Archives

Poste McF 27

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

Laboratoire/Entreprise : LISTIC / Polytech Annecy Chambéry
Durée : cdi
Contact : flavien.vernier@univ-smb.fr
Date limite de publication : 2026-05-22

Contexte :
MCF 27 – Informatique

E : Informatique, IA symbolique, Big Data, DevOps, Maths discrètes.
R : Apprentissage automatique, Hybridation, Frugalité.

E : Computer science, Symbolic AI, Big Data, DevOps, Discrete Mathematics
R : Machine Learning, Hybrid IA, Frugality

Poste Vacant

Sujet :
La personne recrutée interviendra dans des cours de base de l’informatique (programmation, algorithmique,
base de données) et prendra en charge des cours de la spécialité Informatique, Données, Usages (IDU) soit
dans le domaine du DevOps (git, linter, qualité, IC…), soit dans le domaine des mathématiques discrètes et
de l’IA symbolique.
La personne recrutée s’intégrera à l’équipe pédagogique et participera aux APP (apprentissages par projets)
IDU en qualité d’expert pour assister et former les étudiants, et en qualité de client en proposant des sujets
pédagogiques.
L’enseignement s’effectuera à Polytech Annecy-Chambéry, principalement sur le site d’Annecy avec des
déplacements ponctuels sur le site du Bourget.
La personne recrutée pourra être amenée à dispenser des cours en anglais en dernière année de la spécialité
IDU et devra intégrer les enjeux du DDRS au sein de ses enseignements.
Contact : Flavien Vernier – Responsable de la spécialité IDU – resp-idu-polytech@univ-smb.fr

L’activité de recherche de la personne recrutée s’inscrira dans l’un des deux thèmes du LISTIC : le thème
AFuTé (Apprentissage, Fusion et Télédétection) ou le thème ReGaRD (Représentation, Gestion et tRaitement
des Données pour l’humain). Le thème AFuTé développe des approches méthodologiques en apprentissage
automatique, traitement du signal, fusion de données et télédétection. Le thème ReGaRD est spécialisé en
traitement des données humaines, aide à la décision, systèmes distribués, réseau et sécurité. Pour ce poste,
des profils orientés vers le développement de modèles d’apprentissage automatique hybride seront privilégiés.
Ces modèles se distinguent des pipelines classiques car ils prennent en compte une information a priori qui
peut venir soit d’informations physiques (réseaux PINNS par exemple), de la structure d’algorithmes
d’optimisation (réseaux unrolled ou PnP) ou provenant d’une connaissance experte. Le développement de ce
type de modèles a pour but d’avoir une grande robustesse et une meilleure frugalité. La personne recrutée
devra s’impliquer à court terme dans la recherche de financements.
Contact : Sébastien Monnet et Guillaume Ginolhac – Direction du LISTIC – recrutement.listic@univ-smb.fr

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Polytech Annecy Chambéry
Annecy – 74000

Document attaché : 202602051025_2026_44mcf27_pac_listic_short.pdf

Postdoc proposition: Privacy-preserving and ressource-efficient federated learning for ship detection from satellite imagery

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

Laboratoire/Entreprise : IRISA-UBS
Durée : 18 mois
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2026-05-31

Contexte :

Sujet :
For more information: https://www-obelix.irisa.fr/files/2026/02/2026_Postdoc_Axolotl.pdf

Profil du candidat :
PhD in Computer Science or related domain with experience and strong publications in image processing, computer vision and applied machine learning

Formation et compétences requises :

Adresse d’emploi :
IRISA-UBS, Vannes 56000, France

Document attaché : 202602050217_2026_Postdoc_Axolotl.pdf

Label-scarce VHR Disaster Mapping in the Era of Geospatial Foundation Models

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

Laboratoire/Entreprise : IRISA-UBS
Durée : 3 ans
Contact : minh-tan.pham@irisa.fr
Date limite de publication : 2026-05-31

Contexte :

Sujet :
For more information, please visit: https://www-obelix.irisa.fr/files/2026/02/2026_PhD_Dreams.pdf

Profil du candidat :
MSc or Engineering degree with excellent academic track and proven research experience in one of the following fields: computer science, applied maths, signal and image processing;

Formation et compétences requises :

Adresse d’emploi :
IRISA-UBS, Vannes, 56000

Document attaché : 202602050215_2026_PhD_Dreams.pdf

Fusion d’images SAR réelles et simulées pour une reconnaissance de cibles ultra-robuste par IA

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

Laboratoire/Entreprise : ONERA-DEMR, UTT-LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2026-05-02

Contexte :

Sujet :
https://w3.onera.fr/formationparlarecherche/sites/w3.onera.fr.formationparlarecherche/files/phy-demr-2026-05.pdf

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
ONERA, site Palaiseau

Réseaux neuronaux basés sur la physique en imagerie par tomographie d’impédance électrique

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

Laboratoire/Entreprise : CEA Cadarache / UTT-LIST3N
Durée : 3 ans
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2026-05-02

Contexte :
Dans le cadre de l’utilisation durable de l’énergie nucléaire pour un mix énergétique décarboné en association avec les énergies renouvelables, les réacteurs de IVe génération à neutrons rapides sont cruciaux pour la fermeture du cycle du combustible et la maîtrise de la ressource en uranium. La maîtrise de la sûreté d’un tel réacteur à caloporteur sodium repose notamment sur la détection précoce de vides gazeux dans les circuits. Dans ces milieux opaques et métalliques, les méthodes d’imagerie optiques sont inopérantes, d’où la nécessité de développer des techniques innovantes.
Cette thèse s’inscrit dans le développement de la tomographie d’impédance électrique (EIT) appliquée aux métaux liquides, une approche non intrusive permettant d’imager la distribution de conductivité dans un écoulement.

Les réseaux neuronaux informés par la physique (PINN, pour Physical informed neural network) sont récemment apparus comme une technique d’apprentissage automatique prometteuse pour résoudre les équations différentielles partielles (EDP) en intégrant directement les lois physiques dans la fonction de perte. Ils ont déjà démontré leur potentiel dans la résolution de problèmes inverses pour de nombreuses applications. Il est possible de définir une fonction de perte intégrant uniquement les équations physiques mais aussi d’intégrer, en plus de la physique, des données (simulées, expérimentales ou réelles), sans donc faire de l’apprentissage purement guidé par les données (dit data-driven) comme avec des réseaux de neurones convolutionnels classiques.
Si les PINN ont déjà été utilisés en inversion, il existe cependant très peu de publications qui traitent de la résolution du problème inverse en tomographie d’impédance électrique. Ces dernières sont de plus très récentes et se limitent généralement à des géométries de reconstruction relativement simples et elles peuvent reposer sur des hypothèses assez restrictives pour des scénarios réels.
Ainsi différentes contributions pourront émerger de ce travail à la fois méthodologique sur les PINN mais aussi applicatives par l’exploitation de données expérimentales.

Sujet :
L’objectif de cette thèse est de développer un système complet de tomographie de résistivité électrique pour la détection et la cartographie en temps réel des écoulements diphasiques métal liquide/argon en vue de l’appliquer à des écoulements de circuits de Génération IV.

Des approches d’intelligence artificielle, notamment les réseaux neuronaux informés par la physique, seront explorées pour combiner apprentissage numérique et contraintes physiques. Elles seront comparées à l’utilisation de simulations numériques. L’objectif est d’établir des modèles physiques adaptés au contexte et de concevoir des méthodes d’inversion robustes vis-à-vis des bruits de mesure.

Le sujet s’articulera autour de quatre axes :
1. Lois physiques et modélisation (électromagnétique et hydrodynamique) des signaux de tomographie dans le sodium.
2. La reconstruction d’image à partir des mesures de conductivité, en 2D et en 3D spatial, avec tensions sinusoïdales. On se tournera pour cela vers des méthodes de Machine-Learning.
3. Développement expérimental : mesures avec du galinstan (de conductivité proche de celle su sodium liquide).
4. Amélioration de la reconstruction tomographique en présence de bruit de défauts des capteurs et de perturbations de fond.

Profil du candidat :
Etudiant(e) de niveau master ou ingénieur ayant suivi une formation en mathématique appliquée, en apprentissage machine (deep learning) ou en physique (électromagnétisme). Il est nécessaire de maîtriser Python et de connaître si possible PyTorch.
Le travail attendu nécessite rigueur, autonomie et un intérêt pour les sujets à la frontière de plusieurs disciplines.

Formation et compétences requises :

Adresse d’emploi :
CEA Cadarache

Contacts :
– Encadrant CEA : michel.frederic@cea.fr
– Directeur de thèse : alexandre.baussard@utt.fr

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