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

Laboratoire/Entreprise : U2IS, ENSTA, campus Paris-Saclay
Durée : 3 ans
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-06-17

Contexte :
ENSTA, établissement d’enseignement supérieur et de recherche sous tutelle du ministère des Armées, développe des activités de formation, recherche et innovation dans les domaines de la défense et de la sécurité, des transports, de l’énergie, des activités maritimes, du numérique et de la santé. L’école, présente sur deux campus, à Paris-Saclay et à Brest, est membre de l’Institut Polytechnique de Paris. Classée dans le Top 10 des meilleures écoles d’ingénieurs en France, elle a pour mission

la formation d’élèves ingénieurs civils et militaires, de cadres et docteurs pour les secteurs public et privé,

la recherche et l’innovation de haut niveau en relation étroite avec l’industrie des grands secteurs de souveraineté au sein de 6 Unités de formation et de recherche (UFR).

L’ENSTA est partenaire du programme Hi! PARIS Cluster 2030, qui vise à constituer un pôle de recherche et de formation de rang mondial en intelligence artificielle et en science des données. Le consortium regroupe plusieurs institutions françaises majeures en ingénierie et recherche, dont IP Paris, HEC Paris, INRIA, CNRS et l’Université de Technologie de Troyes.

Pour soutenir le développement stratégique de la robotique et de l’IA au sein de l’ENSTA et de l’Institut Polytechnique de Paris, l’ENSTA ouvre un poste d’enseignant-chercheur, financé par le programme Hi! PARIS Cluster 2030 pour 3 ans. Ce poste bénéficie d’un écosystème dynamique en IA et robotique, ainsi que d’un accès à des ressources expérimentales et computationnelles de premier plan.

Le ou la titulaire du poste sera affecté au sein de l’unité de formation et de recherche Sciences de l’information et de l’informatique (UFR S2I). L’UFR S2I a pour mission d’assurer la formation en sciences de l’information et en informatique des élèves du cursus ingénieur d’ENSTA, des élèves de masters de l’Institut Polytechnique de Paris, et la formation par la recherche d’étudiants français et étrangers au niveau master et doctorat. L’unité développe également des activités de recherche dans les unités de recherche U2IS et Lab-STICC dans les domaines des sciences de l’information et informatique. Ces activités sont réalisées grâce à d’importants moyens expérimentaux. Sur les campus de Paris-Saclay et Brest, l’UFR S2I compte une soixantaine d’enseignants chercheurs, une centaine de doctorants/post-doctorants ainsi que plusieurs personnels techniques (ingénieurs, techniciens).

Missions / Activités principales :

Le titulaire du poste intègrera le laboratoire U2IS sur le campus Paris-Saclay pour y développer son activité de recherche en cohérence avec la stratégie de l’unité et participer aux enseignements gérés par cette dernière.

Sujet :
Activités de recherche :

La personne recrutée mènera une activité de recherche s’inscrivant dans les axes déjà développés au sein de l’U2IS et plus largement dans l’axe stratégique « robotique autonome, intelligence artificielle et systèmes cyber-physiques » du projet Cluster 2030.

Une attention particulière sera portée à des approches permettant une mise en œuvre et une validation en conditions réelles, notamment dans des environnements ouverts, dynamiques ou partiellement structurés, et intégrant des sources d’incertitude.

Les travaux pourront également s’inscrire dans le cadre de systèmes multi-robots, impliquant la coordination de plusieurs agents, éventuellement hétérogènes, et posant des problématiques de passage à l’échelle, de coopération et de prise de décision collective.

Les activités de recherche devront articuler étroitement développements méthodologiques et validation expérimentale sur systèmes robotiques réels, en s’appuyant sur les infrastructures de l’ENSTA, en particulier :
– un Living Lab dédié à la robotique de service et à l’interaction humain-robot ;
– des environnements ouverts permettant des essais expérimentaux pour la robotique mobile terrestre et aérienne.

À moyen terme, ces infrastructures seront complétées par une arène à drones en extérieur de 7 000 m3, équipée d’un système de suivi de position, offrant ainsi un environnement de recherche expérimentale d’envergure.

Par ailleurs, la personne recrutée participera à l’encadrement d’étudiants en master et en doctorat, et contribuera au développement des collaborations avec les partenaires académiques et institutionnels.

Activités d’enseignement

La personne recrutée s’intégrera dans l’équipe pédagogique de l’UFR S2I sur le campus de Paris-Saclay. Il ou elle participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues). Une décharge conséquente du volume d’enseignement est prévue pour assurer l’intégration de la candidate ou du candidat.

Ses missions consisteront à :
– contribuer aux enseignements des différentes formations de l’ENSTA ;
– assurer et gérer des enseignements pilotés par l’UFR S2I, en particulier ceux en lien avec la robotique mobile, tout particulièrement, dans la spécialisation « Robotique et Systèmes Autonomes » de la formation d’ingénieur généraliste dont les enseignements concernent la localisation robotique, la cartographie, SLAM, la génération de trajectoires, la programmation ROS, etc. ;
– participer et contribuer aux travaux pratiques et d’expérimentation ;
– proposer, gérer et encadrer des projets étudiants éventuellement en partenariat avec des industriels ;
– participer aux activités de promotion des formations (par exemple, journées portes ouvertes, …) ;
– poursuivre la dynamique de développement des partenariats avec l’industrie au profit de la formation.

Dans le cadre de la nouvelle ENSTA, la candidate ou le candidat sera amené à participer à la réflexion et à l’évolution de la nouvelle offre de formation, notamment dans le cadre des enseignements bi-campus, avec un engagement dans le développement de pratiques pédagogiques innovantes et coordonnées entre les sites.

Rayonnement et activités au profit de la communauté
– diffuser la culture, l’information scientifique et technique ;
– participer à la vie administrative collective de l’établissement et des conseils et/ou instances ;
– contribuer à la dynamique collective de l’Unité (organisation de séminaires, visite de site, etc.).

Missions / Activités annexes :
– contribuer à toute activité de l’unité en fonction des priorités retenues ;
– contribuer à la démarche Qualité, notamment via la rédaction et la mise à jour des procédures, le renseignement et le suivi des indicateurs ;
– contribuer à la démarche RSE de l’ENSTA dans le cadre de ses missions et de ses activités.

La candidature complète devra être déposée sur le site de recrutement d’ENSTA à l’adresse https://enstaparis.recruitee.com/.

Les candidats potentiels sont invités à contacter dès à présent le directeur adjoint de l’UFR, responsable du site Paris-Saclay (goran.frehse@ensta.fr). Le dossier de candidature devra comporter obligatoirement :
– un CV (activités d’enseignement, de recherche et de responsabilités académiques, liste des publications) ;
– une lettre de motivation ;
– une présentation du projet de recherche et de l’enseignement pour l’intégration au sein de l’UFR (max 5 pages) ;
– les copies des diplômes ;
– les coordonnées d’au moins deux références nationales ou internationales.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-en-robotique-et-ia

Profil du candidat :
Le poste proposé est un contrat à durée déterminée de 3 ans.
– Date de prise de fonctions prévue : à partir de septembre 2026
– Fin de fonction : au plus tard le 31 décembre 2029 (fin du projet Cluster 2030)

L’ENSTA peut accueillir les personnels fonctionnaires en détachement, en particulier les maîtres de conférences et les professeurs de l’université ou les chargés et les directeurs de recherche des organismes de recherche (CNRS, INRIA, …). La qualification aux fonctions de professeur des universités n’est pas requise mais sera appréciée. La personne candidate, titulaire d’une thèse de doctorat, devra justifier :
– d’une expérience en recherche et enseignement en adéquation avec les besoins exprimés ;
– de publications scientifiques dans des revues ou conférences de haut niveau et en lien avec la thématique mentionnée ;
– d’une capacité à travailler en équipe tant pour l’enseignement que pour la recherche ;
– de qualités pédagogiques ;
– de pouvoir prendre des responsabilités et notamment de pouvoir piloter/coordonner un parcours d’enseignement.

Une personne expérimentée avec HDR pourra obtenir le titre de professeur accordé par la commission d’appellation d’ENSTA. Un salaire attractif sera proposé en adéquation avec le profil.

Formation et compétences requises :

Adresse d’emploi :
ENSTA Campus de Paris-Saclay, 828, boulevard des maréchaux, 91762 Palaiseau Cedex

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

Laboratoire/Entreprise : LIST3N Laboratoire Informatique et Société Numéri
Durée : 3 ans
Contact : recrutement-list3n@utt.fr
Date limite de publication : 2026-06-27

Contexte :
La recherche, la formation et le transfert de technologie sont les trois missions de l’Université de Technologie de Troyes (UTT). Établissement à la fois École d’Ingénieurs et Université, l’UTT est aujourd’hui parmi les 10 écoles d’ingénieurs les plus importantes en France, avec un rayonnement à l’international reconnu.
Elle forme plus de 3000 étudiants chaque année, de post-bac à bac+8. Ses formations conjuguent excellence et innovation et sont adossées à une recherche de pointe.
En effet l’UTT s’appuie sur ses 5 unités de recherche pour proposer des formations couvrant tout le spectre universitaire : Bachelor, Licence, Master, Ingénieur et Doctorat, des formations courtes professionnalisantes (Diplômes d’Université), des programmes de Mastère spécialisé®, de la VAE et des certifications en langues.
Ces formations apportent aux diplômés de l’UTT les compétences recherchées par les entreprises grâce à une forte proximité avec celles-ci, notamment au travers de sa fondation. Le parcours d’ingénieur en 5 ans, habilité par la CTI, se singularise dans le paysage académique par des parcours individualisés dès la première année, ce qui permet à chaque étudiant d’adapter sa formation à son projet professionnel.
En tant que leader du projet EUt+, l’UTT est à la fois pilote et établissement expérimental pour le développement des nouvelles méthodes et orientations de l’EUt+. L’Université de technologie Européenne, EUt+, née de l’alliance de huit partenaires européens, s’articule autour d’une vision commune, un pilier central, “Think human first” dont découlent les principes suivants :
• Développer une technologie avant tout humaine
• Profiter de la diversité et le multilinguisme comme opportunité
• Développer une université inclusive, pour tous

Sujet :
Enseignement :
L’enseignant·e-chercheur·e contractuel contribuera à la mise en oeuvre, l’animation et le rayonnement du Bachelor en Intelligence Artificielle, avec un investissement équilibré entre activités de formation, de recherche et participation à la vie de la formation et de l’établissement.
Sur le volet formation, il/elle assurera des enseignements de niveau Bachelor en mathématiques pour la science des données et l’IA (probabilités, statistiques, optimisation, méthodes numériques) et en data science / machine learning. Il/elle interviendra notamment sur des unités d’enseignement de mathématiques appliquées, data science et IA (Outils mathématiques pour des problèmes aléatoires, Méthodes classiques de décision, Techniques avancées de machine learning, Remédiation de données, Concepts généraux en IA et réseaux de neurones, MLOps etc).
Les activités de ce poste incluront la préparation et l’animation de cours magistraux (CM), TD et TP, l’encadrement de projets appliqués en data science et IA en lien avec des cas d’usage réels, le suivi des stages et des étudiant(e)s en alternance, la participation aux jurys et à l’évaluation des étudiants (contrôle continu, examens, soutenances), ainsi que la conception de ressources pédagogiques, y compris pour des enseignements hybrides ou à distance.
Il/elle participera également aux actions de promotion de la formation (journées portes ouvertes, actions de communication, relations avec les partenaires académiques et industriels). La personne recrutée sera amenée à dispenser des enseignements en Anglais dans le cadre de l’accueil des étudiants d’échange du programme EUt+.

Profil du candidat :
Recherche :
Sur le volet recherche, la personne recrutée contribuera aux travaux en apprentissage automatique pour données chronologiques et systèmes dynamiques, avec pour objectif le développement de modèles d’IA fiable et sobre en ressources. Les thématiques pourront inclure la modélisation et l’analyse de séries temporelles ou de données séquentielles, le développement d’architectures de deep learning adaptées, telles que les réseaux récurrents, les modèles convolutifs temporels, et les Transformers pour séries temporelles. Elles porteront également sur la qualité et la remédiation des données (données manquantes ou bruitées, déséquilibre des classes, drift de données), ainsi que le développement d’approches mathématiques capable de répondre aux enjeux de l’IA responsable et explicable (mesures et réduction des biais, méthodes d’explicabilité pour modèles de séries temporelles, prise en compte de la consommation énergétique).
Une attention particulière sera portée à la reproductibilité (suivi d’expériences, versioning des données et modèles, traçabilité des solutions déployées).
La personne recrutée intègrera l’UR LIST3N (Laboratoire Informatique et Société́ Numérique) et plus spécifiquement
l’axe « Modélisation stochastique, apprentissage et décision » (MSAD). Elle participera au montage et à la coordination de projets collaboratifs académiques et industriels.

Formation et compétences requises :
Docteur en section(s) CNU : 26 ou 27 ou 61

Compétences souhaitées :
▪ Pédagogue ; Capacité à enseigner en Anglais.
▪ Capacité à mener une recherche d’excellence ;
▪ Motivation, travail collaboratif et gestion de groupe ;
▪ Capacité à inscrire des notions fondamentales dans un cadre industriel ou dans une dimension d’ingénierie au sens large ;

Adresse d’emploi :
Université de Technologie de Troyes, 12 rue Marie Curie à Troyes

Document attaché : 202605201132_DRH26_ECC_Bachelor-IA.pdf

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

Laboratoire/Entreprise : IRISA et GéoAzur
Durée : 24 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2026-07-01

Contexte :
Le travail proposé s’inscrit dans un vaste projet intitulé Intelligent_Mapping, lui-même inscrit dans
le projet PEPR Risques IRIMA financé en 2024 par l’Agence Nationale de la Recherche (ANR)
dans le cadre du programme national PIA4 France 2030 (voir https://www.pepr-
risques.fr/fr/programme-de-recherche-risques-irima). IRIMA est piloté par le CNRS, l’Université
Grenoble Alpes et le BRGM, et vise à structurer et renforcer la science des aléas et des risques en
France. Intelligent_Mapping est une composante d’IRIMA, soutenue et hébergée par Université
Côte d’Azur (Responsable : Isabelle Manighetti, Géoazur ; co-responsable : Elena Di Bernardino,
LJAD). Plus spécifiquement, Intelligent_Mapping est intégré au Consortium « Plateformes » porté
par le BRGM. L’objectif principal d’Intelligent_Mapping est de développer des algorithmes
d’Intelligence Artificielle (IA) capables d’identifier, cartographier et mesurer dans des images
aériennes et satellitaires de la Terre, les aléas et risques naturels et socio-environnementaux étudiés
dans IRIMA (tremblements de terre, tsunamis, éruptions volcaniques, glissements de terrain,
avalanches, inondations, incendies de forêt, zones végétalisées détruites, érosion et modifications
des zones littorales, etc.) Le travail de post-doctorat FAILLES se concentre sur l’un des objectifs
d’Intelligent_Mapping : le développement d’algorithmes d’IA pour identifier et cartographier, dans
les images de la Terre, les réseaux de failles à l’origine des tremblements de terre dévastateurs qui
nous affectent.

Sujet :
Les fractures et les failles sont très répandues dans la croûte terrestre et sont associées à des risques
telluriques, notamment les séismes, la sismicité induite, les glissements de terrain, la fracturation
des réservoirs rocheux, entre autres. Alors que les fractures sont généralement de petite taille, peu
profondes et planes, les failles couvrent une large gamme d’échelles de longueur (10⁻⁶ à 10³ km) et
de largeur en profondeur (1 à 10² km), et présentent une architecture 3D complexe (e.g.,
Giampietro et al., 2025). À toutes les échelles, les failles forment des réseaux denses (aussi appelés
zones de failles) comprenant une faille principale et une myriade de fractures et de failles
secondaires qui dissèquent intensément la roche autour de la faille principale. Qu’il s’agisse d’une
faille principale ou secondaire, la faille est rarement plane mais se compose plutôt de sections
déconnectées. Entre autres, la complexité géométrique des failles et des zones de failles a un impact
important sur le comportement de la rupture sismique de ces failles : elle contrôle en partie le
déclenchement et l’arrêt de la rupture, et donc l’étendue de celle-ci, mais aussi l’amplitude des
déplacements et des accélérations du sol, et donc la magnitude du séisme et son potentiel de
dommages (e.g., Manighetti et al., 2007 ; Radiguet et al., 2009). Une quantification précise de la
géométrie et de l’architecture des failles est donc d’une importance capitale pour mieux comprendre
et anticiper les risques sismiques.
La plupart des plans de faille coupent la surface du sol, où ils forment généralement des traces
nettes, laissant souvent une empreinte dans la topographie. Ces traces en surface fournissent des
informations précieuses sur l’architecture de la zone de faille en profondeur. C’est pourquoi un
volume considérable d’observations de failles a été réalisé à la surface du sol au cours du siècle
dernier et traduit en cartes 2D reproduisant les traces de failles en surface. Au cours des dernières
décennies, l’augmentation rapide du volume de données satellitaires et d’autres données de
télédétection a grandement facilité la cartographie des traces de failles. La cartographie est
généralement effectuée manuellement : l’expert identifie visuellement les traces de fractures et de
failles dans les images de télédétection et les données topographiques, puis reproduit ces traces
sous forme de lignes tracées à la main dans un environnement de système d’information
géographique (SIG). Ces environnements permettent d’étiqueter de diverses manières les attributs
2
des failles, tels que l’épaisseur des traces, l’importance hiérarchique, les interruptions, les
connexions et le mode de glissement, tandis que le niveau de confiance de l’expert dans la
reconnaissance des failles peut être évalué qualitativement. Cependant, la cartographie manuelle est
extrêmement chronophage, et l’expertise nécessaire n’est pas toujours disponible, ce qui empêche
l’analyse de vastes zones de failles à haute résolution et limite considérablement le nombre de cartes
de failles précises disponibles.
Récemment, plusieurs approches ont été mises au point pour tenter d’automatiser la cartographie
des failles et des fractures à partir de données de télédétection (Mattéo et al., 2021 ; Esmaeili et al.,
2025). L’apprentissage profond a été utilisé pour réaliser cette cartographie à partir de données
provenant de drones (Batista et al., 2025 ; Chudasama et al., 2024 ; Lambert et al., 2025) ou d’images
satellitaires (Mattéo et al., 2021), tant à très haute résolution (Choi et al., 2023 ; Pousse-Beltran et
al., 2025) qu’à haute résolution (Gannouni et al., 2025). Le développement de ces nouveaux
modèles d’IA est soutenu par la mise à disposition de jeux de données publics (Yaqoob et al., 2024).
Dans un contexte plus large, la détection des fissures a fait l’objet de nombreuses études et, depuis
certaines tentatives préliminaires telles que DeepCrack (Liu et al., 2019), de nombreuses méthodes
utilisant l’apprentissage profond ont été développées (Gupta & Dixit, 2022 ; Pandey & Mishra,
2025). Bien que ces méthodes ne soient pas spécifiquement adaptées aux failles et fractures de la
Terre, elles fournissent une bibliographie riche et un ensemble de références pour le projet.
Cependant, aucune des approches existantes ne s’est jusqu’à présent révélée pleinement
satisfaisante. Cela s’explique principalement par la grande complexité des traces de failles et des
réseaux qu’elles forment à grande échelle : chaque trace de faille est un mélange de sections
sublinéaires et curvilignes ; ces sections peuvent être entièrement connectées ou déconnectées ; les
traces de failles peuvent se croiser, parfois en se ramifiant les unes vers les autres, parfois en
s’interrompant mutuellement. De plus, ces caractéristiques se manifestent différemment selon
l’échelle à laquelle les traces de failles sont analysées : alors qu’une trace de faille peut paraître
continue et simple à une échelle donnée, elle se révèle très segmentée et complexe à une échelle
plus petite. Enfin, bien que les réseaux de failles aient une organisation complexe, il a été démontré
que certaines lois d’échelle contrôlent en partie cette organisation, ce qui suggère que certains
principes physiques sous-tendent les motifs des réseaux de failles (e.g., Perrin et al., 2016).

Profil du candidat :
Le/la candidat(e) doit être titulaire d’une thèse en informatique ou dans un domaine connexe (traitement du signal et des images, mathématiques appliquées), ou en en géosciences avec des contributions méthodologiques avérées en IA.

Nous recherchons un/une candidat(e) fortement motivé(e) par les questions de risques naturels et
par devenir un expert dans les développements IA les plus poussés.
Le/la candidat(e) aura également une excellente maîtrise dans les domaines suivants :
• Programmation Python
• Cadre d’apprentissage profond (de préférence Pytorch)
• Utilisation de serveurs GPU Linux en ligne de commande
• Anglais scientifique écrit et parlé
Une expérience avec les SIG et la télédétection serait un plus.

Formation et compétences requises :

Adresse d’emploi :
IRISA, site UBS, campus de Tohannic, 56000 Vannes

Document attaché : 202605020914_postdoc-IRIMA-failles.pdf

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

Laboratoire/Entreprise : Equipe IROKO, LIRM, INRIA
Durée : 2 ans
Contact : benoit.lange@lirmm.fr
Date limite de publication : 2026-07-16

Contexte :
Cette activité sera réalisée au sein de l’équipe IROKO d’Inria (Institut national de recherche en sciences et technologies du numérique). L’équipe IROKO est spécialisée en gestion des données scientifiques et possède une solide expérience dans le traitement de volumes massifs de données issus de méthodologies hétérogènes.

Dans le cadre du projet PROMISE, et en continuité des projets INTERSECTION et JAMRAI-2, IROKO a développé une plateforme dédiée à la gestion des données de recherche sur l’antibiorésistance. Cette plateforme est aujourd’hui entrée dans sa phase opérationnelle.

Dans ce contexte, nous recherchons un profil capable d’assurer la maintenance évolutive de la plateforme ainsi que de réaliser des analyses des données qu’elle centralise.

Sujet :
Mission confiée
Assurer la maintenance évolutive de la plateforme ainsi que de réaliser des analyses des données.

Principales activités
La personne recrutée partagera son temps entre le développement logiciel, l’administration de la plateforme et l’analyse des données. Ses missions s’articuleront autour des activités suivantes :

Maintenance :

Garantir la mise à niveau des fonctionnalités existantes pour maintenir la stabilité et la sécurité du système,

Développement et intégration :

Avec les membres d’IROKO impliqués sur le projet : concevoir, développer et déployer de nouvelles fonctionnalités selon les besoins du projet.

Assurer l’intégration de nouveaux jeux de données.

Analyse de données et exploration :

Analyser et traiter les données issues de la plateforme à l’aide des moteurs d’analyse développés.

Proposer de nouvelles analyses au besoin, selon les échanges avec les partenaires.

Gestion administrative et support :

Assurer la gestion technique et administrative courante de l’infrastructure (droits d’accès, suivi des ressources).

Assister les utilisateurs, recueillir leurs retours et adapter l’outil pour répondre au mieux à leurs besoins métiers.

Profil du candidat :
Niveau de diplôme exigé : Bac + 5 ou équivalent
Fonction : Ingénieur scientifique contractuel

Formation et compétences requises :
La plateforme s’appuie sur une architecture réactive, orientée événements, et embarque plusieurs moteurs d’exécution, systèmes de monitoring et bases de données. La stack logicielle repose sur :

Infrastructure : Kubernetes

Backend : Java

Données : Approche multi-bases fédérée (notamment MongoDB et PostgreSQL)

Analyse : Moteurs d’analyse et de traitement développés en Python

Adresse d’emploi :
LIRMM, Campus Saint Priest – Université de Montpellier

Document attaché : 202606151434_2026-10147.pdf

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

Laboratoire/Entreprise : LISTIC – Université Savoie-Mont-Blanc
Durée : 18 mois
Contact : jean-yves.ramel@univ-smb.fr
Date limite de publication : 2026-08-29

Contexte :
Graph Neural Networks for Smart Monitoring of Bio-based Composites
(GRINCOMP MIAI Project)

Sujet :
The project aims to develop advanced AI methods based on Graph Neural Networks (GNNs) for the monitoring and predictive maintenance of bio-based composite structures.

More info : https://miai-cluster.univ-grenoble-alpes.fr/job-opportunities/postdoctoral-positions/

Profil du candidat :
Your profile
• PhD in Machine Learning, Data Science, Applied Mathematics, or related fields
• Strong experience in deep learning (experience with GNNs is a plus)
• Solid programming skills in Python (PyTorch, TensorFlow, PyG, etc.)
• Interest in interdisciplinary research and real-world applications

Formation et compétences requises :
Nice to have:
• Experience with sensor data, IoT, or physics-informed ML
• Background or interest in materials science or structural monitoring
• Time-series analysis / signal processing

Adresse d’emploi :
Location: Campus Technolac – Chambery – France
• Start date: End of 2026

Research environment
You will work in a collaborative and interdisciplinary setting involving:
• LISTIC laboratory (AI, Machine Learning , Graphs, data science)
• SYMME laboratory (materials science, smart composites)
• Interactions with national academic and industrial partners

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

Laboratoire/Entreprise : LIMOS
Durée : 3 ans
Contact : violaine.antoine@uca.fr
Date limite de publication : 2026-06-30

Contexte :

Sujet :
Le monitoring de poids est un outil conventionnel permettant le suivi minutieux d’un troupeau. C’est en effet un outil automatisé et non invasif qui permet de vérifier l’état de santé des animaux. Dans ce cadre, le LIMOS étudie des données provenant d’un outil de pesée automatique d’agneaux en extérieur nommé Wow [1]. Ces agneaux ont été préliminairement pesés et placés dans trois groupes selon leur poids (faible, medium, élevé), afin de supprimer les valeurs aberrantes collectées par la pesée automatique. Ces valeurs aberrantes sont dues au passage simultané de plusieurs animaux sur la balance, à la vitesse de passage, à l’accumulation d’excrément sur la balance, etc. Au final, 61 % des données sont supprimées.

La thèse a pour objectif la détection de rupture non supervisée [2] des données de Wow, afin d’alerter l’exploitant agricole d’un problème possible pour un agneau particulier.

Les étapes de la thèse sont les suivantes :
1. L’analyse des données Wow afin d’en faire ressortir ses caractéristiques structurelles.
2. L’étude de la littérature sur la détection de rupture avec un focus sur les algorithmes qui correspondrait le mieux aux caractéristiques des données Wow et les ajustements qu’il faudrait mettre en place pour théoriquement obtenir de meilleures performances.
3. La création d’algorithmes et leurs validations via des jeux de données synthétiques dont les caractéristiques sont maîtrisées afin de valider les points forts et faibles des algorithmes sur des jeux de données.
4. L’application des méthodes créées sur les données Wow et la validation des résultats par des experts métiers.

Une attention particulière sera donnée aux techniques de détection de rupture basée sur le clustering, la gestion des incertitudes par la théorie des ensembles flous ou les fonctions de croyance, et les approches par fonctions coûts.

Profil du candidat :
Master ou Ingénieur en Mathématiques Appliquées ou Informatique, avec des solides bases en statistiques, data mining et machine learning, programmation (python et/ou MATLAB). Le candidat devra aussi avoir un bon niveau d’Anglais.

Formation et compétences requises :

Adresse d’emploi :
1 rue de la chebarde, 63170 Aubière

Document attaché : 202605281521_ThesePEPRv3.pdf

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

Laboratoire/Entreprise : U2IS, ENSTA
Durée : 36 mois
Contact : mario.gleirscher@ensta.fr
Date limite de publication : 2026-06-30

Contexte :
Dans le cadre du projet RoCAM (CIEDS, IP Paris) : Le contrôle robuste d’un ensemble de robots aériens manipulant de manière collaborative des charges utiles non rigides constitue un problème d’une complexité extraordinaire, en particulier en cas d’observabilité partielle, d’imprécision des estimateurs, de perturbations du contrôle, de communications bruitées et d’autres perturbations et modes de contrôle. Le projet RoCAM vise à mettre au point une technique d’estimation adaptative et de contrôle optimal pour les systèmes multi-AAV transportant des charges utiles non rigides, afin de surpasser les performances des approches de pointe tout en garantissant un contrôle précis. Les défis de recherche du projet RoCAM comprennent (i) la gestion des non-linéarités dans les modèles d’estimation et de contrôle, (ii) la compensation des ambiguïtés dans l’estimation des grandeurs non observables, (iii) l’établissement de prévisions suffisamment précises pour la prise de décision, et (iv) l’utilisation de techniques d’estimation et de contrôle efficaces et capables de fonctionner en temps réel.

Sujet :
Estimation et contrôle robustes des co-manipulateurs aériens

Profil du candidat :
Diplôme universitaire ou d’ingénieur en mathématiques appliquées (méthodes statistiques et numériques), en théorie du contrôle (robotique), en génie électrique (traitement du signal, mécatronique) ou en informatique (contrôle numérique).

Pour plus de détails, voir : https://enstaparis.recruitee.com/o/doctorant

Formation et compétences requises :
Connaissances de niveau master dans au moins l’un des domaines suivants : estimation robuste, contrôle prédictif, contrôle numérique.

Adresse d’emploi :
ENSTA Campus Paris-Saclay
828 boulevard des Maréchaux
91762 Palaiseau – Cedex

Document attaché : 202606010954_rocam-offre-de-these.pdf

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

Laboratoire/Entreprise : SAMVOAR
Durée : 3 ans
Contact : julien.romero@telecom-sudparis.eu
Date limite de publication : 2026-07-08

Contexte :
Le recrutement numérique se heurte de manière récurrente au problème de démarrage à froid bilatéral, où les offres d’emploi et les candidats nouvellement arrivés ne disposent d’aucun historique d’interaction. Le projet GRAIL (Grounded Recommendation with Auditable Inference Links), financé par les bourses Hi!Paris et rattaché au laboratoire SAMOVAR, vise à combler cette lacune en proposant une approche ancrée et auditable de l’apprentissage des recommandations pour le recrutement.

Sujet :
La thèse est structurée autour de trois objectifs scientifiques principaux :

1. Concevoir un pipeline d’extraction tenant compte de l’incertitude afin de déduire les compétences implicites à partir des textes (CV et offres d’emploi), en y associant des scores de confiance et une traçabilité de la provenance.
2. Développer un système de recommandation génératif hybride capable de proposer des arêtes d’interaction candidat-offre manquantes. Chaque recommandation devra être justifiée par un lien d’inférence auditable, défini comme un sous-graphe de preuves compact reliant directement les exigences du poste au profil du candidat.
3. Mettre en œuvre un audit rigoureux de l’équité ciblant l’égalité des chances lors de la phase de sélection des candidats, en fournissant des rapports transparents sur les compromis entre utilité et équité.

Profil du candidat :
Le candidat doit faire preuve d’un fort intérêt pour la résolution de problèmes complexes à l’intersection de la compréhension du langage et des données structurées. Une expérience préalable en recherche est vivement recommandée.

Formation et compétences requises :
Diplôme de niveau Master ou équivalent en informatique, intelligence artificielle ou science des données.Solides compétences en programmation, en conception d’algorithmes et en expérimentation à grande échelle.
Connaissances fondamentales et maîtrise technique des systèmes d’apprentissage automatique, du traitement du langage naturel (NLP), des modèles de fondation ou de l’apprentissage sur les graphes.

Adresse d’emploi :
Télécom SudParis, Institut Polytechnique de Paris, Palaiseau, Île-de-France, France.

Document attaché : 202606081220_PhD Thesis Proposal_ GRAIL Project.pdf

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

Laboratoire/Entreprise : LITIS-INSA Rouen
Durée : 3 ans
Contact : aomar.osmani@insa-rouen.fr
Date limite de publication : 2026-09-01

Contexte :
Thèse financée dans le cadre des allocations de recherche état/région.

Sujet :
Meta-Learning and Artificial General Intelligence for a
Computational Theory of Assistance to Human Learning

Profil du candidat :
Nous recherchons un(e) candidat(e) issu(e) d’un M2 ou diplôme d’ingénieur en informatique, data science, IA ou sciences cognitives computationnelles, en mathématiques avec une forte appétence pour
la recherche.

Compétences souhaitées :
— bases solides en ML/DL ;
— intérêt pour les sciences cognitives, les sciences de l’éducation, ou l’optimisation ;
— goût pour la modélisation mathématique et pour la modélisation et la programmation ;

— des connaissances en méta-apprentissage, RL, modèles séquentiels (RNN/Transformers) consti-
tuent un plus.

Environnement :
— Projet pluridisciplinaire (IA, sciences cognitives, ingénierie pédagogique) à fort impact sociétal ;
— ressources de calcul et données pour des expérimentations à grande échelle ;
— valorisation attendue dans des conférences internationales (NeurIPS, ICLR, AIED, etc.).

Formation et compétences requises :
ML/DL, programmation (Python), expérience PyTorch/TensorFlow appréciée ;

intérêt pour éducation/cognition ; méta-learning/RL/modèles séquentiels

Adresse d’emploi :
INSA de Rouen
685 Avenue de l’Université 76800 Saint-Etienne-du-Rouvray

Document attaché : 202602171414_sujetAnglais(1).pdf

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

Laboratoire/Entreprise : DICEN
Durée : 5-6 mois
Contact : olivier.champalle@univ-eiffel.fr
Date limite de publication : 2026-07-01

Contexte :

Sujet :
Nous nous intéressons à la notion de similarité entre exercice dans le cadre des enseignements algorithmique et de programmation informatique quelque soit le langage.
L’idée est de comprendre si il est possible d’identifier des exercices (énoncé + correction) « proches » ou « distants » entre-eux et comment caractériser cette distance de manière à créer une classification réutilisable.
Cette classification pourrait prendre en compte :
– les concepts ou notions d’algorithmique et leur maîtrise nécessaire
pour répondre correctement à l’exercice
– les compétences propre au langage (python, java, C, ..) et leur niveau de
maîtrise

Une telle classification permettrait de recommander et/ou substituer des exercices à d’autres en garantissant que les étudiants devront mobiliser, et donc renforcer, des notions et concepts proches attendus pour la bonne réalisation de l’exercice.

Les applications potentielles d’une telle recherche (sur le long terme), pourraient être déployées dans des EIAH de type exerciseur pour permettre à des étudiants de s’entraîner sur des exercices auto-corrigés, mais aussi d’assister les enseignants dans la réutilisation d’exercice sur étagère.
Un autre terrain d’application pourrait être de faciliter la validation ou l’invalidation d’exercices générés par IA.

Attendu  :

– Une analyse de l’état de l’art de la littérature scientifique sur la notion de similarité entre exercices, algorithmes, code, ainsi que les moyens utilisés et leurs terrains d’application: similarité entre algorithme, AST [ZS89], ML, TAL [RG19], …
– Création / adaptation / réutilisation (en fonction de la littérature) d’une ou de plusieurs méthodes de détection de similarité entre exercicies
– Validation et calibration sur des données expérimentales

Le ou la candidate pourra s’appuyer sur un travail préliminaire de M1 qui a déjà permis de construire une base de données d’exercices et d’explorer quelques premières méthodes automatique de détection de similarité [A.Ziani25].

Références :

[RG19] Nils Reimers and Iryna Gurevych. Sentence-bert : Sentence embeddings using siamese bert-networks. arXiv preprint arXiv :1908.10084, 2019.

[A.Ziani25] Adel Ziani, Détection automatique d’exercices de programmation similaires, rapport de stage de M1 informatique, 2025

[ZS89] Kaizhong Zhang and Dennis Shasha. Simple fast algorithms for the editing distance between trees and related problems. SIAM journal on computing, 18(6) :1245–1262, 1989.

Profil du candidat :
M2 informatique profil IA (ML & TAL) ainsi qu’ un intérêt pour la recherche

Formation et compétences requises :
A minima :
– Langage Python,
– bibliothèque d’analyse de données et de ML (pandas, scikit-learn, …)
– connaissance en TAL (vectorisation, …)

Adresse d’emploi :
UNIVERSITE GUSTAVE EIFFEL,
Campus de marne la vallée 5 BD Descartes 77454 CHAMPS-SUR-MARNE FRANCE

Document attaché : 202605040736_Dicen_Similarite_M2.pdf