Offres d’emploi

Offres d’emploi

 Postes    Thèses    Stages 

Postes/PostDocs/CDD

Nov
18
Wed
2026
CDD H/F: Ingénieur(e) de recherche en Data Science pour la cybersécurité
Nov 18 – Nov 19 all-day

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

Laboratoire/Entreprise : Laboratoire Informatique et Société Numérique (LIS
Durée : 12 mois (renouvelabl
Contact : babiga.birregah@utt.fr
Date limite de publication : 2026-11-18

Contexte :
Le projet MobileGuard®, soutenu par le Programme de Transfert au Campus Cyber (PTCC), vise à développer
un module MTD (Mobile Threat Defense) innovant pour l’anticipation et la détection des menaces sur les
terminaux mobiles en entreprise. Porté par l’Université de Technologie de Troyes (UTT) et l’entreprise Mobile
Process, ce projet s’inscrit dans une démarche de renforcement de la cybersécurité souveraine en France.
L’objectif est d’intégrer des algorithmes prédictifs et explicatifs dans une solution MDM (Mobile Device
Management) existante, afin de détecter proactivement les risques de compromission des données ou des
applications et d’automatiser des réponses adaptées.

Sujet :
Missions
Dans le cadre de ce projet, l’ingénieur(e) recruté(é) sera amené(e) à :
• Concevoir et développer un outil de collecte des données des terminaux nomades (identification des
données complémentaires collectables, développement de l’outil logiciel, validation),
• Analyser les risques et identifier les cas critiques (définition des événements redoutés, analyse des
risques, proposition de mesures de réduction),
• Mettre en place des algorithmes de détection d’anomalies (détection comportementale, intelligence
artificielle, tests et validation),
• Assurer l’intégration du module MTD à la solution MDM de Mobile Process, les expérimentations et la
validation du module,
• Collaborer avec les équipes de Mobile Process et de l’UTT pour garantir une solution robuste, explicable
et adaptée aux contraintes opérationnelles (souveraineté, frugalité, respect de la vie privée).

Profil du candidat :
Profil recherché
• Formation : Diplôme de niveau BAC+5 (école d’ingénieur, master) ou doctorat en informatique, data
science, cybersécurité, ou domaine connexe.
• Expérience : Expériences significatives en traitement de données, en apprentissage automatique et en
développement d’algorithmes.

Formation et compétences requises :
Compétences recherchées
Nous recherchons un(e) ingénieur(e) ou post-doctorant(e) en Data Science, avec une expertise avérée dans les
domaines suivants :

Compétences techniques
• Connaissances en cybersécurité (audit, risques et conformité), en analyse comportementale des
terminaux mobiles et en détection d’anomalies,
• Maîtrise des langages de programmation : C++ (atout), Java, Python, Javascript, React,
• Maîtrise des bases de données : MySQL, PostgreSQL,
• Expérience en gestion de données (gouvernance, sécurité, habilitation, rôles et droits),
• Connaissances en statistiques avancées, en modélisation mathématique et IA,
• Connaissances en Mobile Device Management (MDM) et en sécurité des systèmes mobiles (Android),
• Connaissances en conception d’indicateurs (KPI) et de tableaux de bord.

Compétences transversales
• Capacité à travailler en équipe pluridisciplinaire (recherche académique et développement industriel),
• Bonne capacité de rédaction (publications scientifiques, rapports techniques),
• Maîtrise de l’anglais technique (lu, écrit, parlé).

Qualités attendues
• Rigueur et méthodologie dans la conduite des travaux de recherche et développement,
• Esprit d’équipe et capacité d’adaptation dans un environnement dynamique,
• Curiosité scientifique et envie d’apprendre dans un domaine en constante évolution,
• Sens de l’autonomie et de l’organisation pour respecter les échéances et les livrables du projet,
• Éthique professionnelle et respect des règles de confidentialité (RGPD, propriété intellectuelle).

Candidature
• Le dossier devra comprendre un CV, une lettre de motivation et des exemples de réalisations (portfolio-
GitHub ou autre).
• Les candidatures devront être adressées avec pour objet « Candidature Projet MobileGuard® » avant le
30 septembre 2026 à contact@mobileguard.fr
• En raison des délais de recrutement, cette offre s’adresse aux personnes disposant déjà des autorisations
nécessaires pour un CDD en France à la date de prise de poste. Aucune nouvelle procédure d’autorisation
et de visa ne pourra être engagée.

Adresse d’emploi :
Université de Technologie de Troyes

12, rue Marie Curie
CS 42060 – 10004 Troyes Cedex

Tél. : (+33) 03 25 71 58 69

Document attaché : 202607310852_mobileguard_offre_emploi_ingenieur.pdf

Post-doc on Hyperspectral Foundation Models for Chemical Soil Analysis
Nov 18 – Nov 19 all-day

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

Laboratoire/Entreprise : LITIS Lab, Rouen Normandie
Durée : 1 year (with possibi
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-11-18

Contexte :
If you are interested, please send your CV with contact references in a motivational email to paul.honeine@univ-rouen.fr.

Location: LITIS Lab, Rouen Normandy

Expected starting date: 2026 or 2027 (flexible).

Duration: 12 months with possibility of extension

Sujet :
Post-doc or research engineer on the topic Hyperspectral Foundation Models for Chemical Soil Analysis, within the ANR project HyFoundationS

Profil du candidat :
We are seeking a highly motivated candidate for a postdoctoral position or research engineer role, with a strong interest in AI for science. The candidate must have a PhD in AI, computer science, computational mathematics, signal and image processing, applied physics, remote sensing, geosciences, or a related field. The candidate must have solid technical skills in deep learning, with experience in Python and the common ML libraries. Expertise in hyperspectral imaging is not necessary.

Formation et compétences requises :

Adresse d’emploi :
LITIS Lab, Rouen Normandy

Document attaché : 202607311353_PostDoc_HyFoundationS.pdf

Postdoc on Deep Anomaly Detection in Time Series
Nov 18 – Nov 19 all-day

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

Laboratoire/Entreprise : LITIS Lab, Rouen
Durée : 1 year
Contact : paul.honeine@univ-rouen.fr
Date limite de publication : 2026-11-18

Contexte :

Sujet :
Anomaly detection is a challenge in itself. The capacity to detect anomalies is a major ingredient of safe and trustworthy AI systems across major application areas. Anomaly detection is unsupervised by nature, since abnormal events are rare, varied, and cumbersome to collect. Conventional methods can be roughly grouped into three interconnected categories: discriminative decision boundaries using one-class classification, reconstruction models that test any new sample by measuring its reconstruction error on a manifold or with prototypes, and probabilistic models based on density or level-set estimation. The major deep anomaly detection methods fall within these categories, redefined in a latent space generated by deep representation learning, such as deep one-class, autoencoders, generative adversarial networks, and self-supervised learning [1, 2].
The challenge is higher for anomaly detection in time series (i.e., temporal data), and it is even harder when it comes to online detection, namely in the context of streaming data [3, 4, 5]. When dealing with time series, temporal continuity is central to defining the “normality”, and thus to identifying and detecting anomalies. Time series may have specific characteristics such as seasonality, periodicity/cycles, trend, concept drift, recurrent concept drift, cyclo-stationarity, and non-stationarity, as well as modalities at multiple temporal scales.
This post-doc fellowship aims to provide novel advances in anomaly detection in time series, mainly focusing on the even harder online detection, namely in the context of streaming data. For this purpose, the post-doc fellow may address one of the two online detection formalisms, which arise depending on whether the anomaly is short-term or persistent:
– Point anomaly detection, namely, one seeks to detect whether each new sample is an anomaly. Anomalies may not be restricted to isolated samples, but can also form a group or sequence of points (often called collective anomalies).
– Change point detection (also denoted concept drift), namely, one seeks to identify, as early as possible, whether the recent samples have deviated significantly from the historical ones. Investigated tools for comparing before/after distributions can be from change point detection literature or from recent advances in optimal transport.
This post-doc fellowship is an integral part of the global project ODD (Online Deep anomaly Detection). Led by the LITIS Lab, the ODD project brings together several PhD students and post-doc fellows, as well as several permanent researchers from the Machine Learning group of the LITIS Lab. This project tackles a wide spectrum of signal scenarios to demonstrate the versatility of the proposed methods. The post-doc fellow will have the possibility to tackle signals in environmental science (including a startup collaboration), signals in industrial processes (including industrial and international collaborations), and medical signals/images (including a novel startup collaboration).

[1] Ruff, L., Kauffmann, J. R., Vandermeulen, R. A., Montavon, G., Samek, W., Kloft, M., … & Müller, K. R. (2021). A unifying review of deep and shallow anomaly detection. Proceedings of the IEEE, 109(5), 756-795.
[2] Pang, G., Shen, C., Cao, L., & Hengel, A. V. D. (2021). Deep learning for anomaly detection: A review. ACM computing surveys (CSUR), 54(2), 1-38.
[3] Boniol, P., Liu, Q., Huang, M., Palpanas, T., & Paparrizos, J. (2024). Dive into time-series anomaly detection: A decade review. arXiv preprint arXiv:2412.20512.
[4] Jia, X., Xun, P., Peng, W., Zhao, B., Li, H., & Shen, C. (2025). Deep anomaly detection for time series: A survey. Computer Science Review, 58, 100787.
[5] Zamanzadeh Darban, Z., Webb, G. I., Pan, S., Aggarwal, C., & Salehi, M. (2024). Deep learning for time series anomaly detection: A survey. ACM Computing Surveys, 57(1), 1-42.

Profil du candidat :
We are seeking a highly motivated candidate for a postdoctoral position, with a PhD in applied mathematics, machine learning, advanced statistics, computational mathematics, computer science, AI or related fields. The candidate must have solid technical skills in deep learning and advanced optimization, with experience in Python and the common Machine Learning libraries.

Interested candidates are invited to apply with their CV and contact references by email to paul.honeine@univ-rouen.fr.

Starting date: when available in 2026 or 2027 (flexible).

Duration: 12 months

Formation et compétences requises :

Adresse d’emploi :
LITIS Lab, Rouen Normandy

Document attaché : 202608011519_PostDoc_ODD.pdf

Recrutement d’un Ingénieur – Développement d’un simulateur de patient numérique / jumeau numérique sous anesthésie générale
Nov 18 – Nov 19 all-day

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

Laboratoire/Entreprise : Laboratoire des Sciences du Numérique de Nantes (L
Durée : 13 mois
Contact : christine.sinoquet@univ-nantes.fr
Date limite de publication : 2026-11-18

Contexte :
Pour résoudre le problème national majeur lié au manque de ressources médicales en anesthésie-réanimation, les équipes universitaires de cette spécialité forment de plus en plus d’internes. La formation repose partiellement sur la simulation. Le besoin de scénarios diversifiés et réalistes au sein de la plateforme de simulation en médecine intensive de Nantes Université (LE SiMU), et l’opportunité offerte par une grande base de données anesthésiques jusqu’alors inexploitée au sein du CHU de Nantes, a conduit à débuter en 2019 une collaboration à l’interface santé / informatique.

Le CHU de Nantes, la plateforme de simulation en médecine intensive de Nantes Université (LE SiMU) et le Laboratoire des Sciences du Numérique de Nantes (LS2N / UMR CNRS 6004) collaborent ainsi depuis 2019 sur un projet de simulation d’un patient numérique sous anesthésie.

En aval des avancées scientifiques obtenues, l’Ingénieur.e qui sera recruté.e sur le projet SIMPHONIA aura la charge de réaliser ce simulateur. Ce dernier sera réactif aux actions d’un utilisateur et d’une équipe médicale virtuelle.

Sujet :
Le projet SIMPHONIA  produira un simulateur de patient virtuel réaliste et réactif aux actions d’un utilisateur et d’une équipe médicale virtuelle. Ce simulateur intègrera trois briques logicielles. La première brique est un pipeline de production de modèle de processus à partir des données d’une cohorte de patients. Deuxièmement, un éditeur pédagogique permettra à un formateur de contextualiser à des fins pédagogiques un modèle de processus donné afin d’en faire un support de scénarios de simulation spécifique (par exemple en intégrant un événement critique, ou bien en intégrant des aides à l’utilisateur du simulateur en cas de difficulté de l’utilisateur). Enfin, un modèle de deep learning (possible variante reposant sur une méthode de data mining) gèrera la prédiction en temps réel de l’évolution d’un patient numérique réactif à des actions médicales. La prédiction de la prochaine action médicale à réaliser par un agent autre que l’utilisateur du simulateur pourra être réalisée grâce au modèle de processus propre à la chirurgie concernée. Les briques logicielles seront réutilisées pour implémenter le concept de jumeau numérique de patient sous anesthésie (modèle de processus, modèle de deep learning).

Profil du candidat :
Diplôme de doctorat en informatique avec expérience dans le domaine de la santé, ou doctorat en informatique pour la santé ou doctorat en bioinformatique. Les niveaux Bac+5 avec expérience pourront être considérés.

Formation et compétences requises :
Expériences antérieures pour occuper le poste (Ingénieur.e Développement) :
-2/5 ans post-thèse dans le domaine de la santé. Les jeunes docteurs, ou les Bac+5 avec expérience pourront être considérés.
– Expérience pratique et solide en
+ Curation de données médicales multimodales
+ Maîtrise du SGBD PostgreSQL utilisé pour la base de données d’anesthésies de patients au CHU de Nantes
+ Chargement, nettoyage, et transformation de données (Pandas, NumPy)
+ Développement logiciel (Python et C++)
+ Maîtrise du scripting (Une expérience restreinte à Jupyter Notebook n’est pas pertinente pour ce projet).
+ Conception et développement d’un système interactif temps réel capable de communiquer avec les modèles d’IA (Unity / C# ou Unreal Engine C++ / Blueprints ou Godot etc)
+ Conception de tableaux de bord
+ Visualisation et représentation graphique
+ Intégration logicielle de diverses briques logicielles pour une application réactive en temps réel

– Expérience appréciée en
+ Modélisation de processus à l’aide d’un graphe (peut être acquis)

• Savoir-faire opérationnels :
– Garantie de reproductibilité et de transfert de savoir technique : Git, Conda, Snakemake
– Collaboration avec des équipes pluridisciplinaires, incluant chercheurs et cliniciens, y compris via des séances de visio-conférence
– Capacité avérée d’analyse et de rédaction de documents clairs et précis à communiquer à tous niveaux (rapports d’avancement des travaux, présentation des travaux en cours à l’équipe de recherche d’accueil (équipe DUKe, LS2N Nantes), à l’équipe de recherche partenaire (équipe SIG, Irit Castres) ainsi qu’aux professionnels de santé)

• Savoir-être :
– Rigueur et organisation dans la gestion et le maintien des données et codes
– Planification et hiérarchisation des activités, avec une gestion efficace des priorités
– Autonomie et force de proposition dans l’identification et la résolution des difficultés rencontrées
– Capacité d’adaptation aux changements technologiques
– Aptitude au travail en équipe et à la communication avec des interlocuteurs issus de domaines variés
– Respect strict de la confidentialité et des règles de protection des données sensibles

– Spécificités du poste
+ Poste basé à la Faculté des Sciences de Nantes Université, au sein du LS2N
+ Bureau partagé avec au plus un autre non permanent
+ Horaires fixes à déterminer avec l’encadrement dans l’amplitude horaire 9H00 – 19H00, 35 heures par semaine
+ Le poste nécessitera par périodes de travailler au CHU de Nantes sur la base de données d’anesthésie

– Obligations
+ Documentation rigoureuse des codes écrits.
+ Activité de reporting regulière (hebdomadaire par défaut, plus dense dans les phases de décision et de validation), sans avoir à être relancé.
+ Maîtrise parfaite de l’écrit et de l’oral en français, l’interface du simulateur étant à destination de publics francophones exclusivement, et les tests étant réalisés avec des publics uniquement francophones.
+ Travail en distanciel non autorisé (Point non négociable)
+ La personne recrutée doit pouvoir être joignable par mail, et réactive, pendant les heures de travail (à la fréquence d’une connexion par jour ouvré au moins pour vérifier ses messages électroniques)

– Poste destiné à une personne motivée par les projets à fort impact sur la formation de professionnels, ainsi que par les applications destinées au domaine de la santé

Adresse d’emploi :
LS2N, Faculté des Sciences et des Techniques, Nantes Université

Dec
31
Thu
2026
Offre de CDD de 3 ans – chercheur, Marseille
Dec 31 2026 – Jan 1 2027 all-day

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

Laboratoire/Entreprise : Centre d’Épidémiologie et de Santé Publique des A
Durée : 3 ans
Contact : gaetan.texier@def.gouv.fr
Date limite de publication : 2026-12-31

Contexte :

Sujet :
Descriptif synthétique du poste

Le chercheur réalise des études statistiques afin d’accompagner la prise de décisions stratégiques en épidémiologie et santé publique. Pour cela, il pilote la constitution de bases de données complexes, exploite et valorise les données à partir de ces bases ou de systèmes d’information dont le système national des données de santé (SNDS). Il coordonne et apporte des conseils méthodologiques pour la mise en œuvre des travaux de recherche, de prédiction et de machine learning et d’IA pour lesquels le CESPA est directement sollicité. Il développe des outils, des processus d’analyse, de prédiction et fournit une expertise méthodologique. La personne recrutée devra concourir à innover, produire et développer des connaissances, assurer leur transfert par l’enseignement, la diffusion scientifique et la formation en vue de contribuer au progrès en matière de santé des militaires.

Descriptif des missions
– Réaliser des études à partir de base de données complexes et des enquêtes comprenant l’importation des données, le nettoyage de base de données, les analyses et leurs
valorisations techniques et scientifiques.
– Piloter en tant que référent(e) des analyses de données issues du SNIIRAM/SNDS et d’autres bases médico-administrative du ministère.
– Assurer des travaux de recherche et développement sur de nouveaux outils statistiques, mathématique, en machine learning, en IA dans un but de modéliser de simuler et prédire.
– Apporter son expertise méthodologique et statistiques pour la recherche au sein du SSA (Service de santé des armées) et participer à des études et enquêtes.
– Rédiger des articles scientifiques sur des travaux de recherche et communiquer dans des congrès ou séminaires.
– Participer à l’encadrement d’étudiants en master 1 et 2, ingénieurs, doctorants, internes et praticiens en formations.
– Mettre en œuvre le soutien pédagogique et administratif des formations organisées par le CESPA au profit des personnels du SSA et des militaires de l’OTAN.

Profil du candidat :
– Thèse de doctorat de sciences
– 5 ans d’expérience en R&D avec valorisation (au moins 3 publications indexées attendues)
– Expérience en conduite de projet,
– Expert dans l’analyse de données biomédicales (expériences comme chargé d’études statistiques ou biostatisticien), expert sur le logiciel R, python, SAS, pour analyser les
données du SNIIRAM/SNDS.
– Expériences de travail sous forte contrainte temporelle
– Expérience dans l’enseignement serait souhaitable
– Bonne capacité rédactionnelle

Formation et compétences requises :

Adresse d’emploi :
CESPA, Marseille

Jan
1
Fri
2027
Postdoctoral Position in ML for Climate in Lyon, France
Jan 1 – Jan 2 all-day

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

Laboratoire/Entreprise : Laboratoire de Physique, ENS de Lyon, UCBL
Durée : up to 3 years
Contact : louis.couston@ens-lyon.fr
Date limite de publication : 2027-01-01

Contexte :

Sujet :
The Climate Physics group at ENS de Lyon, France, is inviting applications for a postdoctoral position (up to 3 years, ERC IceAblation) on Machine learning emulators of polar ocean dynamics.

Can neural networks emulate chaotic, multi-scale ocean flows with tipping points beneath Antarctic ice shelves, generalize across regimes, and stay stable when coupled online to a numerical solver? We have ready-to-use NEMO simulation data and offer freedom to explore physics-constrained learning, foundation models, and online training.

Prior experience in ML/AI is needed but we do not require a background in oceanography. Review of applications starts November 2nd, 2026.

See attached document for further details.

Profil du candidat :
See attached document for details.

Formation et compétences requises :
See attached document for details.

Adresse d’emploi :
Laboratoire de Physique, ENS de Lyon, UCBL

Document attaché : 202610141613_ERC-oceanml-postdoc-2027.pdf

Offres de thèses

Nov
18
Wed
2026
Robust and Frugal Self-Supervised Federated Learning for Out-of-distribution Data in Time Series
Nov 18 – Nov 19 all-day

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

Laboratoire/Entreprise : LITIS Lab, Université de Rouen Normandie
Durée : 36 months
Contact : fannia.pacheco@univ-rouen.fr
Date limite de publication : 2026-11-18

Contexte :

Sujet :
See attached file for full description.

Keywords:
Self-Supervised Learning, Federated Learning, Time Series, Robustness, Frugal Feature Extraction, Anomaly / Out-of-distribution Detection

Supervisors:
Fannia Pacheco (fannia.pacheco@univ-rouen.fr)
Paul Honeine (paul.honeine@univ-rouen.fr)
Maxime Berar (maxime.berar@univ-rouen.fr)

Profil du candidat :
We are looking for a highly motivated candidate holding (or about to obtain) a Master’s degree or engineering diploma in applied mathematics or computer science, with a solid background in machine learning and strong programming skills in Python (PyTorch or equivalent). Prior exposure to time-series modeling, federated or distributed learning, self-supervised learning, or anomaly / out-of-distribution detection is appreciated but not required. A good level of English and an interest in both theoretical analysis and rigorous experimentation are strongly recommended.
Applications should include a detailed CV, a cover letter, academic transcripts from the Master’s or engineering’s years, and contact details of one or two references.

Formation et compétences requises :

Adresse d’emploi :
Rouen Normandie

Document attaché : 202607301050_PhD_LITIS.pdf

Dec
20
Sun
2026
Verified Causal Reinforcement Learning for Robust Transfer under Distribution Shift
Dec 20 – Dec 21 all-day

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

Laboratoire/Entreprise : LITIS, Université de Rouen Normandie, INSA Rouen N
Durée : 3 years
Contact : aleite@insa-rouen.fr
Date limite de publication : 2026-12-20

Contexte :
We are recruiting a PhD candidate at LITIS, Université de Rouen Normandie / INSA Rouen Normandie (France) for a 3-year doctoral project on Verified Causal Reinforcement Learning for Robust Transfer under Distribution Shift.

Sujet :
The project lies at the intersection of causal inference, reinforcement learning, transfer/generalization, and formal verification with Lean. It will investigate how invariant causal mechanisms can support robust policy transfer across changing environments and how selected semantic, transfer, and safety properties can be machine-checked.

See attached file for the full description.

Profil du candidat :
Candidates should hold, or be about to obtain, an M2/Master’s degree or engineering diploma in Applied Mathematics, Computer Science, Data Science, or a related field. Prior experience in RL, causal inference, or Lean is appreciated but not required.

Formation et compétences requises :

Adresse d’emploi :
Rouen Normandie

Document attaché : 202609141134_litis_thesis_proposal_verified_causal_rl.pdf

Dec
30
Wed
2026
PhD Position – Learning Generative World Models of Physical Dynamics
Dec 30 – Dec 31 all-day

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

Laboratoire/Entreprise : ISIR – Institut des Systèmes Intelligents et de Ro
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2026-12-30

Contexte :
AI4Science is an emerging research field that investigates the potential of AI methods to advance scientific discovery, particularly through the modeling of complex natural phenomena. This fast-growing area holds the promise of transforming how research is conducted across a broad range of scientific domains. One especially promising application is in modeling complex dynamical systems that arise in fields such as climate science, earth science, biology, and fluid dynamics. A diversity of approaches is currently being developed, but this remains an emerging field with numerous open research challenges in both machine learning and domain-specific modeling.

This PhD project aims to investigate the next generation of AI models for physical dynamics. The objective is to develop generative world models that learn structured representations of physical systems and can efficiently model, predict, and reason about their evolution. The research will focus on applications such as fluid mechanics and climate science while addressing fundamental questions at the intersection of machine learning and scientific computing.

Sujet :
The main objective of this PhD is to develop generative world models for physical dynamics that combine scalability, uncertainty modeling, and scientific consistency.

The research will explore several complementary directions:

Learning transferable representations of physical dynamics, by developing latent representations that capture the underlying structure of physical systems and can generalize across multiple physical regimes and downstream tasks.

Generative modeling of physical trajectories, using recent approaches such as diffusion models, flow matching, and stochastic interpolants to represent uncertainty, multimodality, and long-term evolution of complex dynamical systems.

Physically consistent generative models, by integrating physical constraints and scientific priors into generative learning in order to produce solutions that remain both accurate and scientifically valid.
The exact research direction will be adapted to the candidate’s interests and background and may emphasize either methodological developments or applications to scientific domains such as fluid dynamics and climate modeling.

Profil du candidat :
Computer science or applied mathematics. Good programming skills.

Formation et compétences requises :
Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning.

Adresse d’emploi :
Sorbonne Université (S.U.), Pierre et Marie Campus in the center of Paris. The candidate will integrate the MLIA team (Machine Learning and Deep Learning for Information Access) at ISIR (Institut des Systèmes Intelligents et de Robotique).

Document attaché : 202607061524_2026-05-PhD-Description-Generative-World-models-Physics.pdf

Dec
31
Thu
2026
ParaTuck Decomposition for Advanced Multidimensional Data Processing
Dec 31 2026 – Jan 1 2027 all-day

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

Laboratoire/Entreprise : LIS UMR 7020
Durée : 36 mois
Contact : zniyed@univ-tln.fr
Date limite de publication : 2026-12-31

Contexte :

Sujet :
ParaTuck Decomposition for Advanced Multidimensional Data Processing

Profil du candidat :
Signal processing, tensor decomposition, numerical optimization, applied mathematics;

Formation et compétences requises :

Adresse d’emploi :
University of Toulon, LIS UMR 7020, SIIM team

Document attaché : 202610131347_Sujet_de_thèse_PTD.pdf

Offres de stages

Nov
20
Fri
2026
Modélisation et fouille d’une base de données sur les pharmacopées anciennes
Nov 20 – Nov 21 all-day

Offre en lien avec l’Action/le Réseau : SaD-2HN/– — –

Laboratoire/Entreprise : ICube Strasbourg
Durée : 6 mois
Contact : florence.leber@engees.unistra.fr
Date limite de publication : 2026-11-20

Contexte :
Ce stage s’inscrit dans le cadre du projet de recherche TRACES financé par l’ANRS Maladies infectieuses émergentes (ANRS MIE) et qui a pour objectif le développement d’outils pour la recherche de pistes originales de lutte contre la tuberculose. Pour cela, un groupe de recherche interdisciplinaire s’intéresse aux pharmacopées anciennes. La mise en place d’une base de données est alors essentielle pour, d’une part, stocker les informations produites par les chercheurs du groupe ou issues d’autres sources et utiles pour leurs travaux, d’autre part, permettre une analyse des données pouvant intégrer les informations de toutes les disciplines pertinentes. Le modèle retenu est celui de la Wikibase sur laquelle repose la base de connaissances Wikidata.

Sujet :
Le sujet de ce stage s’inscrit dans ce cadre et vise à mettre en place l’ensemble du processus allant de la modélisation à la fouille des données, voire leur visualisation. Il s’agira de réfléchir dans un premier temps à la mise en place d’un modèle de stockage des informations sur des remèdes (préparations médicales) : médecin ayant proposé le remède et manuscrit dans lequel il l’a fait, remède lui-même, sa composition, les maladies et symptômes traités, les molécules présentes dans les ingrédients et les principes actifs identifiés. Ce modèle devra intégrer les incertitudes possibles sur les traductions faites des textes anciens (ingrédients, maladies et symptômes) et les résultats des chercheurs. Il reprendra autant que possible les propriétés utilisées dans Wikidata si celles-ci décrivent correctement ce qu’est la donnée, en définira de nouvelles sinon.
Ensuite des outils de fouille de données seront développés afin d’aider les chercheurs du projet travaillant sur la recherche de pistes pour de nouveaux médicaments. Il s’agira notamment de proposer des outils de découverte de sous-graphes dans la base Wikidata afin de mettre en évidence des récurrences dans les compositions/préparations des remèdes, avec la possibilité de considérer les ingrédients (végétaux, minéraux, animaux) à différents niveaux de leur taxonomie, voire au niveau moléculaire. Ces outils devront permettre de gérer les éventuelles incertitudes sur les données.

Profil du candidat :
Master 2 ou 3ème année ingénieur en Informatique

Formation et compétences requises :
Compétences en modélisation et fouille de données
Intérêt pour le travail en lien avec d’autres disciplines (histoire et biochimie)

Adresse d’emploi :
ICube UMR 7357 | Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie
300 bd Sébastien Brant – CS 10413 – F-67412 Illkirch Cedex

Document attaché : 202610191133_stage_BDpharmaco_ICube.pdf

Nov
30
Mon
2026
Vision par ordinateur pour l’étude satellitaire de l’espace pastoral dans les Alpes
Nov 30 – Dec 1 all-day

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

Laboratoire/Entreprise : CNRS – Laboratoire d’écologie alpine (LECA)
Durée : 6 mois
Contact : camille.masson@univ-grenoble-alpes.fr
Date limite de publication : 2026-11-30

Contexte :
En Europe, le pastoralisme est étroitement associé aux espaces de montagne, où l’exploitation saisonnière des ressources fourragères d’altitude constitue une composante majeure des systèmes d’élevage. Ces espaces forment un socio-écosystème complexe où se concentrent à la fois des enjeux de production agricole, de conservation de la biodiversité et de partage des usages.

Au cours des dernières décennies, le retour du loup a marqué un point de bascule dans la conduite pastorale, avec le passage de systèmes où le troupeau était relativement peu contraint à des troupeaux davantage gardés et regroupés la nuit dans un « parc de nuit ».

Malgré les enjeux associés à cette pratique (piétinement, concentration de nutriments, pression sur la biodiversité), l’emprise spatiale des parcs de nuit et leur évolution au cours du temps restent encore peu documentées à grande échelle. La télédétection offre aujourd’hui la possibilité d’identifier ces structures, d’en suivre l’apparition, la persistance ou le déplacement au cours du temps.

Sujet :
L’essor de la télédétection satellitaire permet aujourd’hui de suivre l’évolution des surfaces terrestres à des résolutions spatiale et temporelle fines. L’objectif du stage sera d’exploiter les séries temporelles d’images Sentinel-2 entre 2016 et 2026 afin de développer une méthode de détection et de cartographie automatique des parcs de nuit.
La présence répétée des troupeaux génère au sein de ces parcs une signature spectro-temporelle particulière, dont l’expression varie au cours de la saison avec la dynamique de la végétation. L’enjeu méthodologique sera donc de considérer chaque parc non pas à partir d’une image donnée, mais à partir de l’ensemble de sa trajectoire spectrale annuelle. Le stage consistera à développer un modèle d’apprentissage supervisé pour la détection d’objets (parcs) dans des tenseurs temporels. Le modèle permettra de réaliser une détection et une segmentation de ces structures pastorales. Le caractère rare des parcs dans le paysage constituera également un enjeu méthodologique important pour l’apprentissage et l’évaluation des modèles (problème de balancing).
Les données nécessaires à l’entraînement des modèles seront immédiatement mises à disposition dès le début du stage. Les modèles développés seront ensuite appliqués à l’ensemble de la série Sentinel-2 afin de produire des cartographies annuelles à l’échelle des Alpes et de reconstruire la dynamique spatiale et temporelle des parcs au cours de la période 2016–2026.

Profil du candidat :
• Étudiant·e en Master 2 ou en année de césure, avec une formation en informatique, data science, traitement d’images, télédétection ou géomatique ;
• Bonne compréhension globale des méthodes d’intelligence artificielle, en particulier pour la vision par ordinateur (détection d’objets, CNN et Transformers, etc.) ;
• Bonne maîtrise de Python et, si possible, de frameworks d’apprentissage automatique ;
• Une expérience dans l’analyse d’images satellitaires ou de données multispectrales constituerait un atout ;
• Intérêt pour les applications aux problématiques écologiques et environnementales.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire d’Ecologie Alpine (LECA)
Domaine Universitaire de Grenoble
2233 RUE DE LA PISCINE UMR 5533
Bat D – Biologie
38400 SAINT MARTIN D’HERES

Le ou la stagiaire sera accueilli·e au LECA, laboratoire de pointe dans l’étude des écosystèmes alpins. Dans ce laboratoire, plusieurs collègues chercheur·ses, ingénieur·es et/ou étudiant·es sont spécialisé·es dans l’apprentissage automatique, en particulier pour la vision par ordinateur (ex. : projet DeepFaune). Les compétences autour des données satellitaires sont également fortement représentées. Le ou la stagiaire profitera donc d’un environnement stimulant au carrefour de l’écologie, de l’informatique et des mathématiques.

Dec
15
Tue
2026
Stage + thèse en data privacy et frugalité
Dec 15 – Dec 16 all-day

Offre en lien avec l’Action/le Réseau : SaD-2HN/Doctorants

Laboratoire/Entreprise : INTESCIA – L3i / La Rochelle Université
Durée : 42 mois
Contact : mickael.coustaty@univ-lr.fr
Date limite de publication : 2026-12-15

Contexte :
Les LLMs (Large Language Model) sont des outils efficaces, rapides à prendre en main et généralistes, ce qui en fait un choix technique facile pour une grande partie des projets de traitement du langage naturel. Ils ont supplanté une partie des algorithmes de Data Science plus « classiques ».

Cependant, ils ne sont pas exempts de défauts. Ils sont extrêmement coûteux en énergie, coûteux en eaux, coûteux financièrement et ils nécessitent d’importants investissements (création de Data Centers) pour être mis en place.

Dans une volonté de contrôle des données produites et utilisées par l’entreprise (et plus largement de toutes données privées), il est important de garantir que les données traitées soient protégées, ce que l’usage de certains LLMs ne garantit pas. Nous venons par ailleurs de vivre en France, une série de canicules les plus importantes de ces dernières décennies, avec des records de température dans de nombreuses villes françaises. Il est nécessaire de prendre des actions pour aller vers des technologies plus sobres en énergie.

Par ailleurs, le monde de l’IA connaît une période d’incertitude, avec une course effrénée vers des modèles généralistes de plus en plus gros et de plus en plus gloutons en espace comme en énergie. Dans ce contexte, nous souhaitons nous orienter vers des méthodes plus « frugales ». Nous souhaitons ainsi de préférence adapter de petits modèles à des tâches très précises, qui ont l’avantage d’être plus parcimonieux. Un axe principal du travail sera donc de construire des modèles dont la création sera standardisée, avec un minimum de paramétrage à effectuer, et moins de labellisation manuelle à fournir. Nous souhaitons proposer une méthode qui soit la plus générique possible (voir en appui sur les approches MCP/ADK). Les questions clés sont de déterminer s’il est possible de répertorier, créer et tester des modèles pour nos cas d’usages, et de quantifier le gain énergétique de ces modèles en comparaison avec d’anciennes techniques présentes dans le groupe.

Sujet :
L’objectif principal du stage est de produire un benchmark et une analyse complète des outils de Data Science proposés par Explore. Ce travail sera complété par une bibliographie des domaines dans lesquels s’inscrivent les solutions proposées.

Enfin, ce stage est prévu pour aboutir à une thèse CIFRE, et l’étudiant.e sera encouragé.e à participer à la rédaction du sujet de thèse.

Des déplacements ponctuels au L3i de La Rochelle seront également prévus.

Les livrables attendus pour ce stage sont :

• Un état de l’art des approches existantes et de l’état des technologies utilisées par Explore

• Un benchmark de ces approches sur des données de l’entreprise

• Une publication scientifique résumant tout ce travail.

Ce stage sera rémunéré à hauteur de 1000€ mensuel.

Informations importantes

ð Ce stage sera suivi d’une thèse CIFRE d’une durée de trois ans, financée par le groupe Intescia ;

ð Ce stage est co-encadré entre le laboratoire L3i de La Rochelle Université et Explore, filiale du groupe Intescia.

Le L3i (Laboratoire Informatique, Image et Interaction) est le laboratoire de recherche en informatique de La Rochelle Université, créé en 1993 et labellisé Équipe de Recherche Technologique. Il rassemble une centaine de membres, dont 32 enseignants-chercheurs, une trentaine de doctorants et 7 personnels permanents de soutien à la recherche, répartis en trois équipes : « Dynamique des systèmes et adaptativité », « Images et contenus », et « Modèles et connaissances ». Il dispose d’une expertise reconnue internationalement autour de l’analyse et de la compréhension de documents, notamment administratifs.

Profil du candidat :
Le profil que nous recherchons
Étudiant·e de Master 2 dans les domaines suivants : Informatique / Mathématiques Information / Statistiques / Traitement du langage naturel / Data Science.
Appétence à la recherche
Connaissances en : Python, SQL, Méthodes de NLP
Maîtrise de l’anglais
Qualités de rédaction, d’analyse et d’autonomie appréciées.

Formation et compétences requises :
• Les étapes du recrutement seront les suivantes :
1er entretien avec Julie QUEIROS, DATA SCIENTIST chez Explore, accompagnée du personnel encadrant du laboratoire ;
2ème entretien et restitution de cas pratique avec Julie, accompagnée de son N+1 Steven HELLEC, ainsi que des encadrants du laboratoire ;
3ème et dernier entretien avec l’équipe RH, pour tout formaliser.

Ce que nous vous offrons :
Poste basé à Carquefou
Type de contrat : Stage 6 mois – Master II
Horaires de travail : 09h00 – 17h30
Carte tickets restaurants
Option de télétravail ou flexibilité pour une meilleure organisation de votre quotidien
Un cadre de travail responsabilisant, formateur et propice à l’épanouissement

Adresse d’emploi :
https://intescia.recruitee.com/o/intescia-data-scientist-hf-stage-master-ii-6-mois

Dec
31
Thu
2026
Apprentissage profond sur graphes pour le clustering et alignement de données single-cell
Dec 31 2026 – Jan 1 2027 all-day

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

Laboratoire/Entreprise : Laboratoire Bordelais de Recherche en Informatique
Durée : 6 mois
Contact : victoria.bourgeais@u-bordeaux.fr
Date limite de publication : 2026-12-31

Contexte :
Au sein de l’équipe BKB du laboratoire LABRI, nous nous intéressons à l’étude de différents phénotypes à partir de données d’expression de gènes, en particulier les données de cellule unique (scRNASeq). L’expression d’un gène correspond à la quantité d’ARN qui est « produit » par ce gène, que l’on peut interpréter comme son niveau d’activité. Il est ainsi possible de caractériser un patient par son profil d’expression génique. Grâce aux progrès technologiques, nous sommes désormais capables de mesurer l’expression génétique au niveau cellulaire et d’estimer le nombre de classes cellulaires présentes. À partir de ces données d’expression à l’échelle cellulaire, nous pouvons entraîner des réseaux de neurones pour reconnaître des types cellulaires et identifier des signatures génétiques cellulaires. Ces approches permettent de mieux caractériser certaines pathologies (par exemple la progression d’un cancer au sein d’une cohorte) et d’adapter la prise en charge en fonction des caractéristiques du patient [1].

Sujet :
(English version available in attached PDF)

Un premier volet de ce projet vise à explorer les dernières avancées sur les méthodes de classification non supervisées (i.e., clustering) pour identifier des regroupements de cellules partageant des signatures génétiques communes. L’objectif sera de proposer une solution basée sur l’apprentissage profond, prometteuse selon la littérature, en intégrant l’étape de réduction de dimensionnalité et de clustering dans le même modèle, par opposition aux méthodes classiques en deux étapes, via une analyse en composantes principales (ACP) puis un k-means, par exemple. La piste privilégiée consistera à utiliser un réseau de neurones sur graphes (Graph Neural Network, GNN) afin d’apprendre des représentations latentes des cellules en exploitant à la fois leur profil d’expression génique et les relations de voisinage représentées dans un graphe de similarité. L’apprentissage du GNN permettra de produire un espace latent intégrant les interactions entre cellules, propice à l’identification de populations cellulaires cohérentes. Le clustering sera réalisé directement dans cet espace latent et l’originalité consistera à intégrer conjointement l’apprentissage des représentations et celui du clustering [2]. Différentes architectures de GNN seront étudiées et comparées afin d’évaluer leur capacité à capturer la structure des données scRNA-seq. L’objectif sera d’évaluer dans quelle mesure les GNN permettent d’améliorer les performances obtenues avec les auto-encodeurs étudiés lors de précédents stages [3], tout en les comparant aux approches classiques de réduction de dimension suivie d’un clustering.
Le deuxième volet de ce projet est plus exploratoire. Le domaine du biomédical est marqué par la multiplication des jeux de données de cellule unique accessibles via différents portails. Un nouveau défi de recherche consiste alors à intégrer ces différents jeux de données pour pouvoir les comparer [4]. À partir des représentations apprises par les GNN sur chaque jeu de données, nous étudierons différentes stratégies permettant d’aligner ces représentations dans un espace latent commun. L’objectif sera d’évaluer dans quelle mesure des mécanismes d’apprentissage par transfert ou d’adaptation de domaine [5] permettent d’exploiter les connaissances acquises sur un jeu de données A pour améliorer le clustering et l’intégration d’un jeu de données B présentant des phénotypes comparables.
Enfin, une attention particulière sera portée à la visualisation des représentations apprises. L’objectif sera de construire un espace latent de faible dimension, idéalement bidimensionnel, permettant d’explorer visuellement les populations cellulaires identifiées et de faciliter l’interprétation des résultats par les biologistes. Cette analyse sera complétée par des approches d’interprétation biologique, notamment des analyses d’enrichissement fonctionnel et l’identification de gènes biomarqueurs associés aux populations cellulaires détectées.

Références :
[1] Flores, M., et al. (2022). Deep learning tackles single-cell analysis — A survey of deep learning for scRNA-seq analysis. Briefings in Bioinformatics, 23(1), bbab531.
[2] Xu, P., et al. (2026). scCluBench: Comprehensive Benchmarking of Clustering Algorithms for Single-Cell RNA Sequencing. Proceedings of the AAAI Conference on Artificial Intelligence, 40(2), 1364–1372.
[3] Bidet, F., et al. (2026). scRAW: Representation learning for rare cell population identification. Poster accepted at the JOBIM conference.
[4] Asloudj, Y., et al. (2025). scEVE: A Single-Cell RNA-Seq Ensemble Clustering Algorithm Capitalizing on the Differences of Predictions between Multiple Clustering Methods. NAR Genomics and Bioinformatics, 7(2), lqaf073.
[5] Tan, C., et al. (2018). A Survey on Deep Transfer Learning. Artificial Neural Networks and Machine Learning – ICANN 2018, 270–279.

Profil du candidat :
Étudiant ou étudiante en master 2 ou 3ème année d’école d’ingénieur en bioinformatique, informatique ou mathématiques appliquées présentant un intérêt pour les applications médicales et biologiques

Formation et compétences requises :
Compétences en apprentissage profond sur une diversité d’architectures et de problématiques appliquées aux données (signaux, images, texte, etc.).
Bonne maîtrise des langages Python et R.
Connaissances des bibliothèques :
– en analyse de données single-cell : Scanpy
– en machine learning : scikit-learn
– en deep learning : PyTorch et PyTorch Geometric

Adresse d’emploi :
351, cours de la Libération F-33405 Talence cedex

Document attaché : 202611160918_sujet_stage_AI_singlecell_EN.pdf

Designing NLP tools for Student Digital Twins
Dec 31 2026 – Jan 1 2027 all-day

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

Laboratoire/Entreprise : ETIS
Durée : 6 mois
Contact : michele.linardi@cyu.fr
Date limite de publication : 2026-12-31

Contexte :
At CY Cergy Paris University and the University of Toulouse, our research aims to develop trustworthy, robust, and human-centered Generative AI systems that adapt to students’ learning habits and individual needs.

Generative AI tutors are rapidly becoming pervasive across both secondary and higher education.
Students increasingly rely on AI-powered assistants for explanations, problem-solving, revision, and personalized feedback, making these systems an integral part of the modern learning experience.
As these tools become embedded in education, it is essential that they move beyond generic conversational capabilities and provide support that is pedagogically sound, personalized, and trustworthy.

Sujet :
By leveraging compact, privacy-preserving models, we aim to provide adaptive tutoring while reducing computational costs and enabling on-device personalization.
Within the tutoring process, the AI agent follows an agentic reasoning framework. It begins by receiving the student’s input and establishing a clear instructional objective, which guides all subsequent decisions throughout the interaction.

The agent then analyzes the student’s responses and contextual information to identify relevant patterns, infer the learner’s current level of understanding, and assess the educational context. This reasoning process enables the tutor to select appropriate pedagogical strategies and generate personalized interventions.

Please find all the informations in the attached files.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Cergy Paris Université,
33 Bd du Port, 95000 Cergy

Document attaché : 202608191602_Internship_offer_Designing_NLP_tools_for_Sutdent_Digital_Twins.pdf

Pulsar Surveys, Machine Learning and Single-Pulse Studies
Dec 31 2026 – Jan 1 2027 all-day

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

Laboratoire/Entreprise : LPC2E/CNRS
Durée : 4-6 mois
Contact : cherry.ng-guiheneuf@cnrs-orleans.fr
Date limite de publication : 2026-12-31

Contexte :
Pulsars are highly magnetized, rapidly rotating neutron stars that provide unique laboratories for studying fundamental physics, compact objects and the interstellar medium. Their periodic radio emission makes them well suited to large-scale surveys, while individual pulses provide insights into the physics of coherent radio emission. Despite decades of observations, a significant fraction of the Galactic pulsar population remains undiscovered, motivating the development of efficient analysis techniques.

Sujet :
During this internship, the trainee will get an opportunity to gain experience in two complementary areas of pulsar research: pulsar survey analysis with machine-learning-assisted candidate classification, and the study of individual pulsar pulses across widely separated radio frequencies.

The first part will involve a complete pulsar-search workflow, from simulations and population modelling to candidate generation and classification. The trainee will use tools such as PsrPopPy to generate synthetic pulsar populations, exploring distributions of periods, dispersion measures, luminosities and spatial positions. Synthetic pulsars will be injected into real survey data and processed through an existing search pipeline to evaluate recovery rates and characterize detection efficiency. The resulting candidates will be visually inspected to build a labelled dataset for exploring machine-learning methods to distinguish genuine pulsars from radio-frequency interference and other false positives, with the goal of improving candidate classification for large surveys.

The second part will focus on single-pulse emission from a pulsar observed at approximately 70 MHz and 1.4 GHz. Using an existing pipeline, the trainee will extract individual pulses, characterize their energy distributions statistically, and investigate possible log-normal or power-law behaviour and frequency-dependent changes. The results will be interpreted in the context of nulling, mode changing and giant pulses, with comparisons to Fast Radio Bursts where appropriate.

The internship will provide hands-on experience in radio astronomy, pulsar searches, population synthesis, statistical analysis, machine learning, Python-based scientific computing and the analysis of real observational data. The trainee will also have the opportunity to visit the Nançay Radio Observatory, participate in collaboration meetings and present their work to the wider pulsar research community.

Profil du candidat :
Master en astronomie, informatique ou domaine similaire

Formation et compétences requises :
programmation python
Programmation linux

Adresse d’emploi :
3A, Avenue de la Recherche Scientifique. 45071 Orléans cedex 2. France

Jan
1
Fri
2027
Distillation de connaissances RGB-D vers RGB pour la détection de poissons dans un chalut
Jan 1 – Jan 2 all-day

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

Laboratoire/Entreprise : Laboratoire d’Informatique Signal et Image de la
Durée : 6 mois
Contact : abdelbadie.belmouhcine@univ-littoral.fr
Date limite de publication : 2027-01-01

Contexte :
voir PJ

Sujet :
voir PJ

Profil du candidat :
voir PJ

Formation et compétences requises :
voir PJ

Adresse d’emploi :
Université du Littoral Côte d’Opale, 50 Rue Ferdinand Buisson, 62100 Calais

Document attaché : 202611041126_IFSEA_Stereo-2.pdf

Improving Content Representation and Similarity for TV Series Recommendation
Jan 1 – Jan 2 all-day

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

Laboratoire/Entreprise : Laboratoire Interdisciplinaire des Sciences du Num
Durée : 5 mois
Contact : guinaudeau@limsi.fr
Date limite de publication : 2027-01-01

Contexte :
Recommender systems for audiovisual content traditionally rely on user behavior such as ratings, viewing histories, or clicks. This makes it difficult to recommend new content for which little or no user data is available. The RECO+ project explores an alternative approach based solely on the content of audiovisual works, with the goal of producing relevant and explainable recommendations while addressing the cold-start problem.
A first study developed within RECO+ introduced a multimodal representation of TV series based on visual, audio, and textual features extracted from the first episode. The current system combines 77 interpretable descriptors capturing aspects such as visual aesthetics, editing and motion, sound characteristics, and narrative themes, and computes similarities between series using cosine distance.
This internship is the first of two complementary Master internships aiming to address the main limitations identified in this initial work. In particular, the current descriptors remain relatively coarse, while the similarity computation relies on a simple and non-contextualized distance.

Sujet :
The objective of this internship is to improve the multimodal representation of TV series and investigate more appropriate ways of measuring similarity between audiovisual works. The student will first study the state of the art in multimodal video representation, audiovisual content analysis, recommender systems, and metric learning. Building on the existing RECO+ pipeline, the work will then focus on refining visual, audio, and textual descriptors in order to better capture the aesthetic, narrative, semantic, and rhythmic dimensions of TV series.
A particular emphasis will be placed on the normalization and fusion of the different modalities, which remains an open question in the current approach. The student will also investigate similarity learning methods that can go beyond a uniform cosine distance, for example through learned metrics, contrastive learning, or other representation-learning approaches. The proposed methods will be implemented and evaluated experimentally within the existing recommendation framework, with particular attention to understanding which modalities and features contribute to meaningful similarities between series.
The internship combines software development, machine learning experimentation, and scientific research. It offers the opportunity to work on a concrete research problem at the intersection of multimedia analysis, multimodal learning, and recommender systems.

Profil du candidat :
We are looking for a Master 2 student in Computer Science with a strong interest in machine learning and multimedia and :
• Good programming skills in Python
• Knowledge of deep learning librairies
• Familiarity with Computer Vision, audio processing or Natural Language Processing
• An interest in machine learning applied to multimedia and audiovisual content
• Good analytical skills and the ability to conduct and interpret experimental results
• Experience with metric learning, contrastive learning, or representation learning would be a
plus.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire Interdisciplinaire des Sciences du Numérique
Campus Universitaire
Bâtiment 507,
Rue du Belvédère,
91400 Orsay

Document attaché : 202610051103_SujetStage2027.pdf

Machine Learning & Data Analysis Intern
Jan 1 – Jan 2 all-day

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

Laboratoire/Entreprise : JINKO
Durée : 6 mois
Contact : hiring@jinko.so
Date limite de publication : 2027-01-01

Contexte :
About Jinko
Jinko is a YC-backed startup building travel infrastructure for AI agents. We enable developers to create agents
that can search, plan, and book travel through reliable access to travel data, services, and booking capabilities.
Our team brings together repeat entrepreneurs with deep travel industry experience. Based at Station F in Paris,
we work closely with world-class companies across travel and technology.

Sujet :
About the Role
You will use data analysis and machine learning to help improve how AI agents understand and use travel
information. Working directly with the founding team, you will explore datasets, formulate hypotheses, build
prototypes, and evaluate what works. Your findings will inform both product decisions and the infrastructure we
build.
What You Will Work On
• Analyze travel data to uncover patterns, assess coverage and quality, and identify opportunities to improve agent
capabilities.
• Explore and evaluate machine learning approaches for tasks such as search, ranking, recommendations, and
matching data across sources.
• Design experiments, establish baselines, and define metrics to assess model quality and practical usefulness.
• Build reproducible data preparation and analysis workflows using Python and SQL.
• Investigate model errors and data limitations, and communicate findings through clear visualizations and
recommendations.
• Collaborate with engineers to turn promising analyses and prototypes into components of our travel infrastructure.

Profil du candidat :
What We Are Looking For
• Data analysis skills: You can explore unfamiliar datasets, apply statistical reasoning, and explain your
conclusions and their limitations.
• Programming ability: You are comfortable with Python and SQL and can write clear, testable code for analysis
and experimentation.
• Machine learning foundations: You understand model training, validation, evaluation metrics, and common
pitfalls such as overfitting and data leakage.
• Curiosity about AI agents, a practical approach to problem-solving, and the ability to work independently while
communicating with a small team.
Experience with pandas, scikit-learn, PyTorch, embeddings, or recommendation systems is a plus. Coursework,
research, and personal projects are all relevant; prior travel industry experience is not required.

Formation et compétences requises :

Adresse d’emploi :
Paris, Station F

Document attaché : 202610050916_Jinko_ML_Data_Analysis_Internship.pdf

Jan
8
Fri
2027
Auto-extension robuste d’un système causal et systémique
Jan 8 – Jan 9 all-day

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

Laboratoire/Entreprise : LITIS / Quiddity
Durée : 6 mois
Contact : cecilia.zanni-merk@insa-rouen.fr
Date limite de publication : 2027-01-08

Contexte :
L’entreprise
Quiddity propose une plateforme SaaS de simulation systémique et financière qui aide les entreprises à comprendre comment les évolutions de leur environnement peuvent affecter leur performance et leurs décisions.
La plateforme permet de quantifier les effets en cascade de milliers de futurs possibles sur le chiffre d’affaires, les coûts et les marges. Elle aide ainsi les dirigeants à :
· Identifier les principales vulnérabilités financières et les dépendances critiques de leur chaîne de valeur ;
· Tester des scénarios externes et mesurer leurs conséquences sur la performance de l’entreprise ;
· Comparer la robustesse de différentes décisions stratégiques, notamment en matière d’investissements, d’approvisionnements, de marchés, de capacités industrielles ou d’organisation.
La solution repose sur trois moteurs propriétaires interconnectés :
· Le Moteur Monde modélise des centaines de facteurs externes (économiques, géopolitiques, technologiques, réglementaires ou environnementaux, ainsi que ceux liés aux ressources) et leurs interactions. Il calcule leur évolution annuelle en tenant compte de la propagation des chocs.
· Le Moteur d’Exposition relie ces évolutions aux caractéristiques de l’entreprise. À partir de ses données historiques, il propage leurs effets sur les achats, les stocks, les capacités de production et les ventes, en intégrant les rétroactions internes.
· Le Moteur Entreprise traduit ces effets en indicateurs financiers et opérationnels : chiffre d’affaires, coûts, EBITDA et productivité.
La plateforme s’adresse aux entreprises industrielles, ainsi qu’aux cabinets de conseil et aux gestionnaires d’actifs, notamment les fonds de private equity. Deux premiers pilotes industriels sont actuellement en cours avec un grand compte et une ETI. La commercialisation est prévue dès 2027, avec de premiers déploiements en France et en Europe, en parallèle des travaux de recherche et développement.

Pourquoi ce stage ?
Pour contribuer au développement d’un futur copilote de simulation stratégique assisté par IA, conçu en Normandie pour renforcer la résilience des entreprises industrielles locales et européennes.
Ce stage vous permettra de :
· Faire avancer un sujet de recherche à la croisée de la modélisation systémique et de l’IA explicable ;
· Expérimenter vos travaux sur des cas concrets issus des premiers clients de Quiddity en 2027 ;
· Contribuer à une technologie destinée à éclairer des décisions stratégiques ;
· Bénéficier d’un double encadrement par le LITIS et Quiddity, avec une perspective de poursuite en doctorat selon les résultats.
Quiddity souhaite placer la recherche publique au cœur de son développement. Ce stage en constitue une première étape déterminante ; il pourrait éventuellement déboucher sur le lancement d’une thèse CIFRE.

Sujet :
Contexte scientifique
Le stage porte sur le premier verrou scientifique de Quiddity : l’auto-extension robuste d’un système causal et systémique à partir des informations saisies par ses utilisateurs.
Lorsqu’un client décrit son activité ou teste une décision, il peut faire apparaître une situation que le système ne couvre pas encore. L’enjeu est d’identifier automatiquement les facteurs exogènes pertinents, de repérer les connaissances manquantes et de les acquérir ou de les estimer, puis de les intégrer aux modèles existants.
Par exemple, une entreprise indiquant acheter du safran au Bangladesh doit déclencher l’identification des facteurs associés à cette exposition, dont le prix à la production du safran dans ce pays. Si ce facteur manque, le système doit pouvoir le qualifier, rechercher ou estimer ses données, construire ses relations causales et le rendre utilisable dans les simulations.
L’enrichissement doit alimenter successivement le graphe causal Monde, le moteur de propagation systémique, puis le modèle d’exposition. Le cas ainsi couvert devient réutilisable par tout client présentant une exposition comparable.
Ce processus soulève des questions de représentation des connaissances, d’inférence, de causalité et de validation : comment reconnaître une lacune, éviter les doublons, justifier une relation et maîtriser les effets d’un ajout sur les simulations ? Le stage contribuera à y répondre dans une trajectoire de R&D visant une première version exploitable début 2028.

Travaux attendus
Au travers de l’encadrement et des modalités organisationnelles prévues, les travaux seront organisés autour des missions suivantes :
1. S’approprier l’architecture et définir le terrain d’expérimentation. Étudier les modèles et moteurs de Quiddity, ainsi que les données saisies lors de l’onboarding et des tests de décisions. Sélectionner avec les encadrants des cas représentatifs, issus si possible de situations clients, et fixer les critères d’évaluation.
2. Étudier et sélectionner les méthodes pertinentes. Réaliser un état de l’art ciblé sur l’extraction et la représentation des connaissances, la complétion de graphes, l’inférence et la validation causale. Proposer une démarche adaptée à l’architecture existante.
3. Identifier et qualifier automatiquement les connaissances manquantes. À partir des données saisies, identifier les facteurs pertinents, les rapprocher des connaissances existantes et détecter les lacunes. Rechercher ou estimer les données nécessaires en documentant leur provenance, leur justification, leurs incertitudes et leurs conditions de validité.
4. Intégrer les enrichissements dans la chaîne de simulation. Construire les relations des variables qualifiées dans le graphe causal Monde, permettre leur prise en compte dans la propagation systémique, puis enrichir le modèle d’exposition. Rendre les nouveaux cas couverts réutilisables par d’autres clients, en explicitant les contrôles automatiques et les validations humaines nécessaires.
5. Évaluer la robustesse et préparer la suite. Évaluer la pertinence des variables identifiées, la qualité des données obtenues ou estimées, la cohérence des relations causales et les effets sur les simulations. Identifier les limites et les travaux nécessaires pour atteindre une première version exploitable début 2028.
Le stage devra produire une méthode formalisée, un prototype évalué sur un périmètre délimité, un protocole d’expérimentation reproductible et une feuille de route pour la poursuite des travaux.

Profil du candidat :
Profil recherché
Vous êtes étudiante ou étudiant en Master 2 en informatique, intelligence artificielle, science des données ou formation équivalente, et souhaitez mettre vos compétences au service d’un projet de recherche appliquée.
Vous disposez de :
· Bonnes bases en intelligence artificielle, algorithmique et représentation des connaissances ;
· Une maîtrise de Python ou d’un autre langage adapté au prototypage scientifique ;
· La capacité à analyser des publications scientifiques et à mener des expérimentations rigoureuses ;
· De l’autonomie, de la curiosité et un intérêt pour les applications concrètes de la recherche.
Vous êtes intéressé·e par le projet de Quiddity et motivé·e à contribuer à son développement.
La pratique de Git ainsi que des connaissances en ontologies, graphes de connaissances, traitement automatique du langage, raisonnement causal ou simulation seraient des atouts.

Formation et compétences requises :

Adresse d’emploi :
LITIS / INSA Rouen Normandie
Avenue de l’Université, BP 8, 76801 Saint-Étienne-du-Rouvray cedex, France

Document attaché : 202611090950_Quiddity – Offre de stage.pdf

Learning-based approaches for informed multi-scale hyperspectral image completion. Application to coastal ecosystem monitoring.
Jan 8 – Jan 9 all-day

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

Laboratoire/Entreprise : Laboratoire d’Informatique, Signal et Image de la
Durée : 6 mois
Contact : claire.guilloteau@univ-littoral.fr
Date limite de publication : 2027-01-08

Contexte :

Sujet :
Project description:

Observation and high-resolution mapping of coastal ecosystems are critical challenges for monitoring marine biodiversity in the face of global environmental changes [1]. Hyperspectral imaging provides rich 3-D information (2 spatial dimensions and 1 spectral dimension), making the identification of unique spectral signatures of coastal species and habitats possible. However, remote sensing techniques face a fundamental trade-off: satellite platforms (e.g., Sentinel-2) offer broad spatial coverage but limited spatial-spectral resolution, whereas airborne sensors (ULM
or drones) provide high spatial and spectral resolution over limited areas. The goal of this project is to bridge this gap by developing informed data completion methods. By leveraging spatially localized, high-resolution airborne
hyperspectral acquisitions, the project aims to recover high-resolution information over large-scale satellite images of coastal intertidal zones.
Building upon initial exploratory work and multi-sensor datasets acquired during a field campaign (combining ULM airborne hyperspectral acquisitions and Sentinel-2 satellite scenes), this internship aims to transition from initial simulated proofs-of-concept to real-world tests on complex coastal environments. The project is structured
around the following steps:

1. Bibliographic review & framework setup: Review existing informed data completion architectures including our proof-of-concept algorithm.
2. Guided multi-scale fusion: Integrate intermediate-resolution panchromatic guiding images to constrain the spatial super-resolution process for large spatial scale gaps [2].
3. Physical regularizations & parametric modeling: Incorporate physical domain constraints (e.g., physics-informed loss functions, sensor responses constraints) and parametric spectral representations to stabilize training on sparse real-world data [3].

The primary application focuses on generating exploratory distribution maps of Roscoff worm (Symsagittifera roscoffensis) colonies—a key bio-indicator of intertidal ecosystem health—in collaboration with biologists from the UGSF laboratory. The developed methodology will be generic, with potential extensions to other coastal indicators.
This topic is the subject of a PhD funding request for autumn 2027. If granted, the selected student may continue this work towards a doctoral thesis.

Supervision:
The internship will take place at the Longuenesse(62) branch of LISIC. This branch, created in 2020, currently hosts 8 permanent researchers, 1 postdoctoral researcher and 8 PhD students. The intern will be supervised by Claire Guilloteau and Gilles Roussel, who will provide their respective expertise in hyperspectral image processing and machine learning for satellite imaging. The intern will also have the opportunity to collaborate with Christophe Colleoni and Anne Créach, researchers specialized in the integrative biology of storage polysaccharides at the UGSF laboratory (Unit of Structural and Functional Glycobiology) at the University of Lille.

References
[1] Heidi M. Dierssen, Steven G. Ackleson, Karen E. Joyce, Erin L. Hestir, Alexandre Castagna, Samantha Lavender, and Margaret A. McManus. Living up to the hype of hyperspectral aquatic remote sensing: Science, resources and outlook. Frontiers in Environmental Science, Volume 9 – 2021, 2021.
[2] Laetitia Loncan, Luis B. de Almeida, Jose M. Bioucas-Dias, Xavier Briottet, Jocelyn Chanussot, Nicolas Dobigeon, Sophie Fabre, Wenzhi Liao, Giorgio A. Licciardi, Miguel Simões, Jean-Yves Tourneret, Miguel Angel Veganzones, Gemine Vivone, Qi Wei, and Naoto Yokoya. Hyperspectral pansharpening: A review. IEEE Geoscience and Remote Sensing Magazine, 3(3):27–46, 2015.
[3] Zuzanna Gawrysiak and Krzysztof Krawiec. Physics-informed spectral modeling for hyperspectral imaging. IEEE Geoscience and Remote Sensing Letters, 23:1–5, 2026.

Profil du candidat :
Application:
With a scientific background in data science (signal and image processing, computer science with a focus on artificial intelligence/learning/machine learning, applied mathematics), you are curious and highly comfortable with programming (Matlab, Python, C). You read and speak English with ease. Although not required, prior experience in hyperspectral satellite image processing or deep learning will be appreciated.
To apply, please send the documents supporting your application:
• your CV,
• a motivation letter,
• your academic transcripts from Bachelor year 3, Master 1, Master 2 (if available), or Engineering School (first to third year),
• up to two recommendation letters, or the names and contact details of two referees.
Applications will be reviewed on a rolling basis until the position is filled.

Formation et compétences requises :

Adresse d’emploi :
The internship will take place at the Longuenesse(62) branch of LISIC.
EIL Côte d’Opale
La Malassise – CS 50109
62968 LONGUENESSE Cedex

Document attaché : 202611091646_internship2027_verdemes.pdf

Master 2 internship: Efficiency and reliability of compact models for time series classification
Jan 8 – Jan 9 all-day

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

Laboratoire/Entreprise : IRIMAS (Université de Haute-Alsace), MSD team, Mul
Durée : 6 months
Contact : maxime.devanne@uha.fr
Date limite de publication : 2027-01-08

Contexte :
Compact deep learning architectures and random-kernel methods such as MiniRocket reach state-of-the-art accuracy at a low computational cost. Their actual cost in time, memory and energy, as well as the reproducibility of their results, nevertheless depends on the software stack used, a point that is rarely studied in a controlled way.

Sujet :
To study how the programming language (Python, Julia, C) and numerical precision affect the cost and reliability of compact time series classifiers, without sacrificing accuracy: reproducing reference models, porting inference to other stacks, measuring cost and precision effects, statistical analysis, and open release of code and results.

Profil du candidat :
Master 2 or last year of Engineering School in Computer Science. Advanced skills in Python and C, machine learning libraries (scikit-learn, TensorFlow, PyTorch). Knowledge of Julia and of time series analysis will be appreciated.

Formation et compétences requises :
Master 2 or last year of Engineering School in Computer Science. Advanced skills in Python and C, machine learning libraries (scikit-learn, TensorFlow, PyTorch). Knowledge of Julia and of time series analysis will be appreciated.

Adresse d’emploi :
IRIMAS, Université de Haute-Alsace,
12 Rue des Frères Lumière
Mulhouse, France

Document attaché : 202611090952_internship_position_GL4TSC.pdf

Transfert simulation-expérience pour la tomographie diffuse optique par apprentissage profond
Jan 8 – Jan 9 all-day

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

Laboratoire/Entreprise : Institut Fesnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2027-01-08

Contexte :
voir PJ

Sujet :
voir PJ

Profil du candidat :
voir PJ

Formation et compétences requises :
voir PJ

Adresse d’emploi :
52 Av. Escadrille Normandie Niemen, 13013 Marseille

Document attaché : 202609210948_StageM2_FDOT_AI.pdf

Jan
16
Sat
2027
From Predictive Uncertainty to Domain Adaptation: When Does Uncertainty Reveal a Change of Domain?
Jan 16 – Jan 17 all-day

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

Laboratoire/Entreprise : LITIS, INSA Rouen Normandie, Université de Rouen N
Durée : 6 mois
Contact : aleite@insa-rouen.fr
Date limite de publication : 2027-01-16

Contexte :
Machine-learning models are commonly trained assuming that deployment data follow the training distribution. In practice, changes in populations, sensors, environments, or acquisition conditions produce a mismatch between a source domain PS and a target domain PT . Domain adaptation seeks to transfer predictive knowledge across such shifts, while uncertainty quantification (UQ) estimates the reliability of a model’s predictions. In particular, a source-trained model may be more uncertain about target inputs that are poorly represented in its training data. Yet domain shift and uncertainty are not equivalent: a shift need not increase prediction difficulty, and uncertainty can be high even without a shift. This internship will study when predictive uncertainty can meaningfully reveal, measure, or be corrected for a change of domains.

Sujet :
This internship aims to establish a conceptual and empirical framework connecting predictive uncertainty, distribution shift, and domain adaptation.

Profil du candidat :
Master’s 2 or final-year engineering level; strong foundations in machine learning and probability/statistics; ability to implement reproducible experiments and critically analyze results. Familiarity with uncertainty quantification, transfer/domain adaptation, or probabilistic learning is appreciated but not required. Interest in both theoretical reasoning and rigorous empirical research is important.

Formation et compétences requises :

Adresse d’emploi :
Rouen Normandie

Document attaché : 202610201148_LITIS_CRAN_internship_proposal_From Predictive Uncertainty to Domain Adaptation_onepage.pdf