Archives
POST-DOC position – Machine Learning and nanosats to probe the interior of Solar System bodies
Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : IMCCE/Paris observatory
Durée : 2years
Contact : daniel.hestroffer@obspm.fr
Date limite de publication : 2024-03-31
Contexte :
The study of asteroids is fundamental both for our understanding of the formation of the Solar System, or the supply of water and origin of life on a planet, and for the prediction of Earth impacts. Knowledge of the structure of small bodies (from a few meters to several hundreds of km) is an important element. Indeed the mass, the density, and the internal structure of the small bodies are as many key factors to understand their formation, and diversity, and tracing the origins of planetary systems in general. Moreover, making the link between the internal structure of small bodies and their external shape is the next major challenge in the field.
Nanosatellites or cubesats offer a new opportunity to perform gravity field determinations that we are developing within the BIRDY project. These local relative techniques and measurements show an innovative aspect for this type of interplanetary missions. In particular, we want to study the radio-science and POD precise orbit determination technique, considering and exploiting all the possibilities offered by inter-satellites links (ISL) radio links between one or more nanosatellites. This, in order to derive the lower order of the gravitational potential, mass, bulk density, mass distribution, etc. Our study will develop the concept of radio/optical measurements through inter-satellite links, within the BIRDY project, in the event of a reconnaissance mission (planetary defence, fly-by) or an exploration mission (planetary science, rendez-vous).
Moreover, the next challenge we want to tackle is to relate the external morphology of small bodies – modelled as gravitational aggregates – to their internal structure. We will develop in particular machine-learning ANN/PINN methodologies for inverse problems in the determination of gravity fields and tomography, as well as the modelling of the internal structure of gravitational aggregates with SSDEM numerical methods.
Sujet :
Three research axis will be covered with this post-doc work:
-Develop precise orbit determination process to probe the gravity field through ISL (radio/optical). Analyse a space mission to asteroid Aophis close encounter in 2029. Derive an optimisation analysis for the measurements and nanosatellites configuration, assess the need for complementary ground-based measurements. Validate the approach with our RF-test bench deployed at CENSUS.
-Develop a gravity-and-tomography global inversion algorithm, using artificial neural networks, to derive the internal structure of small bodies. This will be done by combining complementary radio-science (gravity) and LFR radar (tomography) observations.
-Model granular systems using SSDEM numerical simulations, to provide a link between the external morphology of a body with it’s modelled interior.
The work will be performed at Paris observatory within IMCCE and CENSUS space centre. The methodology will be applied to several targets of interest, and in particular to the HERA mission from ESA.
References
Izzo & Gomez 2022 Commun. Eng. 1, 48 https://doi.org/10.1038/s44172-022-00050-3
Martin et al. 2002 CMDA 134, 46 https://doi.org/10.1007/s10569-022-10101-8
Hestroffer et al. 2021 7thPDC, #149 https://ui.adsabs.harvard.edu/abs/2021plde.confE.149H/abstract
Hestroffer et al. 2019, AARv 27, 6 https://doi.org/10.1007/s00159-019-0117-5
Profil du candidat :
– PhD in computer science, machine learning, mathematics, A&A, data scientist, or equivalent
– Experience in neural networks and regression
– Strong skills in programming and numerical computations
– Excellent written and verbal communication in English
Formation et compétences requises :
– Advanced skills in data analysis and the use of statistical software.
– Very good understanding of Machine Learning theory and techniques
– Strong experience with machine learning methods (ANN, PINN, …) for regression and inverse problems.
– knowledge of gravitational field representation, and precise orbit determination appreciated
– knowledge of SSDEM numerical computations for granular systems is a plus
Adresse d’emploi :
Paris observatory
77 av. Denfert-Rochereau
75014 Paris
Last Call —ISMIS’2024 Conference : New Submission Deadline Extension (February 19, 2024)
Date : 2024-06-17 => 2024-02-19
Lieu : Poitiers, France
Overview
*********
Welcome to ISMIS 2024
27th International Symposium on Methodologies for Intelligent Systems
Website of the Conference: https://ismis2024.ensma.fr/
June 17 – 19, 2024
Poitiers, France
ISMIS is an established and prestigious conference for exchanging the latest research results in building intelligent systems. It provides a basis for exchanging research results and transferring scientific achievements towards industrial and socio-economic applications. The scope of ISMIS is to present a wide range of topics related to the application of Artificial Intelligence (AI) techniques related to areas such as decision support, knowledge-based systems, machine learning, robotics, planning, computer vision, databases, information retrieval, configuration, and diagnosis. The conference also focuses on interdisciplinary research in AI-related fields, for example, decision support systems, human decision-making, recommender systems and personalization, knowledge-based systems development, cognitive aspects of knowledge understanding.
Conference Scope
****************
This year’s conference theme spans over two main directions: “the concepts and metrics to evaluate the explainability of AI systems” and “the principles of responsible AI”. With this focus, ISMIS 2024 aims at contributing to emerging challenges relative to the development of a new generation of fair and ethical AI systems capable of both “understanding” and “be understandable by” humans, adapting to complex real-world environments, appropriately interacting in complex social settings, mitigating possible cyber-threats and vulnerabilities, and aligning with Environmental, Social and Governance principles. The increased relevance of areas such as Autonomous Systems, Financial Services and Cybersecurity, and sensitive application domains such as Medicine, Manufacturing, Education, Earth Observation, Intelligent Maintenance and Military require systems with high accuracy, robustness, accountability, fairness, privacy/security, transparency, interpretability, and ethics.
ISMIS 2024 is intended to attract academics, researchers and practitioners who are actively engaged both in theoretical and practical aspects of intelligent systems. The goal is to provide a platform for a useful exchange between theoreticians and practitioners, and to foster the cross-fertilization of ideas. Relevant conference topics include but are not limited to:
Explainable AI (XAI)
Responsible AI
Security, Privacy and Ethics in AI
Machine Learning (Robustness, Trustworthiness, Biases, Uncertainty …)
Multi-Instance, Multi-Label and Multi-Task Learning
Deep Learning, Neural Networks
Causality and Machine Learning
Anomaly Detection
Data Mining
Recommender Systems
Constraint-based Systems
Autonomous Systems (UAVs, Robots, Agents …)
Applications (Configuration, Internet of Things, Smart Cities, Healthcare, Music Information Retrieval, Games, Archeology, Earth Observing Systems, Business Process Management, …)
Intelligent User Interfaces
User Modeling
Human Computation
Socially-aware Systems
Intelligent Agent Technology
Intelligent Data Processing and Analytics
Intelligent Information Retrieval
Natural Language Processing
Knowledge Integration and Aggregation
Knowledge Visualization
Knowledge Representation
Soft Computing
Web & Text Mining
Digital Libraries
Urban Traffic Control and Mobility
Ethics
***********
Ethics is one of the most important topics to emerge in machine learning and data mining. We ask you to think about the ethical implications of your submission such as, e.g., related to the collection and processing of personal data, the inference of personal information, or the potential sensitive use of your work. which will be taken into consideration by the reviewers. As part of your submission, you are invited to include, if applicable, an ethical statement that discusses any ethical implications of your work.
Dual Submission Policy
**********************
Papers submitted should report original work. Papers that are identical or substantially similar to papers that have been published or submitted elsewhere may not be submitted to ISMIS, and the organizers will reject such papers without review. Authors are also not allowed to submit their papers elsewhere during the review period. Submitting unpublished technical reports available online (such as on arXiv), or papers presented in workshops without formal proceedings, is allowed.
Authorship
************
The author list as submitted with the paper is considered final. No changes to this list may be made after paper submission, either during the reviewing period or, in case of acceptance, at the final camera-ready stage.
Call for Papers
******************
Important dates
**********************
All deadlines are at 11:59pm in the Anywhere on Earth time zone.
Paper Submission
February 19, 2024 (*** New Extended Deadline ***)
Notification of Acceptance
March 15, 2024
Camera-ready version
March 31, 2024
Author registration/payment deadline
March 31, 2024
Non-author early registration/payment deadline
April 30, 2024
Non-author late registration/payment deadline
May 31, 2024
ISMIS’2024 conference date
June 17-19, 2024
PAPER SUBMISSION GUIDELINES
*********************************
Authors are invited to submit their original unpublished papers that demonstrate current research on one of the session topics of interest. Papers should be prepared in PDF form using the Springer LNCS/LNAI style (max 10 pages) and submitted via https://easychair.org/account/signin_timeout?l=rgR3dQtxyNWUqAUu6l6JBK
All submitted papers will be reviewed by ISMIS PC members.
PUBLICATIONS OF PAPERS
***************************
The ISMIS’2024 proceedings will be published by Springer in Lecture Notes in Artificial Intelligence. Authors of the best papers (up to 12) will be invited to submit their extended versions to the Special ISMIS 2024 Track of the Journal of Intelligent Information Systems (JIIS) published by Springer.
AWARDS
*******************
ISMIS 2024 will award 600€ to the best conference paper and 400€ to the best student paper (student has to be the first author).
Industry Session
*************************
We invite you to submit papers to the ISMIS 2024 Industry Session. The session is part of the ISMIS 2024 conference, which will be organized on June 17th – 19th, 2024.
SCOPE AND OBJECTIVES
**************************
The session will be devoted to the applications of various intelligent methods, algorithms, and tools related to Artificial Intelligence and Big Data in industry. The aim of this session is to create a forum for exchange of ideas between the leading researchers and industry practitioners. Submissions should address practical problems and/or business applications and should be innovative. Architectures, tools, and practical implementations related to the topics described below are also of interest to this session.
TOPICS OF INTEREST
********************
Topics of interest include (but are not limited to) the following:
Applications of Intelligent Information Systems
Big Data
Cloud Computing
Context-aware Computing
Cybersecurity
Exploratory Data Analysis
Knowledge Discovery and Data Mining
Knowledge Visualization
Aerospace Applications
Medical Applications and Bioinformatics
Mobile Applications and Collaborative Mobile Space
New Approaches to Database and Knowledge Management Systems
Spatial Data Analysis
Recommendation Systems
Social Networks
Web Technologies
PAPER SUBMISSIONS
*****************
Authors are invited to submit their original unpublished papers that demonstrate current research on one of the session topics of interest.
Industry session papers should be prepared in PDF using the Springer LNCS/LNAI style (10-15 pages) and submitted via https://easychair.org/account/signin_timeout?l=rgR3dQtxyNWUqAUu6l6JBK
All submitted papers will be reviewed by ISMIS PC members.
PUBLICATION OF PAPERS
*************************
Accepted papers will be published in the edited post-conference book in the Springer Series Studies in Computational Intelligence.
IMPORTANT DATES
***********************
Paper Submission
February 19, 2024 (*** New Extended Deadline ***)
Notification of Acceptance
March 15, 2024
Camera-ready version
March 31, 2024
Author registration/payment deadline
March 31, 2024
Non-author early registration/payment deadline
April 30, 2024
Non-author late registration/payment deadline
May 31, 2024
ISMIS’2024 conference date
June 17-19, 2024
INDUSTRY SESSION CO-CHAIRS
******************************
Brice CHARDIN, LIAS, ISAE-ENSMA, Poitiers France
Yannig Goude, Senior Researcher EDF Lab Saclay, Palaiseau, France
PROGRAM COMMITTEE (Industry Session)
****************************************
………… (to be completed) ………………..
Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.
Intelligence artificielle pour le suivi et la prévision des risques de feux et de leur impact écologique
Offre en lien avec l’Action/le Réseau : DFAe/– — –
Laboratoire/Entreprise : Meteo France, Toulouse
Durée : 36 mois
Contact : josiane.mothe@irit.fr
Date limite de publication : 2024-02-16
Contexte :
INTELLIGENCE ARTIFICIELLE POUR LE SUIVI ET LA PRÉVISION DES RISQUES DE FEUX ET DE LEUR IMPACT ÉCOLOGIQUE
Dans un contexte de réchauffement global et accéléré, les événements extrêmes se multiplient. L’évolution des conditions de températures et de sécheresse favorise le développement des feux de forêt et de végétation autour du Bassin Méditerranéen et plus largement en France. Les modèles actuels du danger météorologique de feux ne prennent pas en compte l’aléa humain et les facteurs explicatifs des feux de végétation ne sont actuellement modélisés que de manière empirique. L’objectif de cette thèse est d’introduire de nouvelles méthodes de prévision plus précises, faisant intervenir l’observation de la Terre et les techniques d’apprentissage automatique. On évaluera l’apport de l’apprentissage automatique et sa complémentarité avec les approches de modélisation classiques. On évaluera quelles sont les observations les plus pertinentes pour améliorer le suivi et la prévision du risque, pour divers types de paysages (forêts, cultures, zones naturelles protégées). Appliquées à l’Occitanie et à la France métropolitaine, les méthodes seront également validées à l’échelle mondiale. Dans un premier temps, les données jugées nécessaires (in situ, satellitaires, atmosphériques, …) seront rassemblées et prétraitées. Des modèles seront construits afin de répondre aux questions de recherche de la thèse. Ils seront spatialisés et validés sur l’Occitanie, la France métropolitaine, et l’échelle mondiale. Le travail de thèse impliquera l’analyse de données d’observations (in situ et satellitaires) et de sorties de modèles. Une bonne connaissance est requise des techniques de traitement et analyse de données, d’apprentissage automatique, et de codage informatique (Python, Fortran), ainsi qu’une connaissance de la modélisation des surfaces terrestres. Des compétences en communication écrite et orale sont également indispensables.
Sujet :
# Objectifs #
Météo-France apporte, dans le cadre de sa mission de sécurité des personnes et des biens, un soutien opérationnel aux acteurs de la lutte contre les feux et à la direction générale de la sécurité civile et de la gestion des crises. Ces actions font l’objet d’améliorations continues sur les diagnostics et modélisations utilisées sur le danger météorologique de feux de végétation. Ce projet va favoriser le développement d’un volet recherche associé à ce service, en introduisant de nouvelles méthodes de prévision du risque de feux de végétation ainsi qu’une précision géographique renforcée. Outre l’Occitanie et la France métropolitaine, le projet comportera un volet mondial, afin de valider les méthodes dans des situations climatiques et géographiques contrastées.
# Méthode #
De nombreuses données externes peuvent être intégrées dans des modèles de suivi du risque de feux, comme des données d’observation de la Terre. Les approches d’apprentissage profond permettent un traitement plus efficace de ces données. Aujourd’hui, ces approches reposant sur des données satellitaires restent déconnectées des autres modèles utilisant les prévisions météorologiques. Ces deux types d’approches ont aussi pour inconvénient de ne prendre aucune donnée provenant de modèles numériques des surfaces continentales. Or plusieurs variables fournies par ces modèles (contenu en eau du sol à diverses profondeurs, biomasse sèche en surface, …) ont un lien direct avec les facteurs explicatifs des feux de végétation, qui ne sont actuellement modélisés que de manière empirique. Ces données de surface modélisées forment un ensemble riche à exploiter dans un tel contexte. Leur association avec des données d’observation de la Terre pourrait améliorer les modèles de suivi du risque de feux. Météo-France développe un modèle des surfaces terrestres, ISBA (Interactions Sol, Biosphère, Atmosphère), utilisé dans diverses applications (conditions de surface pour la prévision numérique du temps et la modélisation du climat futur, simulation des ressources en eau en France). Un système d’assimilation de données satellitaires, LDAS-Monde (Land Data Assimilation System pouvant être utilisé sur toute région du monde), permet de corriger les simulations du modèle ISBA en intégrant des données satellitaires liées aux variables simulées par ISBA (par exemple le LAI, Leaf Area Index). Des études ont montré l’intérêt de l’approche LDAS pour le suivi de la végétation, des sécheresses, et de leur prévision. Voir par exemple Albergel et al. 2019 pour le cas de la vague de chaleur de 2018. Des travaux ont montré que l’IA rend possible la construction d’opérateurs d’observation pour l’assimilation de nouvelles données satellitaires dans le modèle ISBA (Corchia et al. 2023). Le système LDAS contribue à une meilleure connaissance de l’évolution des conditions de surfaces, déterminantes pour les risques non seulement des feux de forêts mais aussi des feux de végétation agricole. Ce système et les sorties modèles associées ne sont, pour le moment, pas exploitées dans de tels contextes.
# Résultats attendus #
– Démonstrateur de système de suivi et de prévision du risque de feu de végétation sur l’Occitanie en priorité, la France métropolitaine dans un second temps.
– Développement de l’utilisation de l’IA : opérateurs d’observation dans un système d’assimilation de données, fonction de transfert entre les données et les produits utilisables dans un contexte opérationnel de suivi et de prévision du risque de feux.
– Un inventaire des sources de données pertinentes pour la prévision du risque de feu ainsi qu’un nouveau jeu de données annotées.
– Validation de la méthodologie à grande échelle et mesure de l’apport de données satellitaires.
Profil du candidat :
Titulaire d’un Master
différentes filières peuvent correspondre, cf Formation et compétences souhaitées
candidatures: https://emploi.cnrs.fr/Offres/Doctorant/UMR3589-JEACAL-003/Default.aspx
Formation et compétences requises :
Compétences Techniques et Scientifiques
– Expertise en Apprentissage Automatique et Intelligence Artificielle : Maîtrise des techniques d’apprentissage profond et des algorithmes d’IA pour le traitement et l’analyse de données massives et complexes.
– Traitement et Analyse de Données : Capacité à collecter, prétraiter, analyser et interpréter des données issues de diverses sources, notamment in situ et satellitaires.
– Codage Informatique : Compétences avancées en programmation, particulièrement en Python entre autres, pour le développement de modèles et l’analyse de données.
– Connaissance des Systèmes d’Observation de la Terre : Compréhension approfondie de l’utilisation de données satellitaires et de leur application dans le suivi environnemental.
– Modélisation des Surfaces Terrestres : Familiarité avec les modèles numériques des surfaces continentales et leur rôle dans l’analyse des risques de feux.
Compétences Complémentaires
– Analyse Spatiale : Capacité à réaliser des analyses spatialisées pour évaluer les risques à différentes échelles (locale, nationale, mondiale).
– Assimilation de Données : Expérience avec les systèmes d’assimilation de données, pour l’intégration de données satellitaires dans des modèles de surfaces terrestres.
– Gestion de Projet de Recherche : Aptitude à mener un projet de recherche, y compris la collecte de données, le développement et la validation de modèles, et la communication des résultats.
Compétences en Communication
– Communication Écrite et Orale : Capacité à présenter clairement les résultats de recherche à un public varié, à rédiger des rapports scientifiques et des articles pour des publications spécialisées, en anglais (et en français).
Adresse d’emploi :
La thèse sera réalisée dans l’équipe VEGEO du Groupe de Météorologie de Moyenne Echelle du CNRM, à Toulouse, en collaboration avec IRIT (Toulouse).
Quantum Chemistry meets Deep Learning
Offre en lien avec l’Action/le Réseau : DSChem/Doctorants
Laboratoire/Entreprise : Laboratoire d’Informatique et des Systèmes (LIS,
Durée : 6 mois
Contact : thierry.artieres@lis-lab.fr
Date limite de publication : 2024-02-16
Contexte :
This internship is part of a collaboration between the CT/ICR and QARMA teams at LIS that aims to promote artificial intelligence (AI) solutions in chemical research at Aix Marseille Université (AMU), a field that is still largely unexplored by the local chemical community. The simplified context of the study is as follows. The object of study for this project is the prediction of quantities of interest for a given molecule. The molecule corresponds to an assembly of atoms interacting via bonds, which possesses a certain energy E as a function of the geometry of the molecule (relative positions of the various atoms), and which is subjected to a force F. The aim is to predict not only the energy E but also the forces F as a function of G. Two features are important in devising a model for predicting the quantities E and F. Firstly, F is equal to the gradient of the energy E. Secondly, there are several energy surfaces of E as a function of G. These surfaces are continuous. During the evolution of a molecule, its geometry can evolve, and there can be a jump from one surface to another e,n a geometry G, all the more likely as the two curves are close for this geometry.
Sujet :
From a Machine Learning point of view, the problem may be viewed as a prediction task where one wants to predict an energy function from the geometric characteristics of a molecule, but also to predict the gradient of this energy finely, for which one also has supervision. Finally, it is a problem that can be modelled as multi-task learning, since it involves predicting several energy surfaces simultaneously.
The aim of the internship is, starting from recent approaches proposed in the field [Batalia et al., 2022, Batzner et al., 2022, Gilmer et al., 2017, Satoki et al., 2024, Thölke et al., 2022], to test and compare them experimentally and then to propose an innovative approach that will enable us to overcome their limitations. We will be able to draw on recent ideas such as multitask learning [Crawshaw, 2020] and gradient learning [Wu et al., 2010], approaches that have not received much attention in the literature.
On the one hand, multitask learning is a paradigm in which several tasks are learned simultaneously to improve the generalisation performance of a learning task using other related tasks. While the typical protocol is to train a model independently to predict energy, gradient it may be beneficial to exploit multitask extensions, which have not been employed to date in this type of domain.
On the other hand, gradient learning is a little-known but potentially valuable framework in which the objective is to learn the gradient of a classification or regression function, with or without supervision. In addition to conventional energy learning using gradient information, we will explore strategies based on explicit learning of the gradient function, starting with neural networks in a multi-output, multi-task framework and extending to other designs.
Références
[Batatia et al., 2022] Ilyes Batatia, Dávid Péter Kovács, Gregor N. C. Simm, Christoph Ortner, Gábor Csányi: MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields. NeurIPS 2022
[Batzner et al., 2022] Batzner, S., Musaelian, A., Sun, L. et al. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nat Commun 13, 2453 (2022). https://doi.org/10.1038/s41467-022-29939-5
[Crawshaw, 2020] Crawshaw, M. arXiv 2020.Multi-Task Learning with Deep Neural Networks: A Survey, https://doi.org/10.48550/ARXIV.2009.09796
[Gilmer et al., 2017] Justin Gilmer, Samuel S. Schoenholz, Patrick F. Riley, Oriol Vinyals, George E. Dahl: Neural Message Passing for Quantum Chemistry. ICML 2017: 1263-1272
[Satoki et al., 2024] Satoki Ishiai, Ikki Yasuda, Katsuhiro Endo, and Kenji Yasuoka, Graph-Neural-Network-Based Unsupervised Learning of the Temporal Similarity of Structural Features Observed in Molecular Dynamics Simulations, Journal of Chemical Theory and Computation 2024 20 (2), 819-831
[Thölke et al., 2022] Philipp Thölke, Gianni De Fabritiis, Equivariant Transformers for Neural Network based Molecular Potentials. ICLR 2022
[Wu et al., 2010] Qiang Wu, Justin Guinney, Mauro Maggioni, Sayan Mukherjee: Learning Gradients: Predictive Models that Infer Geometry and Statistical Dependence. J. Mach. Learn. Res. 11: 2175-2198 (2010)
Profil du candidat :
Computer science or data science master 2
Last year engineering school
Formation et compétences requises :
Programning : python and deep Learning platform (pytorch or tensorflow)
Machine Learning and deep learning basics
Adresse d’emploi :
Pole scientifique de Chateau Gombert
Marseille
Poste MCF 27 (UFR Économie et gestion) – Informatique
Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : Laboratoire d’informatique et des systèmes (LIS)
Durée : Campagne synchronisé
Contact : secretariat@lis-lab.fr
Date limite de publication : 2024-02-16
Contexte :
Profil recherche :
Le pôle Science des Données ou SD (environ 50 enseignants-chercheurs répartis en 6 équipes de recherche) est l’un des quatre pôles autour desquels le Laboratoire d’informatique et des systèmes (LIS, UMR87020) est structuré. Il a pour ambition de réunir des chercheurs autour des problématiques centrées sur les données, d’un point de vue informatique, qu’il s’agisse de leur représentation, de leur manipulation ou de leur traitement.
Profil enseignement :
Les enseignements se dérouleront à la Faculté d’Économie et de Gestion (FEG) sur les sites d’Aix-en-Provence et de Marseille-Centre.
Sujet :
Profil recherche :
Le pôle SD souhaite par ce poste renforcer ses travaux sur les thèmes de la recherche d’information et du traitement automatique des langues, croisant des problématiques issues de l’apprentissage machine, de la fouille de textes, de l’interaction humain-machine et des sciences cognitives. Les applications mises en avant sont celles liées aux humanités numériques, à l’éducation et à la santé, en connexion avec les intérêts stratégiques de l’établissement. Les thèmes suivants sont privilégiés :
• Le développement de méthodes centrées sur les utilisateurs pour l’accès à l’information avec les nouveaux modèles de traitement du langage naturel, comme les grands modèles de langue. L’impact de ces modèles sur la question de la factualité et de la désinformation. Leur interaction avec la diversité des modalités du monde réel et leur évaluation dans le cadre d’agents incarnés comme les robots humanoïdes.
• La redéfinition de la notion de pertinence sous le prisme de la subjectivité, à travers par exemple l’analyse de sentiment multimodale. L’accès à l’information multimodale (texte, image, vidéo) et la prise en compte de l’état de l’utilisateur de manière multimodale (suivi du regard, ECG, EEG).
• La définition de modèles et de ressources informatisées pour étudier l’acquisition du langage, les processus cognitifs de lecture et de production langagière guidés par des biais inductifs liés aux sciences cognitives.
L’objectif de ce recrutement est donc de renforcer l’une des équipes du pôle SD sur la thématique Langage, Interactions et Recherche d’Information. Le critère majeur de sélection sera l’excellence scientifique.
Profil enseignement :
Au niveau licence, les besoins en enseignement correspondent aux cours d’informatique dispensés classiquement dans les premières années des filières « économie et gestion » : introduction à l’informatique, environnements techniques et applicatifs Internet, tableurs, bases de données, programmation Python.
Étant donnée l’offre de formation de la FEG, les besoins de licence sont à compléter avec ceux qui apparaissent au niveau Master dans le domaine du numérique : systèmes d’information, base de données structurées et semi-structurées (SQL/NoSQL), ingénierie des données, visualisation, interface humain-machine, ergonomie, programmation web et mobile.
Une caractéristique importante liée à ce poste se situe dans le suivi de la professionnalisation des étudiants de la faculté et plus particulièrement de certains Master : suivi d’alternants, relations avec les entreprises d’accueil, conseil de perfectionnement, formation continue et apprentissage… Plusieurs expériences dans tout ou partie de ces domaines sont souhaitables.
Enfin, il est attendu des candidats.es une bonne capacité à utiliser des formes vairées de pédagogies : pédagogie inversée, hybride, sur plateforme… Toutes les expériences dans ces domaines valoriseront la candidature.
Profil du candidat :
L’objectif de ce recrutement est de renforcer l’une des équipes du pôle SD sur la thématique Langage, Interactions et Recherche d’Information. Le critère majeur de sélection sera l’excellence scientifique.
Formation et compétences requises :
Titulaire d’un Doctorat en Informatique (ou un diplôme équivalent)
Adresse d’emploi :
LIS UMR 7020 CNRS / AMU / UTLN
Aix Marseille Université – Campus de Saint Jérôme – Bat. Polytech
52 Av. Escadrille Normandie Niemen
13397 Marseille Cedex 20