Archives

AISSAI/GAP 2026

Date : 2026-06-17 => 2026-06-19
Lieu : Grenoble

Dear colleagues,

(Apologies for cross-posting)

We are pleased to invite you to the AISSAI/GAP 2026 Workshop – Artificial Intelligence for Science, which will take place in Grenoble, France, from 17 to 19 June, 2026.

https://indico.math.cnrs.fr/event/15724/

Building on the GAP 2024 workshop held in Grenoble, AISSAI/GAP 2026 will explore the intersections between machine learning, artificial intelligence, and scientific modeling, with a particular emphasis on inverse problems for physical systems, differentiable physics, and simulation-based approaches. This workshop is part of the AISSAI thematic trimester on “HPC and AI convergence at the exascale era.”

The workshop aims to bring together researchers from machine learning, applied mathematics, computational physics, and related application domains, in order to foster interdisciplinary exchanges, stimulate new collaborations, and strengthen connections within the scientific community, particularly across the Alpine research ecosystem.

We are delighted to announce a strong lineup of invited speakers, who will deliver in-depth lectures covering both methodological advances and applications at the interface of AI and the sciences:

— Linus Bleinstein, EPFL (foundation models for life sciences)
— Patrick Galinari, Sorbonne Université (foundational models for scientific applications)
— Samuel Hurault, CNRS, Université Gustave Eiffel (diffusion models and flow matching: theory and applications)
— Ching-Yao Lai, Stanford University (physics-informed deep learning for inverse problems)
— Fanny Lehmann, ETH Zurich (foundational models for geophysical sciences)
— Jakob Macke, University of Tuebingen (simulation-based inference)
— Julien Mairal, Inria (machine learning for scientific Imaging)
— Laurence Perrault-Levasseur, Université de Montréal (bayesian methods for astronomy)
— Nelly Pustelnik, CNRS, ENS Lyon (model-based neural networks)
— Gabrielle Steidl, TU Berlin (generative flows)

In addition to the invited talks, the workshop will include an informal poster session (i.e. not peer reviewed, without proceedings), offering participants the opportunity to present recent work and ongoing research at the frontier of AI-driven scientific discovery.

Registration will be free but mandatory (limited to 200 participants).

Practical information, program updates, and registration details are available on the workshop website:
https://indico.math.cnrs.fr/event/15724/

We very much hope to welcome you in Grenoble for AISSAI/GAP 2026.

Best regards,
Pedro Rodrigues for the AISSAI/GAP 2026 organising committee

Lien direct

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

Appel à communication Atelier INTERACT @plateforme PFIA à Arras, le 29 juin /deadline 15 avril

Date : 2026-06-29
Lieu : Plateforme PFIA, à Arras

Lundi 29 juin à Arras
Dans le cadre de la Plate-Forme Intelligence Artificielle (PFIA) : (https://pfia26.cril.fr/)
Atelier INTERACT


Avec le soutien du GDR MADICS (atelier GRASP )



——————————————————————————————
Ces dernières années, la recherche sur les réseaux sociaux a conduit au développement de techniques sophistiquées issues de la théorie des graphes, des techniques d’apprentissage automatique, de fouille de données et d’économétrie pour l’analyse des réseaux et la prédiction de comportements individuels. La compréhension et l’analyse des relations sociales dans les réseaux grâce à l’analyse des réseaux ouvrent de nombreuses perspectives de recherche en sociologie, littérature, médias, biologie, informatique, sport, etc.
En particulier, pour fournir des recommandations de politiques publiques (santé, environnement, éducation, travail), il est important d’identifier des effets de réseaux. En effet, de nombreuses études montrent que les comportements individuels s’inscrivent dans un ensemble d’interactions sociales. Les individus interagissent de multiples façons et tendent à imiter et à apprendre des autres, en particulier de ceux appartenant à leur environnement proche, tels que leurs familles, amis, collègues ou voisins. L’influence de ces interactions sur le comportement individuel est appelée “effets de pairs”. Cette définition est intuitive, mais l’identification empirique des effets de pairs reste difficile à démontrer, et des communautés variées se sont penchées sur cette problématique. L’analyse des effets de pairs et plus généralement des comportements des individus dans un réseau représentent un défi scientifique notamment lié (a) à la nature potentiellement volumineuse, et complexe des données issues de graphes de données sociales (e.g. liens sociaux multiples, incomplétude des liens observés ou déclarés, choix des variables caractérisant des individus, données d’enquêtes ou issues d’essais randomisés contrôlés), et (b) à la difficulté de définir des modèles permettant de dégager des hypothèses causales et des explications sur le comportement des individus ou de sous-ensemble d’individus.
L’analyse des réseaux sociaux peut répondre à différentes problématiques multi- disciplinaires, notamment l’identification des experts ou des communautés d’expertise dans un domaine particulier, la cartographie des sujets sur lesquels portent les interactions, la manière dont les infections et les opinions se propagent, ou encore l’effet d’un traitement dans une population (i.e vaccin, message).
L’atelier aura pour objectif de favoriser les échanges interdisciplinaires sur la problématique de l’analyse des réseaux sociaux et de mieux comprendre les avantages et les limites des approches de chacun, et leurs possibles complémentarités.

Liste des thématiques (non exhaustive) :
• Apprentissage supervisé et non supervisé dans des données graphes
• Apprentissage de règles, GNN, Clustering de Graphes, Fouille de graphes
• Identification de sous-populations, de profils, de communautés dans des graphes d’interactions
• Analyse et Fouille de Réseaux sociaux : détection de communautés, recherche de motifs fréquents dans des graphes, évolution de réseaux, prévision de liens, modèles de diffusion
• Econométrie des réseaux, économie comportementale et expérimentale, modèles statistiques, causalité, …
• Systèmes d’aide à la décision, prédiction de comportement, effet de pair, …

Soumissions
Les soumissions se feront sous format pdf via le site Easychair (https://easychair.org/conferences/?conf=interactpfia26). Les soumissions prendront la forme d’un résumé de 2 pages à 6 pages, en suivant le style PFIA 2026. Elles peuvent être rédigées en français ou en anglais. Chaque soumission fera l’objet d’une évaluation par plusieurs membres du comité de programme. Les articles sélectionnés donneront lieu à des présentations orales en français, sauf impossibilité majeure. Les actes de la journée seront regroupés dans un document pdf publié en ligne.

Dates importantes
• Date limite de soumission des articles : 15 avril 2026
• Notification aux auteurs : 6 mai 2026
• Date de la journée : 29 juin 2026

Comité de programme (en cours de construction)
• Hadhami El Ouni, LIPN, Université Sorbonne Paris Nord
• Mathieu Lambotte, CREM, Université de Rennes
• Maria Rifqi, LEMMA University Paris-Panthéon-Assas
• Thibaut Soulard, LISN, Université Paris Saclay
• Danai Symeonidou, INRAE Montpellier

Comité d’organisation de l’atelier
• Noémi Berlin, EconomiX, Université de Nanterre
• Nathalie Pernelle, LIPN, Université Sorbonne Paris Nord
• Céline Rouveirol, LIPN, Université Sorbonne Paris Nord
• Carole Treibich, Laboratoire d’Economie Appliquée de Grenoble
 

Lien direct

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

First International Workshop on Agents, Things and Lightweight AI for Sustainability (ATLAS)

Date : 2026-06-09
Lieu : Lyon, France

First International Workshop on Agents, Things and Lightweight AI for Sustainability (ATLAS)

https://atlas.liris.cnrs.fr/

Colocated with ICWE’2026 (https://icwe2026.webengineering.org/)

About the workshop:
——————-

As IoT proliferates, the environmental and technical impact of billions of connected devices demands urgent attention. This workshop examines how AI-augmented agents should be designed, managed and coordinated while optimizing resource consumption and operating under frugal conditions and infrastructures. It also aims to review existing implementations of the Web of Things (WoT) standards with respect to long-term maintainability.

The primary goals of ATLAS are to:
– Present cutting-edge research at the intersection of agent-based systems, IoT, and sustainability
– Identify open research challenges and future directions for frugal, standards-compliant agentic systems
– Build a community around sustainable WoT technologies

The workshop topics include but are not limited to:
– Federated learning for edge intelligence
– Embedding intensive inference algorithms into constrained devices
– Predictive maintenance to reduce e-waste
– Frugal hardware-related concerns
– Ethical frameworks for sustainable AI deployment
– Resource-aware agentic LLM-based systems
– Complexity of embedded semantic Web processes
– Energy, network and/or memory management in decentralized Web-based architectures
– Deployment of IoT / WoT platforms on Constrained devices
– Lifecycle and maintenability of Cyber-Physical Systems
– Robust and resilient distributed agentic systems
– Environmental footprint of sensor and actuator-based infrastructures
– Observability and governance of agents in decentralized architectures
– Coordination architectures for agents with distributed knowledge
– Application areas such as product passports and carbon footprint tracking

The workshop format will include a keynote talk and oral presentations of long and short accepted contributions, based on peer-review.

Important dates:
—————-

– Paper Submission: March 29, 2026
– Author Notifications: April 23, 2026
– Workshop presentations: June 9th, 2026
– Camera-ready Version: June 30, 2026

Submission information:
———————–

We expect contributions in the form of either:
– Long papers max: 12 pages
– Short papers max: 6 pages

Kindly follow the detailed instructions on the workshop website: https://atlas.liris.cnrs.fr/#submission

Organizing committee:
———————

– Lionel Medini, LIRIS lab. / Lyon 1 Univ., France
– Nadia Yacoubi Ayadi, LIRIS lab. / Lyon 1 Univ., France
– Lionel Tailhardat, Orange, France
– Raphael Troncy, Eurecom, France
– Andreas Harth, Friedrich-Alexander-Universität Erlangen-Nürnberg / Fraunhofer IIS, Germany

Lien direct

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

Nested Modeling and Sensitivity Analysis for Robust Control of Large-Scale Membrane Bioreactors under Uncertainty

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

Laboratoire/Entreprise : Laboratoire de Génie Chimique (LGC)
Durée : 3 ans
Contact : rachid.ouaret@toulouse-inp.fr
Date limite de publication : 2026-04-10

Contexte :
In France, more than 22,000 wastewater treatment plants collect and treat approximately 8.4 billion
m3 of wastewater annually, but less than 1% of this treated water is currently reused. In response
to recent drought episodes and the increasing scarcity of water resources, the “Water plan (Plan
Eau)” was introduced in 2023 to promote a more resilient and concerted management of water
resources, including the valorization of treated wastewater reuse (REUT) [1]. Membrane bioreactors (MBRs) are recognized wastewater treatment processes known for their excellent purification
performance and are now deployed in large-scale installations. However, these systems consume
at least twice the energy of conventional activated sludge systems (CAS), primarily due to their
high aeration requirements [3, 4]. This energy demand is further influenced by the concentration
of Total Suspended Solids (TSS), which directly affects reactor volume and design. Addressing
these issues requires advanced mathematical models capable of optimizing MBR performance while
accounting for uncertainties in influent characteristics, operational conditions, effluent quality, and
energy efficiency.
The scientific complexity of this issue lies in the intrinsically nested nature of MBR models. Unlike
traditional approaches that consider systems as “single-block” entities, large-scale MBRs involve
a deeply nested structure where the output of one sub-model (biological, physical, or energetic)
becomes the input of another [2]. This specific architecture generates complex multi-scale and
multi-frequency dynamics. Biological phenomena directly influence the production of suspended
solids and EPS (Extracellular Polymeric Substances), which condition membrane fouling, creating
a strongly coupled physico-biological system with multiple feedback loops. This nested structure
is essential for faithfully capturing the real behavior of industrial installations, but it considerably
complicates the analysis and management of uncertainties.
The uncertainties present in these systems are multiple and dependent: they concern the influent
(flow rate, COD, NH+
4
, TSS), operational conditions (control parameters), and membrane fouling.
These uncertainties evolve over time, are described by heterogeneous data often asynchronous or
incomplete, and exhibit complex structural dependencies that cannot be captured by classical statistical methods. In particular, dependencies between variables (linear or nonlinear, symmetric or
asymmetric) require specific tools such as copulas for precise modeling [5]. This complexity of uncertainties is exacerbated by the nature of the collected data: wastewater treatment plants generate
time series at different temporal scales (from seconds to weeks), with distinct time steps between
online sensors, laboratory analyses, and operational histories.
Sensitivity analysis represents an essential lever for understanding and optimizing these systems, but
it faces major challenges in the context of nested models. Traditional sensitivity analysis methods,
developed for single-block models, do not allow for fine analysis of sub-model contributions nor
correct quantification of sensitivities in a nested structure [6]. A specific approach is therefore
necessary to evaluate how variations in input parameters affect final outputs through the entire
modeling chain. This sensitivity analysis must also integrate symbolic data representation (intervals,
histograms, empirical distributions) to capture uncertainty without resorting to temporal smoothing
that would lose critical information [7].

Sujet :
The heart of this PhD lies in the development of an innovative methodology articulating nested
modeling, sensitivity analysis, and artificial intelligence for large-scale membrane bioreactors. This
approach builds upon preliminary work conducted at LGC on integrated MBR modeling [8, 9] and
leverages promising results recently obtained in the field of sensitivity analysis of hybrid models
[10, 11].
Nested modeling constitutes the foundation of this PhD. Unlike traditional single-block approaches, we will develop a graphical representation of interdependencies between biological (ASM-SMP),
physical (RIS), and energetic sub-models, following an approach similar to that proposed by Touboul
[12]. This nested structure will enable faithful capture of multiple feedback loops between different MBR system components, particularly between biological pollutant degradation processes and
physical membrane filtration phenomena. The use of probabilistic tools such as copulas [13] will
allow rigorous modeling of stochastic dependencies between influential variables, while a variant of
the Total Interaction Index (TII) [14] will be implemented to assess stochastic dependencies within
the nested framework.
Sensitivity analysis occupies a central position in this PhD, with the objective of developing sensitivity measures specifically adapted to nested and multi-scale structures. We will deploy classical
tools well-documented in specialized literature (derivative-based, distribution-based, or variogrambased approaches) [15], while conducting an in-depth reflection on the specificity of nested model
structures to tailor these tools to our specific context. The Shapley effect for sensitivity analysis
with dependent inputs [16, 13] will also be considered within the framework of this project, offering an innovative perspective for quantifying individual and joint contributions of parameters in a
dependency context.
Artificial intelligence will play a complementary and essential role in this PhD, particularly through
the development of Physics-Informed Neural Networks (PINN) and machine learning model interpretability techniques. This hybrid approach, which combines the advantages of mechanistic models
and data-driven methods, has already proven its worth in the field of process engineering [18] and
specifically for wastewater treatment [19]. Recent work by Danesh et al. [17, 11] has demonstrated
the effectiveness of model-agnostic methods (Accumulated Local Effects, Partial Dependence Plots)
for making neural network predictions interpretable, a fundamental requirement for the adoption
of these tools by industrial operators.
Reinforcement learning (RL) will constitute the third pillar of this PhD, with the objective of developing a real-time control framework for optimizing MBR operations. Building upon the nested
models developed and sensitivity analyses performed, this RL framework will dynamically adjust
operational parameters based on process variability. State estimation techniques, such as the Extended Kalman Filter (EKF), will be implemented to enhance RL decision-making by mitigating
measurement noise and handling system uncertainties [20, 21]. The integration of RL with mechanistic models will ensure that the control strategy remains explainable and applicable to real-world
operations

Profil du candidat :
Education: Master’s degree or equivalent (5 years) in applied mathematics, statistics, process engineering, control engineering, data science, or related field.

Formation et compétences requises :
Technical skills:
– Probability and statistics (sensitivity analysis, stochastic processes)
– Dynamical systems modeling and differential equations
– Optimization and optimal control
– Machine learning and reinforcement learning
– Scientific programming (Python, R, MATLAB, Julia)
• Assets: Knowledge in process engineering or water treatment would be a plus
• Personal qualities: Autonomy, scientific rigor, taste for interdisciplinary research
• Languages: Scientific English (reading, writing, oral communication)

Adresse d’emploi :
4 allée Emile Monso
CS 84234
31 432 Toulouse cedex 4

Document attaché : 202603101043_ANR_FlexMIEE_Offre_these_fr_en.pdf

Premier webinaire — IN/data : INdex à l’INverse de l’INformatique ?

Date : 2026-03-16
Lieu : https://visio.numerique.gouv.fr/hco-kkoj-itr

L’atelier CODA-MADICS a pour objectif de construire un espace où les données, les algorithmes et la création deviennent des instruments pour imaginer des futurs plus justes, pluralistes et responsables. Dans cette perspective :

⁃ l’art devient un laboratoire critique pour interroger les infrastructures algorithmiques ;
⁃ la science des données devient un espace d’expérimentation collective et inclusive ;
⁃ les algorithmes sont pensés comme des objets culturels et sociaux, et non comme de simples objets techniques.

Notre ambition est de développer des pratiques en matière de données et d’IA qui soient responsables, inclusives, transparentes, soutenables et ouvertes à la diversité des savoirs et des cultures.

Premier webinaire CODA-MADICS
Programme

12:00 – 12:05 : Introduction à CODA-MADICS (5 minutes)

12:05 – 12:35 : Webinaire IN/data : INdex à l’INverse de l’INformatique ?
Lilyana V. Petrova, ETIS

12:35 – 13:15 : Discussion et questions-réponses

Titre : Webinaire IN/data : INdex à l’INverse de l’INformatique ?

Résumé
Féminisme, équité, environnement, care, art, gouvernance, éthique, extractivisme, interdisciplinarité, altérité… autant de ‘mots’ qui, alignés les uns après les autres, renvoient à une multitude de domaines et de problématiques. Les sciences humaines et sociales ont longuement réfléchi à l’application de ces mêmes notions, développant une pensée critique et articulant les paradoxes inhérents à toute création intellectuelle. À l’inverse, appliqués aux sciences des données, ces mots se retrouvent en débat avec d’autres, tout aussi insignes : optimisation, efficacité, précision, expertise, objectivité, probabilité… Ce lexique « INverse » n’a rien d’anodin. Il constitue les fondements d’une démarche dialectique, permettant de faire avancer la pensée et par là-même la science. Comment ces concepts font-ils écho à des réalités concrètes ? Comment, analysés conjointement, peuvent-ils prendre corps dans une construction théorique et scientifique cohérente ? Comment peuvent-ils générer de nouveaux paradigmes interdisciplinaires ? Ici, nous essaierons d’avancer sur la construction d’un vocable conceptuel qui permettra de nouer le dialogue entre les différentes cultures scientifiques, dont les intérêts, souvent antinomiques, peuvent poser question. En mobilisant le néologisme IN/data, concept inverse à celui de la donnée, nous proposons une discussion qui vise à questionner ce que constitue l’INformatique par son INverse

Intervenante
Lilyana V. Petrova est maîtresse de conférences à ETIS (ENSEA / CNRS / CY Université Cergy Paris Université).
Elle est enseignante-chercheuse dans le champ interdisciplinaire des Arts, des Sciences et des Techniques en Société.

Contact
coda-madics-pi@groupes.renater.fr

Porteur·euses de l’Atelier CODA-MADICS
Genoveva Vargas-Solar, LIRIS
Frédérique Bevilacqua, IRCAM, STMS
Baptiste Caramiaux, ISIR

Lien direct

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

Première école de l’Action Spécifique Numérique INSU

Date : 2026-04-27 => 2026-04-30
Lieu : Centre Blaise Pascal de l’ENS Lyon.

Objectifs de l’école

Cette école vise à former les participants à l’utilisation de quatre codes phares dans le domaine :

Dyablo. Intervenants : Maxime Delorme, Arnaud Durocher
Idefix. Intervenant : Geoffroy Lesur
Shamrock. Intervenants: Timothée David—Cléris
Smilei. Intervenants: Arnaud Beck, Charles Prouveur

Chaque journée sera consacrée à un code, avec :

Le matin : une présentation théorique et technique du code.
L’après-midi : un atelier pratique (TP) de prise en main.

Modalités d’inscription

Pour participer, merci d’envoyer un email de candidature accompagné d’une lettre de motivation (1 page maximum) à :
Benoit Commerçon : benoit.commercon@ens-lyon.fr
Héloïse Méheut : heloise.meheut@oca.eu

Date limite d’envoi des candidatures : 3 avril 2026

Lien direct

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

Enseignant-chercheur en Télédétection radar et IA

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

Laboratoire/Entreprise : ENSTA – Campus Brest / Lab-STICC UMR CNRS 6285
Durée : CDD puis CDI
Contact : jean-christophe.cexus@ensta.fr
Date limite de publication : 2026-04-19

Contexte :
ENSTA, établissement d’enseignement supérieur et de recherche sous tutelle du ministère des Armées, développe des activités de formation, recherche et innovation dans les domaines de la défense et de la sécurité, des transports, de l’énergie, des activités maritimes, du numérique et de la santé.

L’école, présente sur deux campus, à Paris-Saclay et à Brest, est membre de l’Institut Polytechnique de Paris. Classée dans le Top 10 des meilleures écoles d’ingénieurs en France, elle a pour mission :
– la formation d’élèves ingénieurs civils et militaires, de cadres et docteurs pour les secteurs public et privé
– la recherche et l’innovation de haut niveau en relation étroite avec l’industrie des grands secteurs de souveraineté au sein de 6 Unités de formation et de recherche (UFR).

L’ENSTA recrute une enseignante-chercheuse ou un enseignant-chercheur en Télédétection radar et IA pour l’unité de formation et de recherche Sciences de l’information et de l’informatique (UFR S2I).

Sujet :
Le ou la titulaire du poste sera affecté au sein de l’UFR S2I qui a pour mission d’assurer les enseignements et la gestion des enseignements en sciences de l’information et en informatique dans le cadre de différentes formations (ingénieur, masters, doctorat, mastères spécialisés, diplômes d’établissement, formation continue). L’UFR développe également des activités de recherche dans les unités de recherche U2IS (campus de Paris-Saclay) et Lab-STICC (campus de Brest) dans les domaines des sciences de l’information et informatique. Ces activités sont réalisées grâce à d’importants moyens expérimentaux. Sur les campus de Paris-Saclay et Brest, l’UFR S2I compte une soixantaine d’enseignants chercheurs, une cinquantaine de doctorants/post-doctorants ainsi que plusieurs personnels techniques (ingénieurs, techniciens).

Profil du candidat :
La candidate ou le candidat contribuera aux activités du pôle SyPH (Systèmes photoniques & hyperfréquences), dans sa composante hyperfréquences et radiofréquences, en renforçant les apports de l’ENSTA sur la thématique de télédétection et radar.

Dans ce cadre, la candidate ou le candidat devra développer une activité concernant les thèmes :
– Télédétection et radar ;
– Compréhension des phénomènes physiques (interactions ondes/environnement) ;
– Moyens de simulation spécifiques et dispositifs expérimentaux dédiés.
– Méthodes numériques pour la modélisation des propagations et des cibles électromagnétiques
– Méthodes innovantes de traitement et d’analyse (particulièrement celles issues de l’IA et du machine-learning avec prise en compte des aspects physiques) ;

Mots-clés : système radar, guerre électronique, télédétection, radiofréquences, hyperfréquences, propagation EM, modélisation et simulation, expérimentation et analyse, IA et machine-learning.

Activités d’enseignement

La candidate ou le candidat retenu s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’information et de l’informatique (S2I) de l’ENSTA (campus de Brest). Elle ou il participera (objectif 192h équivalent TD) aux enseignements et à la gestion des enseignements des différentes formations de l’UFR S2I.

Ses missions consisteront à :
– Contribuer aux enseignements généralistes des différentes formations de l’ENSTA ;
– Assurer et gérer des enseignements pilotés par l’UFR S2I, en particulier ceux en lien avec les mathématiques tout particulièrement dans les formations d’ingénieur généraliste et de spécialité “défense et sécurité” ;
– S’impliquer dans les enseignements plus spécialisés, notamment ceux dispensés dans la voie d’approfondissement SOIA (Système d’observation et IA), ainsi que dans la future spécialité Système d’observation et traitements intelligents (SOTI) ouverte à partir de la rentrée 2028 ;
– Proposer, organiser et dispenser des enseignements dans son domaine d’expertise (avec une implication forte dans la formation continue “radar télédétection”, “mesures hyperfréquences”;
– Participer et contribuer aux travaux pratiques et d’expérimentation (logiciels spécialisés, chambre anéchoïque, …) ;
– Proposer, gérer et encadrer des projets étudiants éventuellement en partenariat avec des industriels ;
– S’impliquer dans les responsabilités pédagogiques de l’UFR ;
– Participer aux activités de promotion des formations (e.g. : journées portes ouvertes, …) ;
– Poursuivre la dynamique de développement des partenariats avec l’industrie au profit de la formation.

Pour plus détail consuler la page :
https://enstaparis.recruitee.com/o/enseignant-chercheur-en-teledetection-radar-et-ia

Formation et compétences requises :
Conditions de candidature

Le poste proposé est un contrat à durée déterminée de 3 ans renouvelable une fois puis transformé à terme en CDI une fois l’intégration et le bon niveau de réalisations académiques démontrés.

L’ENSTA peut accueillir les personnels fonctionnaires en détachement, en particulier les maîtres de conférences et les professeurs de l’université ou les chargés et les directeurs de recherche des organismes de recherche (CNRS, INRIA, …). La qualification aux fonctions maître de conférences et/ou professeur des universités n’est pas requise mais sera appréciée.

La personne candidate, titulaire d’une thèse de doctorat, devra justifier :
– d’une expérience en recherche et enseignement en adéquation avec les besoins exprimés ;
– de publications scientifiques dans des revues de haut niveau et en lien avec la thématique mentionnée ;
– d’une capacité à travailler en équipe tant pour l’enseignement que pour la recherche ;
– de qualités pédagogiques ;
– de pouvoir prendre des responsabilités et notamment de pouvoir piloter/coordonner un parcours d’enseignement.

Adresse d’emploi :
ENSTA Campus de Brest (Bretagne, France)
2 Rue François Verny, 29200 Brest

Document attaché : 202603030743_ENSTA Brest – Enseignant-chercheur en Télédétection radar et IA.pdf

Offre de thèse en intelligence artificielle pour la gestion des ressources halieutiques

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

Laboratoire/Entreprise : Laboratoire de Génie Informatique et d’Automatique
Durée : 36 mois
Contact : sebastien.ramel@univ-artois.fr
Date limite de publication : 2026-04-30

Contexte :
* TITRE

Quantification de l’incertitude prédictive, fondée sur la théorie de l’évidence, appliquée à l’estimation des traits de vie des poissons à partir d’images d’otolithes 3D

* THEMATIQUE

Intelligence Artificielle, Apprentissage Automatique, Science des Données

* MOTS CLES

Théorie de Dempster-Shafer, Quantification de l’incertitude, Traits de vie, Écosystèmes marins, Otolithe.

* DATE DE DEBUT ET DUREE

Septembre/Octobre 2026, 36 mois

* FINANCEMENT

50% IFSEA / 50% Université d’Artois (demandé)

* LOCALISATION

Les travaux seront menés en collaboration entre le Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A) à Béthune et le Laboratoire d’Informatique Signal et Image de la Côte d’Opale (LISIC) à Calais.

* ENCADREMENT

Directeur : Prof. Frédéric Pichon (frederic.pichon@univ-artois.fr), Université d’Artois, LGI2A
Co-directrice : Prof. Emilie Poisson Caillault (emilie.caillault@univ-littoral.fr), Université du Littoral Côte d’Opale, LISIC
Co-encadrant : Dr. Sébastien Ramel (sebastien.ramel@univ-artois.fr), Université d’Artois, LGI2A

Sujet :
La connaissance des traits de vie des poissons (habitat, âge, croissance, reproduction, longévité, position dans la colonne d’eau…) est un aspect essentiel pour une gestion efficace et durable des stocks de poissons marins. Les pièces calcifiées, et précisément les otolithes qui sont les seules pièces métaboliquement inertes, sont une source d’information précieuse à cette fin. Notamment, leur forme externe, caractérisée historiquement à partir d’images en 2D et plus récemment étudiée en 3D, permet de prédire de façon très précise ces différents traits de vie. Les images 3D, si elles sont plus informatives, sont néanmoins plus coûteuses et récentes et par conséquent moins nombreuses. Il convient donc d’utiliser au mieux cette source d’information riche mais restreinte, afin d’obtenir les prédictions les plus fiables et précises possibles. La théorie de l’évidence, aussi appelée théorie de Dempster-Shafer ou théorie des fonctions de croyance, est une généralisation du cadre probabiliste pour le raisonnement sous incertitudes. Son utilisation dans le cadre de la quantification des incertitudes dans des prédictions est particulièrement indiquée pour le cas où le nombre de données est faible. Ce projet de thèse vise ainsi à développer des méthodes prédictives fondées sur cette théorie et adaptées aux approches actuelles en matière de prédiction des traits de vie des poissons à partir d’images d’otolithes 3D. Étant donné la nature de ce type d’application, au niveau méthodologique, la prédiction de variables ordinales sera au centre du projet.

Plus de détails disponibles ici: https://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-32

Profil du candidat :
La candidate ou le candidat devra être titulaire d’un master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe. Des connaissances en intelligence artificielle (apprentissage automatique) et/ou en traitement de l’image seront un atout, ainsi qu’une sensibilisation aux méthodes de gestion de l’incertitude. Les qualités permettant de mener à terme un programme de doctorat telles que la curiosité, la créativité, l’autonomie, l’esprit critique et l’enthousiasme, seront nécessaires.

Formation et compétences requises :
Master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe.

Adresse d’emploi :
LGI2A – Laboratoire de Génie Informatique et d’Automatique de l’Artois – UR 3926
Faculté des Sciences Appliquées
Technoparc Futura
62400 – BÉTHUNE Cedex
France

Ingénieur de recherche en TAL

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

Laboratoire/Entreprise : MaIAGE, INRAE, Université Paris-Saclay
Durée : 40 ans
Contact : robert.bossy@inrae.fr
Date limite de publication : 2026-03-19

Contexte :
The Bibliome team (MaIAGE laboratory) is offering a full-time permanent position of research engineer in Natural Language Processing at INRAE research center within Paris-Saclay University, located in the Paris area, France.
INRAE (France’s National Research Institute for Agriculture, Food and Environment) is a public leading research institute, internationally recognised for the scientific excellence and societal impact of its work. INRAE addresses major global challenges related to biodiversity preservation, sustainable agricultural and food systems, climate change adaptation, and environmental risk management.

Sujet :
Within this context, the Bibliome team develops cutting-edge NLP research at the intersection of AI and Life Sciences with the aim of advancing large-scale knowledge extraction from documents, using state-of-the-art transformer architectures, large language models (LLMs), knowledge graphs, and domain ontologies. It develops advanced methods for entity linking, relation extraction, semantic representation, and structured knowledge integration, along with robust evaluation frameworks and reusable research software contributing to next-generation knowledge infrastructures.
This position offers the opportunity to work in a dynamic interdisciplinary environment, combining fundamental research, methodological innovation, and high-impact applications.

Profil du candidat :
Position description and recruitment conditions at:
https://jobs.inrae.fr/concours/concours-externes-ingenieurs-cadres-techniciens-h-f/ir26-mathnum-1

Formation et compétences requises :
Une formation de niveau master en traitement automatique de la langue est préférable.
Des connaissances avérées en exploitation de modèles de langue et d’architectures de deep learning, une expérience dans l’évaluation, le déploiement et l’intégration d’outils seront appréciées.
Savoir-faire
-Adapter des méthodes innovantes à des problématiques interdisciplinaires variées
-Mettre en oeuvre des nouvelles démarches expérimentales de validation d’hypothèses scientifiques dans un contexte scientifique changeant
-Interagir avec de nombreuses équipes sur des sujets pluridisciplinaires divers
-Etre rigoureux-se dans l’implémentation et l’obtention afin de garantir reproductibilité et réutilisabilité

Adresse d’emploi :
INRAE 78350 JOUY-EN-JOSAS

Enseignant-chercheur (F/H) sur une Chaire d’excellence Hi !Paris Cluster 2030 « Adaptation multimodale pour modèles de foundation »

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

Laboratoire/Entreprise : Laboratoire U2IS, ENSTA campus Paris-Saclay
Durée : Tenure Track
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-04-17

Contexte :
ENSTA, établissement d’enseignement supérieur et de recherche classé dans le Top 10 des meilleures écoles d’ingénieurs en France, recrute un Enseignant Chercheur (F/H). ENSTA est partenaire du programme Hi! PARIS Cluster 2030, qui vise à constituer un pôle de recherche et de formation de rang mondial en intelligence artificielle et en science des données. Le consortium regroupe plusieurs institutions françaises majeures en ingénierie et recherche, parmi lesquelles : IP Paris (École Polytechnique, École des Ponts, ENSTA, ENSAE Paris, Télécom Paris, Télécom SudParis), HEC Paris, INRIA, CNRS et l’Université de Technologie de Troyes.

Pour soutenir le développement stratégique de la robotique et de l’IA au sein de l’ENSTA et de l’Institut Polytechnique de Paris, l’ENSTA ouvre un poste de professeur, financé par une chaire d’excellence « Adaptation multimodale pour modèles de foundation » du programme Hi! PARIS Cluster 2030. Ce poste bénéficie d’un financement attractif sur 3 ans, d’un écosystème dynamique en IA et robotique, ainsi que d’un accès à des ressources expérimentales et computationnelles de premier plan. Les candidatures seront examinées aux niveaux Assistant Professor, Associate Professor ou Full Professor, selon l’expérience et le parcours des candidats.

Sujet :
Le titulaire du poste intégrera l’U2IS pour y développer son activité de recherche en cohérence avec la stratégie de l’unité et participer aux enseignements gérés par cette dernière.

Sur le plan de la recherche, ce poste porte sur les techniques d’adaptation pour des modèles fondamentaux multimodaux, permettant un apprentissage et une perception robustes dans des environnements dynamiques et variés — en robotique ou au-delà. Les sujets incluent, sans s’y limiter :
• Modèles multimodaux : apprentissage intermodal et fusion de représentations (vidéo RGB/IR, 3D, audio, texte, proprioception, IoT)
• Données dynamiques : modélisation efficace de données temporelles
• Adaptation et apprentissage en ligne : fine-tuning dynamique de modèles fondamentaux
• Méthodes d’apprentissage actif : modélisation de mécanismes naturels pour l’apprentissage multi-tâches
• Adaptation auto-supervisée / semi-supervisée : exploitation de données non annotées pour une adaptation réaliste et scalable
L’activité de recherche devra s’inscrire en complément des activités déjà développées par l’unité, en particulier dans les domaines de l’intelligence artificielle, la robotique et l’interaction homme-robot.

Sur le plan de l’enseignement, le candidat retenu s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’Information et de l’Informatique (S2I) de l’ENSTA (campus de Paris-Saclay). Il participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues), en particulier pour
• contribuer à l’enseignement en informatique, robotique et IA à l’ENSTA sur le campus Paris-Saclay, ainsi qu’au sein des programmes master d’IP Paris,
• encadrer des doctorants et étudiants de tous les niveaux, et participer à l’apprentissage par projets.
Dans le cadre de la nouvelle ENSTA, il sera amené à participer à la réflexion et à l’évolution de la nouvelle offre de formation, notamment dans le cadre des enseignements bi-campus, avec un engagement dans le développement de pratiques pédagogiques innovantes et coordonnées entre les sites.

Profil du candidat :
L’ENSTA peut accueillir les personnels fonctionnaires en détachement, en particulier les Maîtres de Conférences et les Professeurs de l’université ou les Chargés et les Directeurs de Recherche des organismes de recherche (CNRS, INRIA, …). La qualification aux fonctions Professeur des Universités n’est pas requise mais sera appréciée. Un candidat expérimenté avec HDR pourra obtenir le titre de Professeur accordé par la commission d’appellation d’ENSTA. Un salaire attractif sera proposé en adéquation avec le profil.

Formation et compétences requises :
La personne candidate, titulaire d’une thèse de doctorat, devra justifier :
• d’une expérience en recherche et enseignement en adéquation avec les besoins exprimés ;
• de publications scientifiques dans des revues ou conférences de haut niveau et en lien avec la thématique mentionnée ;
• d’une capacité à travailler en équipe tant pour l’enseignement que pour la recherche ;
• de qualités pédagogiques ;
• de pouvoir prendre des responsabilités et notamment de pouvoir piloter/coordonner un parcours d’enseignement.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-sur-une-chaire-dexcellence-hiparis-cluster-2030-adaptation-multimodale-pour-modeles-de-foundation

Adresse d’emploi :
ENSTA Campus de Paris Saclay, 828, boulevard des maréchaux, 91762 Palaiseau Cedex