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

Laboratoire/Entreprise : IMT Atlantique
Durée : 24 months
Contact : ronan.fablet@imt-atlantique.fr
Date limite de publication : 2024-10-15

Contexte :
As part of AI Chair OceaniX and a national initiative for the development of neural approaches for ocean monitoring, modeling and forecasting ocean dynamics, we open research engineer and postdoc positions to join the INRIA Odyssey team and the Mathematical and Electrical Engineering department at IMT Atlantique, Brest, France.

Sujet :
Additional information is available here: https://institutminestelecom.recruitee.com/l/en/o/ingenieur-r-d-deep-learning-ocean-cdd-24-mois

Contact: ronan.fablet@imt-atlantique.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
IMT Atlantique, Brest, France

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

Laboratoire/Entreprise : CNRS
Durée : 12 mois
Contact : vincent.miele@cnrs.fr
Date limite de publication : 2024-10-15

Contexte :
La personne travaillera au sein de l’initiative Deepfaune (https://www.deepfaune.cnrs.fr) qui a pour objectif de développer des modèles de classification automatique des espèces animales dans les images ou vidéos de pièges photographiques. Cette initiative participe à une collaboration européenne sur le sujet au sein du projet Biodiversa BigPicture.

Sujet :
La mission sera d’évaluer et d’améliorer les pipelines de gestion de données (images, vidéos de sauvage) actuellement mis en œuvre, tout en participant à l’intégration de nouveaux jeux de données venant de toute l’Europe. D’autres missions liées à la gestion et la curation de données et à leur préparation pour l’utilisation de modèle d’intelligence artificielle pourront également être à réaliser. Ces activités se dérouleront dans un cadre collaboratif très dynamique.

Pour candidater :
https://emploi.cnrs.fr/Offres/CDD/UMR5175-SIMCHA-004/Default.aspx

Les activités à réaliser sont :
– Evaluation, révision et écriture de pipeline de gestion de données.
– Gestion de fichiers entre serveurs locaux et distants.
– Mise en place d’une curation automatisée de données.
– Rédaction d’un plan de gestion de données.
– Mise des données aux standards sélectionnées (e.g. camtrapDP).
– Création de rapports sur la base de données.- En fonction de l’expérience en intelligence artificielle, entraînement et évaluation de modèles.
– En fonction de l’intérêt de la personne, implication possible dans les discussions sur le rôle de l’initiative Deepfaune dans les programmes de suivis en écologie.

Profil du candidat :
Débutant.e.s accepté.e.s, expérience appréciée.

Formation et compétences requises :
Savoirs :
– Expérience de la gestion de données
– Connaissances en intelligence artificielle (optionnel)

Savoir-faire :
– Bonne maitrise de Linux et du bash
– Bonne maitrise de Python
– Bonne maitrise de la gestion de projet avec git
– Maitrise courante de l’anglais professionnel

Savoir-être :
– Capacité organisationnelle importante
– Attention marquée aux aspects partenariaux et relationnels
– Autonomie
– Intérêt pour la faune sauvage et la biodiversité (optionnel)

Adresse d’emploi :
Campus CNRS de Montpellier.

L’agent sera affecté au Centre d’Ecologie Fonctionnelle et Evolutive à Montpellier (CEFE) sous la responsabilité de Simon Chamaillé-Jammes. L’agent travaillera en proche collaboration avec Vincent Miele (Laboratoire d’Ecologie Alpine, Chambery), qui codirige l’initiative Deepfaune avec S. Chamaillé-Jammes. Des échanges fréquents avec Gaspard Dussert, doctorant sur l’initiative Deepfaune, ainsi qu’avec Bruno Spataro, ingénieur informatique, tous deux basés au Laboratoire de Biométrie et Biologie Evolutive à Lyon. De nombreuses interactions se feront à distance en visioconférence, mais des missions régulières à Chambery ou Lyon sont à prévoir.

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

Laboratoire/Entreprise : LTCI, Télécom Paris
Durée : CDI
Contact : mathieu.labeau@telecom-paris.fr
Date limite de publication : 2024-10-11

Contexte :
Telecom Paris’s machine learning, statistics and signal processing group (a.k.a S²A group), within the laboratoire de traitement et communication de l’information (LTCI) and the Image, Data & Signal (IDS) department, is inviting applications for a permanent (indefinite tenure) faculty position at the Associate Professor level (Maitre de Conferences) in *Machine learning for Natural Language Processing*.

Sujet :
Main missions

The person recruited must have the experience and expertise required to carry out the following research and teaching assignments

Research activities

• Develop groundbreaking research in the field of theoretical or applied machine learning, aligned with the topics of the S²A group and the Images, Data & Signals department with a focus on Deep Learning. While the position is open to all applications within that field, expertise in Natural Language Processing (including the processing of natural language as text, speech, or information retrieval) or a desire to work with natural language data in the future is preferred. Additionally, the IDS department and S²A team have a particular interest in the following transversal themes: – Generative models – Conversational AI – Bias and Explainability in AI – Frugal Machine Learning
• Develop both academic and industrial collaborations on the same topic, including collaborative activities with other Telecom Paris research departments and teams, and research contracts with industrial players
• Set up research grants and take part in national and international collaborative research projects

Teaching activities

• Participate in teaching activities at Telecom Paris and its partner academic institutions (as part of joint Master programs), especially in machine learning and Data science, including life-long training programs

Impact
• Publish high quality research work in leading journals and conferences
• Be an active member of the research community (serving in scientific committees and boards, organizing seminars, workshops, special sessions…)

Profil du candidat :
As a minimum requirement, the successful candidate will have:

• A PhD degree
• A track record of research and publication in the area of machine/deep learning
• Experience in teaching
• Good command of English

The ideal candidate will also (optionally) have:
• Experience in Natural Language Processing
• A post-doctoral or international experience in an academic or industrial laboratory

NOTE:
The candidate does *not* need to speak French to apply, just to be willing to learn the language (teaching will be mostly given in English)

Other skills expected include:
• Capacity to work in a team and develop good relationships with colleagues and peers
• Good writing and pedagogical skills

Formation et compétences requises :

Adresse d’emploi :
Télécom Paris
19 place Marguerite Perey
91120 Palaiseau
France

Document attaché : 202407301130_2024_AssociateProf_S2A.pdf

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

Laboratoire/Entreprise : INRAE & INRIA
Durée : 24 mois
Contact : antoine.affouard@inria.fr
Date limite de publication : 2024-10-11

Contexte :
Nous recherchons un⋅e ingénieur⋅e logiciel pour la plateforme Pl@ntNet, en CDD de 24 mois dans le cadre de la mise en œuvre du projet « One Forest Vision » (OFVi) (https://oneplanetsummit.fr/en/coalitions-82/one-forest-vision-initiative-251) visant l’adaptation de la plateforme Pl@ntNet à l’étude des milieux forestiers tropicaux (notamment en Afrique tropicale).

Détails de l’offre : https://jobs.inrae.fr/ot-22660

Sujet :
Dans ce cadre, vos activités seront les suivantes :
• Développements dans un environnement Node.js (API, Web),
• Intégration de données et standards ouverts, dans les bases de données (non-)relationnelles Pl@ntNet, pour l’adaptation à de nouveaux contextes, et incluant toutes les étapes de la chaîne de traitement,
• Consommation de services Web pour l’intégration et l’échange de données,
• Mise en place de tests de non-régression, pour les différents services développés, déploiement d’outils de suivi et d’alerte.

Profil du candidat :

Formation et compétences requises :
Formation : Bac+5 informatique ou équivalent

Connaissances souhaitées :
• Développement Javascript (Node.js)
• Gestion / exploitation de bases de données NoSQL orientées documents (ArangoDB) et de bases de données relationnelles (PostgreSQL)
• Notions en développement Web (HTML / CSS / Javascript)
• Notions en administration de serveurs Linux
• Gestion de gros volumes de données
Expérience appréciée : débutant⋅e⋅s accepté⋅e⋅s

Adresse d’emploi :
Montpellier

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

Laboratoire/Entreprise : ICube laboratory
Durée : 2 years
Contact : lafabregue@unistra.fr
Date limite de publication : 2024-10-11

Contexte :
Automated data acquisition systems and increasing storage capacities have made time series data available across a wide
range of domains, from earth observation to industry. However, this data is often provided with insufficient or no labels, thus preventing the use of supervised methods. In this context, unsupervised methods can be valuable to help users extract information, such as identifying different behaviors on a production line. Nevertheless, when it comes to time series analysis, these methods face several drawbacks.

First, the diverse nature of sensors and sources used to generate
temporal data results in significant heterogeneity in terms of
format, volume, quality, and richness of information. For example, a single production line can include a large set of different sensors, each constrained by its manufacturer’s API. This diversity has led to a wide range of categorization methods for analyzing time series, e.g., based on elastic metrics, frequency decomposition, and pattern extraction , each with its own advantages and limitations, which can also complement one
another.

Secondly, clustering approaches often yield results that do not align with the experts’ expectations or intuitions. This is especially true when considering the aforementioned heterogeneity of time series data. Therefore, incorporating some expert knowledge, even if it doesn’t encompass the full spectrum of actual classes, can significantly enhance the quality of the clustering results. This knowledge is often expressed in the form of constraints. However, these methods often suffer from the negative impact of constraints, resulting in a decrease in quality when constraints are added.

Finally, asking experts to define all classes at the outset of the project is unreasonable. It is indeed often the case that not all classes can be semantically defined before a data analysis has been carried out. It is more practical to engage experts throughout the entire process as they progressively unfold the data processing and analysis within an iterative cycle of interactions between the expert and the learning system. The goal of this interaction is to bridge the gap between the results generated by the algorithms and the expert’s thematic insights. This process is designed to make the results more comprehensible to the expert.

Sujet :
The main task of this post-doc is to develop an ensemble clustering method that relies on a diversity of viewpoints (i.e. representations or metrics). It will use constraints given iteratively by the user to select and combine the proper viewpoints. This should result in a better clustering that is a consensus of the most suitable viewpoints, in adequacy with the expert’s knowledge, to leverage potential negative effects of constraints. To achieve this goal, we need to fulfill four objectives:
● Select a subset of sufficiently independent/diverse existing metrics/representations (required to have complementary viewpoints) relevant to clusterize time series;
● Define a generic ensemble method to obtain a consensus clustering result from the previously selected viewpoints that maximize the respect of the expert’s knowledge;
● Propose a generic method to iteratively update the clustering by integrating new expert’s knowledge in interaction with the expert;
● Validate the method operability by focusing on Industry data, mainly relying on a demonstration production line of one of our industry partners

The person recruited will be co-directed by Nicolas Lachiche (50%), specialist of complex data mining, and Baptiste Lafabrègue (50%), time series analysis specialist. He or she will actively collaborate with the SDC team at ICube in Strasbourg, and more particularly with Nassime Mountasir, a 3rd-year PhD student working on predictive maintenance issues

Profil du candidat :
● PhDinComputerScience, specializing in machine learning/explainability.
● Solid knowledge of Machine Learning methods. Experience in time series analysis and/or predictive maintenance would be also valuable.
● Goodverbal (English or French) and written (English) communication skills.
● Interpersonal skills and the ability to work individually or as part of a project team.

Formation et compétences requises :

Adresse d’emploi :
Illkirch, south of Strasbourg (Pôle API, 300 Bd Sébastien Brant, 67400 Illkirch-Graffenstaden)

Document attaché : 202407291327_EnsembleTimeSeries_offer.docx.pdf