Archives

Journée « Frugalité » en traitement automatique des langues et machine

Date : 2026-04-02
Lieu : PSL, site Amyot (3 rue Amyot, 75005 Paris)

Journée « Frugalité » en traitement automatique des langues et machine learning

Lieu : PSL, site Amyot (3 rue Amyot, 75005 Paris)

Date de la journée : jeudi 2 avril 2026

Date limite de soumission : vendredi 13 février 2026

URL de soumission : https://enquetes.univ-lorraine.fr/index.php/724568

Les progrès récents dans les domaines de l’intelligence artificielle ont montré des avancées étonnantes en termes de performances et de richesse des applications possibles, avec potentiellement un impact sociétal fort. On peut, au moins en partie, attribuer ce succès à l’entraînement auto-supervisé de grands modèles dits “de fondation” sur de grandes quantités de données, afin de capturer toute la richesse de leur distribution et par conséquent de réaliser une diversité de tâches. En traitement du langage naturel avec les LLM, en vision artificielle avec les “world models”, en traitement des signaux acoustiques avec les modèles SSL, et dans bien
d’autres domaines, cette approche est devenue dominante, soutenue par la volonté de créer un modèle unique pour tous les cas d’utilisation.

Les lois de passage à l’échelle poussent à augmenter la taille des modèles, en paramètres, en données et en coût de calcul, à la fois à l’entraînement et en inférence (en générant par exemple des raisonnements), afin d’obtenir de meilleures performances. Cette approche pousse à des compromis car son rendement est décroissant : le coût de chaque point gagné en performance augmente exponentiellement avec la réduction des erreurs. Ce coût devient aussi un problème sociétal, avec des conséquences sur l’environnement de plus en plus préoccupantes associées à une adoption généralisée des applications de l’IA.

Pourtant, les pratiques d’évaluation et de benchmarking de la communauté scientifique et industrielle ont peu changé et les mesures de succès ne prennent pas en compte le gigantisme des modèles et le coût global de leur mise en œuvre (écologique, économique, sociétal…). Les performances mesurées ignorent les conséquences des modèles sur l’environnement et la diversité de tâches et la quantité de données nécessaires pour valider la généralité des modèles
rendent les évaluations elles-mêmes gourmandes en ressources.

Cette journée s’intéresse prioritairement à la question de construire des méthodologies d’évaluation “socio-écologiquement conscientes”, qui soient à la fois capables de diriger les concepteurs de modèles vers un compromis socialement et écologiquement acceptable entre performances et ressources, et qui limitent aussi dans leur mise en oeuvre leurs conséquences sur l’environnement. Elle s’attache aussi à rassembler la communauté sur toutes les questions liées à la frugalité de l’intelligence artificielle, de la mesure des ressources à l’implémentation efficace des modèles.

Les thèmes abordés dans cette journée commune aux GdR TAL, IASIS et MADICS sont, sans être limités à :

– Mesure de l’impact environnemental et sociétal : impact carbone, métriques, méthodologie de collection…

– Benchmarks frugaux, protocoles d’évaluation, métriques mélangeant succès à une tâche et impact environnemental : densité en information des modèles…

– Amélioration de l’efficacité des modèles d’IA (en paramètres, temps de traitement, en données, en mémoire…)

– Recherche d’architecture et apprentissage automatique sous contrainte de budget• Quantification, distillation et décimation des modèles

– Méthodes de faible rang, parcimonie

– Collection de données et frugalité

– IA on edge devices, implementation efficace, accélération matérielle

Les soumissions concernent des travaux scientifiques originaux ou déjà publiés mais susceptibles d’intéresser la communauté, et seront présentées lors de la journée sous forme de posters. Les soumissions se font au travers d’un résumé de 2 pages maximum, dont la pertinence sera validée par un comité scientifique, à l’URL suivante :

https://enquetes.univ-lorraine.fr/index.php/724568

Présentations invitées (titres et résumés à venir) :

– Gaël Varoquaux

– Julia Gusack

– Nicolas Keriven

– Raphaël Troncy

Organisateurs : Benoit Favre (Aix-Marseille Université, Université Grenoble-Alpes), Alexandre Allauzen (Université Paris Dauphine – PSL, ESPCI Paris – PSL), Christophe Cerisara (CNRS, Loria), Paul Caillon (Paris School of AI – PSL).

Lien direct

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

Génération de données continues et conditionnelles : application aux séries temporelles

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

Laboratoire/Entreprise : IRIT (Institut de Recherche en Informatique de Tou
Durée : 5 mois
Contact : hugo.boisaubert@irit.fr
Date limite de publication : 2026-02-15

Contexte :
La génération de données synthétiques « en continu » est un challenge important pour différentes applications telles que la simulation ou la prédiction, et dans de nombreux domaines en Industrie 4.0 comme en Santé numérique. Cette génération doit en outre être fidèle autant que
possible aux données réelles ce qui complexifie ce challenge.

Sujet :
Différentes méthodes ont été développées dans ce cadre et pour ces différents types de données. Dans ce stage, même si une compréhension des grandes tendances d’approches proposées indépendamment du type de données est primordiale, un focus particulier sera apporté sur la génération de série temporelle.
Parmi les approches pour ce type de données nous pouvons citer notamment les GAN mais également les approches plus récentes basées sur les modèles LLM. Cependant, selon les contextes applicatifs,
cette génération doit être conditionnée par des « évènements/contraintes ». En effet, ces évènements impliquent une adaptation au fur et à mesure du temps des données générées (exemple : un changement
météo qui aura un impact sur la prédiction de la consommation énergétique). Différentes approches ont été développées pour prendre en compte ces conditions (instantané, fenêtre temporelle, contraintes. . .) dans la génération de données synthétiques.

Les objectifs du stages sont multiples :
1. Construire un état de l’art général des approches récentes [1] sur le domaine de la génération de données conditionnelles en faisant un focus particulier sur la génération conditionnelle de séries
temporelles univariées (TSLLM, TSFM) [2, 4, 5] ;

2. Sur la base de cette étude, au moins deux modèles seront sélectionnés et implantés pour réaliser différentes versions d’un générateur de série temporelle conditionnel. Pour cela l’apprentissage
sera réalisé sur la base de données type « données physiologiques » disponibles. Les données issues notamment du jeu de données MOVER[3] pourront être mobilisées. ;

3. Enfin, suite à la définition d’un protocole expérimental et de l’identification de métriques adaptées, une comparaison objective de ces modèles sera proposée ;

Profil du candidat :
Profil des candidat·e·s Étudiant·e en cycle master ou ingénieur, en Informatique ou mention similaires.

Formation et compétences requises :

Capacités attendues : En complément du niveau de formation défini dans le profil, les éléments
suivants sont souhaitables dans le profil des candidats :
— Capacité de réflexion et d’analyse d’un problème, définition d’un protocole et mise en place d’expérimentations ;
— Rigueur en programmation (Python) et capacité à générer de la documentation, avec usage des outils standard (Git, Doctest, Sphinx ou équivalents) ;
— Maitrise des outils et techniques de l’apprentissage automatique ;
— Capacités de synthèse d’information et à rendre compte de son travail régulièrement ;
— Capacité à produire efficacement des documents de communication scientifique.

Adresse d’emploi :
IUT de Castres – 5 allée du Martinet – 81100 Castres

Document attaché : 202601291558_stage_m2_2026_data_generation-1.pdf

Stage M2 reconnaissance d’entités nommées dans la littérature en héliophysique

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

Laboratoire/Entreprise : LIRA, Observatoire de Paris (Meudon)
Durée : 4 à 6 mois
Contact : liza.fretel@obspm.fr
Date limite de publication : 2026-02-22

Contexte :
L’héliophysique est un sous-domaine de l’astrophysique s’intéressant au vent solaire et à son interaction avec les magnétosphères des planètes du système solaire. Avec l’avènement des Transformers et la démocratisation de l’usage des LLMs, la question du rôle de ces modèles dans l’interprétation de la science est au cœur des enjeux scientifiques, et ce notamment dans la communauté de l’astrophysique (https://arxiv.org/html/2510.24591v1).

L’observatoire de Paris, dont fait partie le LIRA (Laboratoire d’Instrumentation et de la Recherche en Astrophysique), est engagé depuis plus de deux décennies dans le référencement et le partage des données. Ce stage s’encre dans une initiative de vérification de l’intégrité des données d’observation des instruments astronomiques.

L’objectif final de ce stage est d’identifier quelles données sont citées dans les articles en s’appuyant sur des techniques d’extraction d’information (NER, coréférences…)

Pas de continuation en thèse possible.

La ou le stagiaire intègrera le LIRA (Observatoire de Paris, site de Meudon) et sera encadré par Baptiste Cecconi et Liza Fretel, avec un co-encadrement en distanciel par Cyril Grouin (Paris Saclay).

Sujet :
La ou le stagiaire sera en charge:

– de collecter et d’annoter un corpus d’articles d’héliophysique en respectant un guide d’annotations et
– d’appliquer des modèles de langue afin d’effectuer des tâches de classification et d’extraction d’information.

Voici un aperçu du type d’information à extraire des articles:

– Référence du jeu de données (sous forme de citation formalisée, de plein texte ou d’identifiant, par ex: https://doi.org/10.25935/hegh-1r24)
– Nom de l’instrument (ex: Fluxgate Magnetometer (FGM), electrostatic analyzer (ESA), Solid State Telescope (SST))
– Mission (ex: THEMIS-E)
– Plage temporelle (ex: 2009-04-05T09:00:00 à 2009-04-05T10:00:00)
– Région spatiale (ex: Earth.Magnetosphere.Main, solar wind…)
– Intitulé des diagrammes et nature (ex: spectre, graphique…)
– Unités de mesure utilisées dans un diagramme (ex: nPa, min…)
– Observable scientifique représentée dans le diagramme (ex: Dynamic pressure, Magnetic field magnitude, spectral flux density…)

Voici un exemple de document du corpus :
https://doi.org/10.3847/2041-8213/add688

La ou le stagiaire restera informé de l’état de l’art des modèles de langue existants et proposera des métriques d’évaluation afin de comparer les résultats des modèles testés.

Références

Travaux similaires :
– Astro-NER https://doi.org/10.48550/arXiv.2405.02602
– BibHelioTech https://hal.science/hal-04285006v1
– Thèse d’Atilla Kaan Alkan https://theses.fr/2024UPASG114

Modèles de langue :
– AstroBert https://doi.org/10.48550/arXiv.2112.00590
– SciBERT https://doi.org/10.18653/v1/D19-1371
– AstroLlama https://doi.org/10.18653/v1/2023.wiesp-1.7

Profil du candidat :

Formation et compétences requises :
En Master 2 Traitement Automatique des Langues, Informatique, IA ou une formation équivalente, ayant une appétence pour l’astronomie et une certaine rigueur scientifique (présentation des résultats, respect d’un guide d’annotations, regard critique des résultats obtenus).

Démontrer une expérience (non obligatoire mais appréciée) :

– utilisation de modèles de langues (Transformers, LLMs)
– fine-tuning de modèles BERT
– annotation de corpus
– maîtrise des métriques d’évaluation

Adresse d’emploi :
5 Place Jules Janssen, 92190 Meudon

Détection et Réparation d’Incohérences de Données via les Techniques de Machine Learning dans un Environnement Incertain

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

Laboratoire/Entreprise : LIAS/ENSMA
Durée : 3 ans
Contact : allel.hadjali@ensma.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Voir en attaché la description du sujet.

Profil du candidat :
1. Être titulaire d’un diplôme de niveau Bac +5 en informatique (ou en mathématiques appliquées) avec un intérêt pour la recherche.

2. Posséder une expertise en Machine Learning (une expérience/connaissance sur la gestion de données incertaines ou/et en recherche opérationnelle est un plus).

3. Avoir des compétences analytiques avancées et une capacité à résoudre des problèmes complexes.

4. Posséder une aptitude à communiquer à l’oral et à l’écrit en français et en anglais.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Informatique et d’Automatique pour les Systèmes
Ecole Nationale Supérieure de Mécanique et d’Aérotechnique (Poitiers)
Téléport 2 – 1 Avenue Clément Ader – BP 40109
86961 FUTUROSCOPE CHASSENEUIL Cedex – FRANCE

Document attaché : 202601261037_Sujet_These_Loic-Allel.pdf

MCF27 – Université Savoie Mont Blanc – campagne 2026

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

Laboratoire/Entreprise : Lab LISTIC – UFR SceM – Université Savoie-Mont-Bla
Durée : permanent
Contact : jean-yves.ramel@univ-smb.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Un poste de Maître de Conférences (section 27) est susceptible d’être ouvert lors de la prochaine campagne synchronisée à l’Université Savoie-Mont-Blanc.

Enseignement: Département Informatique UFR Sciences et Montagnes –
Recherche: Laboratoire LISTIC

Mot-clés recherche : Apprentissage automatique pour l’analyse de l’activité humaine, apprentissage sur graphes, modèles d’IA combinant GNNs et LLMs, méthodes de représentation et de classification d’information semi-structurée multimodale ou spatio-temporelle.

Mot-clés enseignement : domaines fondamentaux de l’informatique (programmation, langages du web, base de données), génie logiciel (nouvelles approches CI/CD, DevOps, environnement cloud), cybersécurité appliquée au développement informatique

Profil du candidat :

Formation et compétences requises :
+ d’info/profil du poste >>> https://www.univ-smb.fr/listic/wp-content/uploads/sites/66/2026/01/mcf2026_webc.pdf

Adresse d’emploi :
Université Savoie-Mont -Blanc
Campus Technolac – Bourget du Lac

Modélisation adaptative par apprentissage profond actif des blocs opératoires dans les systèmes hospitaliers

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

Laboratoire/Entreprise : Laboratoire d’Informatique Bioinformatique et Sys
Durée : 5 à 6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2026-04-17

Contexte :
Offre de Stage financée au sein du laboratoire IBISC Université Evry Paris Saclay.

Sujet :
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de la l’intervention humaine et en particulier des événements aléatoires perturbatrices. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années, la plupart de ces travaux sont basés sur des modèles stochastiques. L’intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d’applications. Dans ce contexte, des modèles de planification peuvent s’appuyer sur les approches de l’apprentissage automatique. En effet, ces techniques permettent de développer des modèles d’ordonnancement prédictif et de l’optimisation des entrepôts de données.

L’objectif de ce stage, consiste dans le développement d’une approche de planification adaptative du bloc opératoire. Basée sur le principe de l’apprentissage automatique, la méthode de planification permettra le pilotage temps-réel du bloc opératoire. Les travaux seront réalisés dans un cadre d’application pratique dans des services de chirurgie faisant partie de l’établissement hospitalier.

Le candidat réalisera une étude de l’état de l’art et se penchera ensuite sur les différentes possibilités de la mise en place d’une stratégie de planification par apprentissage automatique tenant compte des contraintes souvent incertaines qui peuvent surgir à tout instant.

Références:

[1] Valentina Bellini, Michele Russo, Tania Domenichetti, Matteo Panizzi, Simone Allai, Elena Giovanna Bignami, Artificial Intelligence in Operating Room Management, Journal of Medical Systems (2024) 48:19 https://doi.org/10.1007/s10916-024-02038-2

[2] Zhenzhong Liu, Kelong Chen, Shuai Wang, Yijun Xiao, Guobin Zhang, Deep learning in surgical process modeling: A systematic review of workflow recognition, Journal of Biomedical Informatics, Volume 162, February 2025, 104779 https://doi.org/10.1016/j.jbi.2025.104779

[3] Md Mahfuzur Rahman, Rubayet Karim, Md Moniruzzaman, Md Afjal Hossein and Hammad Younes, Modeling Hospital Operating Theater Services: A System Dynamics Approach, Logistics2023, 7(4), 85; https://doi.org/10.3390/logistics7040085

Profil du candidat :

Formation et compétences requises :
De formation Master 2 ou équivalent possédant de préférence les compétences suivantes:
– Programmation Python, Matlab,
– Machine Learning
– Des connaissances de base en modélisation et ordonnancement

Adresse d’emploi :
Laboratoire Informatique, Bioinformatique et Systèmes Complexes – IBISC
40 rue du Pelvoux, 91020 Evry, France.

Document attaché : 202601251431_Sujet-Stage-BO.pdf

Postdoc on Turbulent Dynamos Reduced-Order Modeling via Machine learning

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

Laboratoire/Entreprise : LISN – CNRS
Durée : 24m
Contact : didier.lucor@cnrs.fr
Date limite de publication : 2026-02-28

Contexte :
Magnetohydrodynamics (MHD) science studies the interaction between electrically conducting fluids and electromagnetic fields. The DyE explains the origin of magnetic fields in such fluids: an initial magnetic field is amplified by a conducting flow. This phenomenon, which is rare in liquid metals, occurs only in 3D turbulent regimes at low magnetic Prandtl number (Pm). Several experiments have successfully reproduced this effect in Riga, Karlsruhe, and Cadarache. The German DRESDYN project (HZDR, Germany) currently aims to generate a dynamo in a precessing cylinder, but its success remains uncertain.
These dynamos exhibit highly complex dynamics, including magnetic field reversals, intermittent phases, and burst-like events, which are difficult to reproduce numerically. Full modeling of the dynamo effect is hindered by the nonlinear coupling between the Navier-Stokes and magnetic induction equations, making Direct Numerical Simulations (DNS) extremely expensive and typically restricted to Pm~1 regimes.
To overcome these limitations, Reduced-Order Models (ROMs) can be developed to capture and better understand the essential dynamics at a significantly lower computational cost. Machine Learning (ML) provides novel approaches for constructing efficient and predictive ROMs.

Sujet :
Based on acquired databases produced by large-scale dynamos numerical simulations of magnetic and velocity fields, this work has two main objectives:
— analyze magnetic field reversals and dynamo burst phenomena by developing parametric reduced-order models (pROMs) with enhanced physical interpretability, enabling the identification of key mechanisms and the reproduction of the dynamics observed in numerical simulations.
— optimize the DRESDYN experiment using pROMs by adjusting physical parameters (precession, rotation, geometry) to explore the viability of the dynamo effect at reduced computational cost.
The targeted methods must overcome current limitations of pROMs for MHD systems, namely their lack of interpretability and poor extrapolation capability, by combining classical linear spectral approaches with nonlinear deep-learning-based methods, such as autoencoders and variational autoencoders (vAEs), in order to ensure more explainable, physically consistent, and robust models outside the training domain.
For nonlinear pROMs based on latent representations, physics-informed (v)AEs will be considered, through explicit regression of latent variables with key physical parameters, temporal or parametric contrastive learning, or the incorporation of physical invariants. These approaches will provide projections of multiple attractors in latent space and facilitate the identification of invariant manifolds, bifurcation points, and transition pathways.
After this compression phase, a physics-constrained reduced dynamics will be learned in the latent space, parameterized by the flow control parameters, in order to robustly predict, generalize, and interpret MHD regimes, their transitions, and rare events.
Recurrent Neural Networks will be adapted, such for instance as Long Short-Term Memory networks for limited datasets, or transformer-based models for complex turbulent regimes with large datasets.

Profil du candidat :
The candidate should demonstrate a strong multidisciplinary background, with solid knowledge in fluid dynamics and/or MHD, experience in scientific data analysis and/or reduced-order modeling, and a strong interest in machine learning applied to dynamical systems, as well as good scientific programming skills.
The candidate must hold a PhD in fluid mechanics, applied mathematics, or machine learning.

Formation et compétences requises :
At the LISN CNRS laboratory, on the Université Paris-Saclay (UPS) campus, we recruit a Researcher for a 24-month fixed-term position within the framework of the ANR MilaDy project. The successful candidate will work on the analysis of data produced by large-scale numerical simulations of magnetic and velocity fields related to two experiments investigating magnetic field generation via the dynamo effect (DyE). He/she will collaborate closely with colleagues from the Lagrange Laboratory (Nice) and CEREA (ENPC, EDF R&D).

Adresse d’emploi :
Based on the Université Paris-Saclay campus, the researcher will work at LISN within an interdisciplinary research environment fostering strong interactions between physicists, mechanicians, and machine learning specialists, with access to high-performance computing resources and advanced simulation databases.
This position falls within a domain subject to the protection of scientific and technical potential (PPST) and therefore requires, in accordance with regulations, prior authorization from the competent authority of the French Ministry of Higher Education and Research (MESR) before the post-doctoral researcher can take up the position.

Document attaché : 202601231546_postdoc_milady_LISN.pdf

Call for PhD Applications 14 Prestigious Marie Skłodowska-Curie Actions Double Degree Doctorate Fellowships GreenFieldData : IoRT Data Management and Analysis for Sustainable Agriculture Project 3-year contract starting September/October 2026

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

Laboratoire/Entreprise : INRAE and other 11 EU universities
Durée : 36 months
Contact : sandro.bimonte@inrae.fr
Date limite de publication : 2026-04-15

Contexte :
Call for PhD Applications
14 Prestigious Marie Skłodowska-Curie Actions
Double Degree Doctorate Fellowships

GreenFieldData : IoRT Data Management and Analysis for Sustainable Agriculture Project
3-year contract starting September/October 2026

*****
https://www.eu4greenfielddata.eu/
*****

***Are you an aspiring researcher ready to drive the digital and green transition in agriculture?
The GreenFieldData project offers an outstanding opportunity to pursue a PhD within a high-calibre international and interdisciplinary network, funded under the prestigious Marie Skłodowska-Curie Actions (MSCA) Doctoral Networks (Grant agreement ID: 101226371).

***Why join us ?
Pillar of Excellence: A High-Level MSCA Joint Doctorate
The “IoRT Data management and analysis for Sustainable Agriculture” (GreenFieldData) project is an initiative of Pillar 1 (Excellence) of Horizon Europe. This ambitious network unites 12 leading academic beneficiaries across 7 EU countries, supported by 24 associated non-academic and academic partners.
By joining this network, you will become part of a highly integrated, inter-sectoral, and international (triple ‘i’) training environment. Our common goal is to train a new generation of researchers who can provide robust and human-centric solutions to the challenges posed by climate change and socio-economic constraints.

***Exceptional Financial Support for Your PhD
The MSCA Joint Doctorate provides a highly competitive and financially attractive employment package for the entire 36-month duration of the PhD contract:
Generous Living Allowance: A monthly gross salary contribution
Mobility Allowance: An additional monthly contribution to cover private mobility-related costs (e.g., relocation, travel)
Family Allowance: A monthly allowance is also provided, if applicable (researchers with family obligations)

***Double Degree, High-Level Training, and Employability
All 14 Doctoral Candidates will be enrolled in Double Degree Doctorate programmes, guaranteeing joint supervision from at least two prominent international universities, with secondments in industrial partners
The project offers a high-level doctoral training programme, providing a unique toolbox of cutting-edge knowledge and transferable skills essential for maximizing your future employability within research, digital technologies, and agricultural sectors.

Sujet :
***14 Cutting-Edge Research Topics on IoRT and Sustainable Agriculture
Your research will focus on the convergence of advanced data science and IoRT (Internet of Robotic Things) to foster Sustainable Agriculture and define efficient low input practices. We are seeking bright minds to tackle advanced topics such as Advanced Database Management Systems, AI, Edge-Fog-Cloud Architectures, and Data Analysis applied to real-world agricultural challenges.

We are recruiting for the following 14 PhD Positions (3-year contract starting September/October 2026):

Position A
Optimized IoRT network for enhanced data quality of IoRT cereals production practices.
Aarhus University (DK) & Clermont Auvergne University (FR)

Position B
Data collection and analysis empowered with AI for robotized Olive Oil Precision Farming.
University College Dublin (IE) & Instituto Superior Técnico (PT)

Position C
Powering data-driven sustainability assessment tasks in agri-food systems with IoT-data Datlakes and Large Language Models.
Aarhus University (DK) & Université Libre Bruxelles (BE)

Position D
Human-centric Digital twins for monitoring robotized biostimulants application practices.
University Milan (IT) & Université Libre Bruxelles (BE)

Position E
Optimizing Images Quality and Deep Learning Methods for Vineyard Disease Detection.
University Padova (IT) & Poznan University of Technology (PL)

Position F
Optimized Olive crop irrigation based on high quality soil data using IoRT networks.
Instituto Superior Técnico (PT) & University Toulouse (FR)

Position G
Characterization of abiotic stress of trees using AI methods on acoustic signals.
University College Dublin (IE) & INRAE (FR)

Position H
Monitoring of grazing animals using sensors and data science.
University Liege (BE) & University College Dublin (IE)

Position I
Assessing soil and crop health across sugar-beet producing farms.
Poznan University of Technology (PL) & University Liege (BE)

Position L
Natural language based interaction for robotized biostimulant practices.
CNRS (FR) & University Milan (IT)

Position M
Assessing drought effects on grassland using IoT-enabled visual sensors.
Poznan University of Technology(PL) & INRAE (FR)

Position N
Optimization-simulation coupling for the GHG emission based supervision and planification of a fleet of autonomous agricultural robots.
Aarhus University (DK) & INRAE (FR)

Position O
Adaptive navigation for agricultural robots using database-driven insights.
Université Libre Bruxelles (BE) & INRAE (FR)

Position P
Agricultural AI data integration and management based on LLM.
University Toulouse (FR) & University Padova (IT)

Timeline
Application Open : January 5th 2026
Application Deadline : April 15th 2026
Selection Process : Mai 2026
PhD Start Date : September-October 2026

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
7 EU countries
All information here
https://www.eu4greenfielddata.eu/

GreenDays – édition 2026 à Sophia Antipolis les 10 et 11 mars.

Date : 2026-03-10
Lieu : Sophia Antipolis les 10 et 11 mars

Bonjour à toutes et tous,

Après les 13 précédentes éditions fructueuses des GreenDays, l’édition 2026 aura lieu à Sophia Antipolis les 10 et 11 mars.

Ces journées thématiques francophones traitant du numérique écoresponsable sont organisées en collaboration avec les GDR C4P, IASIS, IGRV, MaDICS, RADIA, Robotique, ROD, RSD, SciLog, SOC2 et le GDRS EcoInfo et avec le soutien des PEPR Cloud et Réseaux du futur.

L’inscription est gratuite mais obligatoire avant le 11 février 2026 (en fonction des places disponibles, pour des raisons de logistique). Pour s’inscrire : https://greendays.sciencesconf.org/

Si vous souhaitez présenter des travaux (exposé ou poster), soumettez un titre et un résumé avant le 28 janvier 2026 sur https://greendays.sciencesconf.org/user/submissions.

En espérant vous voir nombreux !

Le comité d’organisation des GreenDays’26

Lien direct

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

Prochain webinaire SaD-2HN : “Analyse des recommandations YouTube”, Gilles Trédan et Julien Figeac

Date : 2026-03-10
Lieu : En ligne: https://marsha.education/my-contents/classroom/debc78e9-5977-4a03-8798-36a65a2f0acb/invite/MgiORiV3SHCv_mXckxYwHabV77F-t0SRaW-P9rH6LwY

Bonjour à toutes et à tous,

(Avec toutes nos excuses en cas de réceptions multiples)

L’action de recherche SaD-2HN (Des Sources aux Données Historiques en Humanités numériques) du GDR CNRS MADICS propose un lieu d’échange pour l’ensemble des chercheur.e.s qui
qui travaillent sur la nature complexe des données historiques (données temporelles incertaines, incomplètes, évolutives), leur lien avec les sources et leur analyse pour étudier le passé.

La troisième séance du webinaire “données du Web et les SHS computationnelles” organisé par l’action aura lieu le vendredi 16 janvier de 12h30 à 13h30.

Nous aurons le plaisir d’accueillir virtuellement Gilles Trédan1 et Julien Figeac2 pour une intervention intitulée : « Analyse des recommandations YouTube »

Un résumé est disponible à la fin de ce message.

Vous pourrez vous connecter au webinaire sur https://marsha.education/my-contents/classroom/debc78e9-5977-4a03-8798-36a65a2f0acb/invite/MgiORiV3SHCv_mXckxYwHabV77F-t0SRaW-P9rH6LwY

Nous espérons vous retrouver nombreuses et nombreux !

Bien à vous,

Nathalie Hernandez (IRIT, Université Toulouse Jean Jaures, UT2J)

Nathalie Abadie (LaSTIG, Université Gustave Eiffel, ENSG, IGN)

Bertrand Duménieu (CRH, École des Hautes Études en Sciences Sociales)

Sébastien Poublanc (FRAMESPA, Université Toulouse Jean Jaures, UT2J)

~~~~~~~~~~~~

« Analyse des recommandations YouTube »

Gilles Trédan1, Julien Figeac2

1 LAAS – Laboratoire d’Analyse et d’Architecture des Systèmes, Toulouse

2 CERTOP (UMR 5044)- Centre d’Etude et de Recherche Travail Organisation Pouvoir, Université de Toulouse II et Sciences Po Toulouse

Résumé : Dans cet exposé, nous présenterons une série d’initiatives portant sur l’analyse de recommandations de vidéos YouTube. Ce jeu de données a été constitué à l’aide d’une “ferme à bots” (sock-puppet audit) qui émule des utilisateurs de Youtube et collecte les recommandations qui leurs sont proposées. Nous exploitons une collecte réalisée sur la page “News” de YouTube durant les 4 mois précédant l’élection présidentielle de 2022 (réprésentant 1.5 millions recommandations). Une première analyse révèle une étonnante corrélation entre la popularité des candidats dans les sondages et la fréquence à laquelle ils sont évoqués dans des vidéos prises au hasard. Ces résultats questionnent la transposition du principe d’équité des temps de parole sur les plateformes numériques. Ensuite, nous analyserons les contenus exposés et leurs producteurs.. A travers plusieurs prismes (thèmes, types de producteurs, orientation politique), nous étudierons l’impact du contenu regardé sur les contenus recommandés afin de questionner l’influence du système de recommandation sur la construction du paysage médiatique. Enfin, nous reviendrons sur les difficultés que soulèvent à nos yeux ce type de démarche, tant en termes de développement instrumental que d’analyse.

Retrouvez le programme complet du webinaire et les résumés des interventions sont disponibles sur le site Web de l’action de recherche : https://sadhn-madics.github.io/webinaire-sad-2hn

Lien direct

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