes (par exemple, sur séries temporelles ou données spatio-temporelles), etc.

Sujet :
Dans ce contexte, l’objectif de cette thèse est d’étudier différentes approches de recherche approximative pour le calcul de similarité de séquences complexes sur architecture HPC avec accélération GPU.
Parmi les approches, on s’intéressera plus particulièrement à utiliser et combiner des approches de Locality Sensitive Hashing (LSH), de réduction de dimensionalité, d’indexation, et d’échantillonage.

Profil du candidat :
Les candidats devront posséder un Master en informatique ou un niveau équivalent. Ils devront posséder un bon niveau en programmation, base de données, parallélisme et mathématique.

Formation et compétences requises :

Adresse d’emploi :
LIFO, Université d’Orléans

Document attaché : 202502261521_Sujet_de_th_se___approches_stochastiques_pour_le_calcul_de_similarit_s__de_s_quences_complexes (4).pdf

EC en Science des Données, Oniris VetAgroBio

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

Laboratoire/Entreprise : ONIRIS, VetAgroBioNantes
Durée : CDI
Contact : veronique.cariou@oniris-nantes.fr
Date limite de publication : 2025-02-26

Contexte :
L’École Nationale Vétérinaire, Agroalimentaire et de l’Alimentation (Oniris VetAgroBio Nantes) forme plus de 1200 élèves, en proposant notamment des formations correspondant aux métiers de technicien supérieur et d’ingénieur dans les domaines agroalimentaire, sciences de l’alimentation et biotechnologies, ainsi qu’aux métiers de vétérinaire.
Dans une optique de renforcement de ses compétences, Oniris souhaite recruter un(e) candidat(e) avec un profil Science des données.
Cet enseignant-chercheur (H/F) sera rattaché à l’unité pédagogique Mathématique, Statistique et Informatique (MSI) composée de cinq enseignants-chercheurs et un enseignant. Sur le plan de la recherche, il intégrera l’USC 1381 INRAE/Oniris StatSC dont les champs d’application s’inscrivent principalement en sensométrie et en chimiométrie.

Sujet :
En première et deuxième année du cycle ingénieur, l’enseignant-chercheur interviendra dans les enseignements en science des données couvrant la statistique appliquée, les mathématiques et l’informatique et dans des enseignements pluri disciplinaires. En troisième année du cycle ingénieur, il/elle interviendra au sein de l’approfondissement FOO’DS (Formulation, Optimisation, Organoleptique et Data Science) et pourra s’impliquer dans les enseignements des Masters co-accrédités.
L’enseignant-chercheur sera intégré à l’USC INRAE/Oniris StatSC (Statistique, Sensométrie et Chimiométrie). La recherche qui y est menée est à caractère méthodologique et finalisé. Elle est principalement orientée vers l’analyse de données multiblocs, la classification, la réduction de la dimensionnalité et la modélisation dans des espaces de grande dimension. Un intérêt particulier sera porté sur la capacité du (de la) candidat(e) à mobiliser des approches par apprentissage statistique et apprentissage profond pour mieux répondre à de telles problématiques.

Profil du candidat :
Il est attendu des aptitudes pédagogiques et scientifiques avérées, la capacité à être moteur et force de proposition, ainsi qu’une appétence pour l’interdisciplinarité et les interactions avec le monde de l’entreprise et de la recherche dans le domaine des sciences de l’alimentation.

Formation et compétences requises :
L’enseignant-chercheur devra être titulaire d’un doctorat dans le domaine de la statistique ou de la science des données.

Adresse d’emploi :
Oniris VetAgroBio,
Campus Science de l’aliment
Rue de la Géraudière, CS 82225, 44322 Nantes

Document attaché : 202502251518_MC_Science des donnees.pdf

Multi-expert anomaly explanation and labelling framework in complex networks

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

Laboratoire/Entreprise : IMT Atlantique LabSTICC CNRS (Brest); AIRBUS DS (É
Durée : 3 years
Contact : cecile.bothorel@imt-atlantique.fr
Date limite de publication : 2025-03-20

Contexte :
Summary: This thesis focuses on anomaly detection, explanation, and labeling in complex networks. We would like to explore and to propose a new adaptive and hybrid explanation method that incorporates interactions with domain experts using preference models from the MCDA field.

Location: IMT Atlantique LabSTICC CNRS (Brest); AIRBUS DS (Élancourt)

Keywords: Complex Networks, Graphs Autoencoders, Anomaly Detection, Explainable AI (XAI), Multi-Criteria Decision Aiding (MCDA)

Supervisors : Cécile Bothorel, Lina Fahed, Arwa Khannoussi, Guillaume Gadek

Funding: COFUND SEED (Co-funded by the European Union) https://www.imt-atlantique.fr/en/research-innovation/phd/seed

Eligibility rules: (1) Did not spend more than 12 months in France since 20 March 2022 (last 36 months). (2) Is / will be awarded a master-level diploma or equivalent for Phd start (from September 2025) (he/she can be graduated during summer) and does not already have a doctoral degree.

To apply: https://seed-apply.imt-atlantique.fr

Application deadline: March 20, 2025

Detailed subject: https://www.imt-atlantique.fr/sites/default/files/recherche/doctorat/seed/research-topics/4-anomaly-detection.html

Starting date: fall 2025

For any question: please contact supervisors cecile.bothorel@imt-atlantique.fr & guillaume.gadek@airbus.com

Sujet :

1. Definition

Keywords: Complex Networks, Graphs Autoencoders, Anomaly Detection, Explainable AI (XAI), Multi-Criteria Decision Aiding (MCDA)
1.1. Domain and scientific/technical context

Temporal graphs, representing interactions over time, are crucial for analyzing datasets in areas like Industry 4.0, finance, transportation, biology, social networks, cybersecurity, and defence and intelligence. Detecting anomalies in temporal networks reveals unusual patterns and events, thus providing deep insights into the system behavior over time. Such graphs or networks typically grow every second and gather millions of attributed nodes and edges. Relevant behaviors are grounded in the nodes and edges characteristics as well as in higher-level patterns (local neighborhood, temporal similarities). Operational needs are based on constant monitoring (anomaly detection, alerts), for which there is a very strong need for tools: for the detection in itself, but also for the understanding of the detected anomalies in order to enable quick and relevant responses and preventive measures. Notions of traceability and actionability of the alert are also key to the adoption of the technology.
1.2. Scientific/technical challenges

This thesis focuses on anomaly detection, understanding, and labeling in complex networks for socially impactful applications such as social networks, financial exchange, health, defence, energy, etc. The two main challenges are: (i) the limited access to labeled data for anomaly detection, (ii) and when labels are obtained, they are often incorrect or unusable due to errors made by domain experts in labeling anomalies. To address these challenges, we propose to take advantage of three research areas: anomaly detection (for graphs), explainable AI (XAI), multi-criteria decision aiding (MCDA).

In order to detect anomalies, we will study the GNNs (Graph Neural Networks), and the use of auto-encoders de-signed for semi-supervised tasks with a small training set even if it contains labeling errors [1]. Several graph explanations methods have been proposed in the literature [2] that focus on different graph elements (nodes, edges, features). Both graph elements describing anomalies and explanations are criteria that experts can use to label anomalies. However, this may not provide actionable insights as experts may focus on intuitions derived from previous expertise. The challenge here is to provide experts with intuitive graph elements and explanations allowing to understand the anomalies.
1.3. Considered methods, targeted results and impacts

We propose a new adaptive and hybrid explanation method that incorporates interactions with experts. This can be done using preference models from the MCDA field, which allow the representation of decision strategies and human behaviour [3]. We expect to:

Provide explanations generated from traditional XAI methods [8] and a combination of dedicated eval-uation metrics.
Enrich and adapt explanations with multiple criteria related to multiple domain experts. Such criteria include the experts’ decision strategies, their behaviours, and insights into their prior expertise.
Iteratively involve experts in the loop, i.e., the interaction between the explanation method and the experts can be performed iteratively in such a way that at the end the experts are given the intuitive graph elements and explanations they need to understand the anomalies well and to label them correctly.

In this project, we plan to develop an experimental protocol on both synthetic and real-world impact datasets. This work will be an important step forward in the field of anomaly detection and understanding, and will open important perspectives related to the intersection of our different research domains.
1.4. Environment (partners, places, specific tools and hardware)

The academic partners are members of the DECIDE team at Lab-STICC (CNRS) and IMT Atlantique’s Data Science Department (DSD) in Brest, where interdisciplinary research exploit synergies between decision support and data science to address scientific, industrial and societal issues arising from decision-making problems in complex sys- tems (environment, transport, energy, social networks, health, defence).

The industrial partner, Airbus Defence and Space, is participating through its team of Artificial Intelligence for De- fence Digital. The team, based in Elancourt near Paris, is constituted of 20 data scientists, and contributes on re- search, technology development and deployment of AI assets within Airbus products, mainly in the Defence & In- telligence areas.

Airbus provides 3 use cases with datasets and interaction with business experts related to the use cases, all dir- ectly related to the Intelligence business. A) detecting coordinated behaviour in social networks for Cyber Inform- ation Warfare. B) highlighting patterns and edges of interest in communication interceptions (COMINT), most likely through simulated data. C) Smart assistant for investigation analyst on Knowledge Graphs: the product Massive Intelligence extracts & generates high-level data under the form of entities and relations, through the IKDB software. The tool would help the end-user to raise alerts on the extracted knowledge itself, highlighting suspicious cases and connections.
1.5. Interdisciplinarity aspects

The work combines 3 research domains: anomaly detection (for graphs), explainable AI (XAI), and multi-criteria decision aiding (MCDA). This thesis involves both theoretical, experimental and technical research to to serve the industrial interests and applications of Airbus Defence&Space.
1.6. References

[1] GILES, Bastien, JEUDY, Baptiste, LARGERON, Christine, et al. Suspicious: a Resilient Semi-Supervised Framework for Graph Fraud Detection. IEEE 35th International Conference on Tools with Artificial Intelligence (ICTAI), 2023.

[2] YUAN, Hao, YU, Haiyang, GUI, Shurui, et al. Explainability in graph neural networks: A taxonomic survey. IEEE transactions on pattern analysis and machine intelligence, 2022.

[3] KHANNOUSSI, Arwa, OLTEANU, Alexandru-Liviu, MEYER, Patrick, et al. A metaheuristic for inferring a ranking model based on multiple reference profiles. Annals of Mathematics and Artificial Intelligence, 2024.

[4] GADEK, Guillaume. “From community detection to topical, interactive group detection in Online Social Networks.” IEEE/WIC/ACM International Conference on Web Intelligence-Companion Volume. 2019.

[5] PRIEUR, Maxime, et al. “Shadowfax: Harnessing textual knowledge base population.” Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2024.

[6] BAUTISTA, Esteban, BRISSON, Laurent, BOTHOREL, Cécile, SMITS, Grégory. “MAD: Multi-Scale Anomaly Detection in Link Streams”. The 17th ACM International Conference on Web Search and Data Mining, Mar 2024, Mérida (Yucatan), Mexico.

[7] DAO, Vinh-Loc, BOTHOREL, Cécile, LENCA, Philippe. Community structure: A comparative evaluation of community detection methods. Network Science, 2020, 8 (1), pp.1-41.

[8] CHRAIBI-KAADOUD, Ikram , FAHED, Lina, LENCA, Philippe. Explainable AI: a narrative review at the crossroad of Knowledge Discovery, Knowledge Representation and Representation Learning. MRC@IJCAI 2021: Twelfth International Workshop Modelling and Reasoning in Context, 2021, pp.28-40.
2. Partners and study periods
2.1. Supervisors and study periods

IMT Atlantique: Prof.Cécile Bothorel, Assoc.-Prof. Lina Fahed and Assoc.-Prof. Arwa Khannoussi, IMT Atlantique, Brest, France.

Industrial partner: Dr. Guillaume Gadek, Airbus Defence and Space, Versailles, France

The PhD student will stay 9 months at Airbus Defence and Space.
Academic international partner(s): The PhD student will also spent 3 months at an international academic partner, probably LUT University, Finland (to be confirmed).

2.2. Hosting organizations
2.2.1. IMT Atlantique

IMT Atlantique, internationally recognized for the quality of its research, is a leading French technological university under the supervision of the Ministry of Industry and Digital Technology. IMT Atlantique maintains privileged relationships with major national and international industrial partners, as well as with a dense network of SMEs, start-ups, and innovation networks. With 290 permanent staff, 2,200 students, including 300 doctoral students, IMT Atlantique produces 1,000 publications each year and raises 18€ million in research funds.
2.2.2. Airbus Space and Defence

Airbus Space and Defence purpose is to improve life on Earth and beyond through our cutting-edge space technologies. From in-orbit delivery of satellites and spacecraft equipment to the smallest electronic components, Airbus provides products and services to customers around the world. We deliver telecommunications and navigation satellites that enable people to connect everywhere and navigate safely on Earth. The data from Airbus-built Earth observation satellites, such as Sentinel-2 or MetOp, bring insight that helps us to better understand and protect our planet.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Atlantique, campus Brest

Document attaché : 202502251404_4-anomaly-detection.pdf

34ème Journée de la Recherche – Université Gustave Eiffel, IGN et ENSG-Géomatique

Date : 2025-03-11
Lieu : Campus de l’université Gustave Eiffel et de l’École Nationale des Sciences Géographiques à Champs-sur-Marne.
Accueil principal : Université Gustave Eiffel
Bâtiment Bienvenüe – Entrée par le 12, boulevard Copernic – 77420 Champs-sur-Marne

Chères et chers collègues,

L’Université Gustave Eiffel, l’IGN et l’ENSG-Géomatique organisent, le mardi 11 mars 2025 la 34ème Journée de la recherche.

Cette journée vise à faire mieux connaître les travaux de recherche en géomatique, réalisés au seins des laboratoires de l’université Gustave Eiffel, de l’Institut National de l’Information Géographique et Forestière et de l’Ecole Nationale des Sciences Géographiques. Cette 34ème édition sera aussi l’occasion de célébrer les 10 ans du laboratoire d’inventaire forestier (LIF)! Une sessions plénière y sera consacrée en ouverture de la journée.

5 sessions parallèles viendront compléter le programme de la journée:
– Les déformations de la Terre, leurs signatures gravitationnelles et leurs modélisations et mesures
– Simulation de processus sociaux et spatiaux
– Détection des changements du territoire
– Traitement & Analyse de Nuages de points
– Mieux connaître et fabriquer les cartes sur téléphone

L’inscription à la journée est gratuite mais obligatoire. Vous trouverez le formulaire d’inscription et le programme détaillé de la journée sur la page Web de la journée.

Nous espérons vous retrouver nombreuses et nombreux pour cette journée que nous espérons riche d’inspirations!

Lien direct

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

Poste de postdoc ou doc : aide à la décision clinique, Inria Paris/APHP

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

Laboratoire/Entreprise : HeKA (Inria, Inserm, Univ. Paris Cité)
Durée : 2 ou 3 ans
Contact : adrien.coulet@inria.fr
Date limite de publication : 2025-03-15

Contexte :
Nous cherchons un postdoc (2 ans) ou un doctorant (3 ans)
pour rejoindre l’équipe HeKA (Inria Paris, Inserm & Université Paris Cité) et travailler sur l’aide à la décision clinique à partir de données de santé et de LLM.
Renseignements : adrien.coulet@inria.fr et bastien.rance@aphp.fr
Date limite de candidature : 15/3/2025
Date limite de prise de poste : 1/6/2025
N’hésitez pas à transmettre autour de vous !

Sujet :
Description du sujet : https://lnkd.in/g_NuixAP

Profil du candidat :
-Passionnée par la science des données biomédicales et ses applications,
-Prête à l’interdisciplinarité,
– Avec des facilités de communications

Formation et compétences requises :
Apprentissage par renforcement et/ou grands modèles de langues.

Adresse d’emploi :
PariSanté Campus, 2-10 rue d’Oradour-sur-Glane, 75015 Paris

Document attaché : 202502241851_phd_or_postdoc_subject_sharefair.pdf

Postes E/C en Informatique au LIP6 – Sorbonne Université

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

Laboratoire/Entreprise : LIP6 – Sorbonne Université
Durée : durée indéterminée
Contact : bernd.amann@lip6.fr
Date limite de publication : 2025-03-15

Contexte :

Sujet :
Plusieurs postes en informatique sont ouverts cette année au LIP6/Sorbonne Université : https://www.lip6.fr/recherche/emplois.php

Deux postes relèvent en particulier des thématiques du GDR MaDICS :

– MCF “IA et approches hybrides pour le traitement et l’analyse de données complexes”

https://www.lip6.fr/recherche/emploi-fiche.php?ident=E135

– PR “Modèles et algorithmes pour la décision individuelle et collective”

https://www.lip6.fr/recherche/emploi-fiche.php?ident=E134

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
LIP6 – Sorbonne Université
4 place Jussieu
75252 Paris Cedex 05