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

Laboratoire/Entreprise : LIRIS & University of Milano
Durée : 3 ans
Contact : genoveva.vargas@gmail.com
Date limite de publication : 2026-04-15

Contexte :
**********************************************************************************
GreenFieldData: agricultural practices of the future
14 EU-funded Double Diploma PhDs
https://www.eu4greenfielddata.eu/phd-positions-application/list-of-phds
**********************************************************************************

Sujet :
GreenFieldData Marie Skłodowska-Curie Project is offering 14 EU-funded double-diploma PhD positions in digital agriculture at the intersection of IoT and robotics, data engineering, data management, and data analysis. The network brings together academic and non-academic partners across several countries and offers an interdisciplinary doctoral environment with joint supervision, international collaboration, and research connected to important challenges such as climate change and low-input agricultural systems.

We would particularly appreciate your support in encouraging women to apply. We are looking for scientists who can widen how agriculture is imagined, studied, and innovated. Different bold perspectives and skills matter, and we want to help build a research community that is both vibrant and inclusive.

The positions are also framed by supportive working conditions, attention to work–life balance, and room for different personal situations, which we believe are essential for meaningful and sustainable research careers.

The application deadline is 15 April 2026 (https://www.eu4greenfielddata.eu/phd-positions-application/how-to-apply)

Please feel free to circulate the poster and the call within your networks, mailing lists, associations, and communities. Your support would be extremely valuable in helping us reach more potential candidates.

With many thanks in advance for your help and solidarity,

GreenFieldData Project Publicity Board

Profil du candidat :
We are looking for scientists who can widen how agriculture is imagined, studied, and innovated. Different bold perspectives and skills matter, and we want to help build a research community that is both vibrant and inclusive.

Formation et compétences requises :

Adresse d’emploi :
University Claude Bernard Lyon 1, Lyon, France
University of Milano, Milano, Italy

Document attaché : 202603211717_w-greenfielddata.pdf

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

Laboratoire/Entreprise : Laboratoire U2IS, ENSTA campus Paris-Saclay
Durée : Tenure Track
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-04-17

Contexte :
ENSTA, établissement d’enseignement supérieur et de recherche classé dans le Top 10 des meilleures écoles d’ingénieurs en France, recrute un Enseignant Chercheur (F/H). 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, parmi lesquelles : IP Paris (École Polytechnique, École des Ponts, ENSTA, ENSAE Paris, Télécom Paris, Télécom SudParis), 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 de professeur, financé par une chaire d’excellence « Adaptation multimodale pour modèles de foundation » du programme Hi! PARIS Cluster 2030. Ce poste bénéficie d’un financement attractif sur 3 ans, d’un écosystème dynamique en IA et robotique, ainsi que d’un accès à des ressources expérimentales et computationnelles de premier plan. Les candidatures seront examinées aux niveaux Assistant Professor, Associate Professor ou Full Professor, selon l’expérience et le parcours des candidats.

Sujet :
Le titulaire du poste intégrera l’U2IS pour y développer son activité de recherche en cohérence avec la stratégie de l’unité et participer aux enseignements gérés par cette dernière.

Sur le plan de la recherche, ce poste porte sur les techniques d’adaptation pour des modèles fondamentaux multimodaux, permettant un apprentissage et une perception robustes dans des environnements dynamiques et variés — en robotique ou au-delà. Les sujets incluent, sans s’y limiter :
• Modèles multimodaux : apprentissage intermodal et fusion de représentations (vidéo RGB/IR, 3D, audio, texte, proprioception, IoT)
• Données dynamiques : modélisation efficace de données temporelles
• Adaptation et apprentissage en ligne : fine-tuning dynamique de modèles fondamentaux
• Méthodes d’apprentissage actif : modélisation de mécanismes naturels pour l’apprentissage multi-tâches
• Adaptation auto-supervisée / semi-supervisée : exploitation de données non annotées pour une adaptation réaliste et scalable
L’activité de recherche devra s’inscrire en complément des activités déjà développées par l’unité, en particulier dans les domaines de l’intelligence artificielle, la robotique et l’interaction homme-robot.

Sur le plan de l’enseignement, le candidat retenu s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’Information et de l’Informatique (S2I) de l’ENSTA (campus de Paris-Saclay). Il participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues), en particulier pour
• contribuer à l’enseignement en informatique, robotique et IA à l’ENSTA sur le campus Paris-Saclay, ainsi qu’au sein des programmes master d’IP Paris,
• encadrer des doctorants et étudiants de tous les niveaux, et participer à l’apprentissage par projets.
Dans le cadre de la nouvelle ENSTA, il 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.

Profil du candidat :
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 Professeur des Universités n’est pas requise mais sera appréciée. Un candidat expérimenté 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 :
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.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-sur-une-chaire-dexcellence-hiparis-cluster-2030-adaptation-multimodale-pour-modeles-de-foundation

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

Contexte :

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

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

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

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

Profil du candidat :

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

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

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

Laboratoire/Entreprise : Laboratoire U2IS, ENSTA campus Paris-Saclay
Durée : Tenure Track
Contact : goran.frehse@ensta-paris.fr
Date limite de publication : 2026-04-17

Contexte :
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, parmi lesquelles : IP Paris (École Polytechnique, École des Ponts, ENSTA, ENSAE Paris, Télécom Paris, Télécom SudParis), 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 de professeur, financé par une chaire d’excellence « Grands modèles pour la robotique » du programme Hi! PARIS Cluster 2030. 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. Les candidatures seront examinées aux niveaux Assistant Professor, Associate Professor ou Full Professor, selon l’expérience et le parcours des candidats.

Sujet :
Ce poste porte sur la recherche autour des grands modèles appliqués à la robotique, en lien avec le domaine émergent de l’Embodied AI, c’est-à-dire l’extension des capacités des grands modèles de langage à l’interaction physique et au contrôle robotique. L’objectif est de concevoir et d’entraîner de grands modèles multimodaux capables de piloter divers robots sur différentes tâches avec un minimum d’ajustements. Exemples de thématiques :
• Modèles Vision-Language-Action
• Perception et apprentissage multimodaux
• Apprentissage par imitation et par renforcement
• Transformers et pré-entraînement à grande échelle pour la robotique
L’activité de recherche devra s’inscrire en complément des activités déjà développées par l’unité, en particulier dans les domaines de l’intelligence artificielle, la robotique et l’interaction homme-robot.

Le (la) candidat(e) retenu(e) s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’Information et de l’Informatique (S2I) de l’ENSTA (campus de Paris-Saclay). Il (elle) participera aux enseignements des différentes formations de l’UFR S2I (cycles ingénieurs, Masters, formations continues), en particulier pour
• contribuer à l’enseignement en informatique, robotique et IA à l’ENSTA sur le campus Paris-Saclay, ainsi qu’au sein des programmes master d’IP Paris,
• encadrer des doctorants et étudiants de tous les niveaux, et participer à l’apprentissage par projets.
Dans le cadre de la nouvelle ENSTA, il (elle) sera amené(e) 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.

Profil du candidat :
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 Professeur des Universités n’est pas requise mais sera appréciée. Un candidat expérimenté 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 :
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.

Pour plus de détails, voir https://enstaparis.recruitee.com/o/enseignant-chercheur-sur-une-chaire-dexcellence-hiparis-cluster-2030-grands-modeles-pour-la-robotique

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 : ENSTA – Campus Brest / Lab-STICC UMR CNRS 6285
Durée : CDD puis CDI
Contact : jean-christophe.cexus@ensta.fr
Date limite de publication : 2026-04-19

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 recrute une enseignante-chercheuse ou un enseignant-chercheur en Télédétection radar et IA pour l’unité de formation et de recherche Sciences de l’information et de l’informatique (UFR S2I).

Sujet :
Le ou la titulaire du poste sera affecté au sein de l’UFR S2I qui a pour mission d’assurer les enseignements et la gestion des enseignements en sciences de l’information et en informatique dans le cadre de différentes formations (ingénieur, masters, doctorat, mastères spécialisés, diplômes d’établissement, formation continue). L’UFR développe également des activités de recherche dans les unités de recherche U2IS (campus de Paris-Saclay) et Lab-STICC (campus de Brest) 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 cinquantaine de doctorants/post-doctorants ainsi que plusieurs personnels techniques (ingénieurs, techniciens).

Profil du candidat :
La candidate ou le candidat contribuera aux activités du pôle SyPH (Systèmes photoniques & hyperfréquences), dans sa composante hyperfréquences et radiofréquences, en renforçant les apports de l’ENSTA sur la thématique de télédétection et radar.

Dans ce cadre, la candidate ou le candidat devra développer une activité concernant les thèmes :
– Télédétection et radar ;
– Compréhension des phénomènes physiques (interactions ondes/environnement) ;
– Moyens de simulation spécifiques et dispositifs expérimentaux dédiés.
– Méthodes numériques pour la modélisation des propagations et des cibles électromagnétiques
– Méthodes innovantes de traitement et d’analyse (particulièrement celles issues de l’IA et du machine-learning avec prise en compte des aspects physiques) ;

Mots-clés : système radar, guerre électronique, télédétection, radiofréquences, hyperfréquences, propagation EM, modélisation et simulation, expérimentation et analyse, IA et machine-learning.

Activités d’enseignement

La candidate ou le candidat retenu s’intégrera dans l’équipe pédagogique de l’UFR Sciences de l’information et de l’informatique (S2I) de l’ENSTA (campus de Brest). Elle ou il participera (objectif 192h équivalent TD) aux enseignements et à la gestion des enseignements des différentes formations de l’UFR S2I.

Ses missions consisteront à :
– Contribuer aux enseignements généralistes des différentes formations de l’ENSTA ;
– Assurer et gérer des enseignements pilotés par l’UFR S2I, en particulier ceux en lien avec les mathématiques tout particulièrement dans les formations d’ingénieur généraliste et de spécialité “défense et sécurité” ;
– S’impliquer dans les enseignements plus spécialisés, notamment ceux dispensés dans la voie d’approfondissement SOIA (Système d’observation et IA), ainsi que dans la future spécialité Système d’observation et traitements intelligents (SOTI) ouverte à partir de la rentrée 2028 ;
– Proposer, organiser et dispenser des enseignements dans son domaine d’expertise (avec une implication forte dans la formation continue “radar télédétection”, “mesures hyperfréquences”;
– Participer et contribuer aux travaux pratiques et d’expérimentation (logiciels spécialisés, chambre anéchoïque, …) ;
– Proposer, gérer et encadrer des projets étudiants éventuellement en partenariat avec des industriels ;
– S’impliquer dans les responsabilités pédagogiques de l’UFR ;
– Participer aux activités de promotion des formations (e.g. : journées portes ouvertes, …) ;
– Poursuivre la dynamique de développement des partenariats avec l’industrie au profit de la formation.

Pour plus détail consuler la page :
https://enstaparis.recruitee.com/o/enseignant-chercheur-en-teledetection-radar-et-ia

Formation et compétences requises :
Conditions de candidature

Le poste proposé est un contrat à durée déterminée de 3 ans renouvelable une fois puis transformé à terme en CDI une fois l’intégration et le bon niveau de réalisations académiques démontrés.

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 maître de conférences et/ou 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 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.

Adresse d’emploi :
ENSTA Campus de Brest (Bretagne, France)
2 Rue François Verny, 29200 Brest

Document attaché : 202603030743_ENSTA Brest – Enseignant-chercheur en Télédétection radar et IA.pdf

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

Laboratoire/Entreprise : ETIS/ENSEA
Durée : CDI de droit public
Contact : vassilis.christophides@ensea.fr
Date limite de publication : 2026-04-20

Contexte :
L’ENSEA est une grande école d’ingénieurs en électronique (au sens moderne du terme) si-tuée à Cergy-Pontoise (95). L’école est un établissement public, qui délivre près de 240 di-plômes par an, et accueille des étudiant.es préparant des diplômes de niveau Bac+3 (Bache-lor Human-IT), Bac + 5 (diplômes d’ingénieur ENSEA sous statut d’étudiant ou d’apprenti, diplômes de Master spécialisé et Master orienté recherche) et bac+8 (Doctorat en partenariat avec CY Paris Cergy Université). Depuis 1952, elle a formé plus de 8400 ingénieur·es. La mission de l’ENSEA est de former des diplômé·es capables de penser “au-delà” de l’ingénie-rie, polyvalent·es, ouvert·es sur le monde, expert·es dans leur domaine, passionné·es et cons-cient·es des responsabilités environnementales et sociétales. Les domaines d’excellence sont ceux de l’électronique, de l’informatique, des télécommunications, de l’IA et des systèmes embarqués. Les étudiant.es sont encouragé.es à personnaliser leur cursus par le choix de nombreuses options, parcours à l’international et double-diplômes en accord avec des univer-sités étrangères, et en participant activement à la vie de l’école au niveau associatif. L’ENSEA héberge également 10 équipes de recherche regroupées dans deux laboratoires de renommée internationale : ETIS, UMR CNRS spécialisée dans le traitement de l’information et des systèmes, et Quartz, laboratoire commun consacré aux sciences de l’ingénierie et, au sein de l’ENSEA, spécialisé dans le contrôle des systèmes, la mécatronique et l’électronique très haut débit.

Le laboratoire ETIS, UMR 8051 (CY Cergy Paris Université, ENSEA, CNRS) est un acteur majeur du traitement de l’information et des systèmes intelligents. Avec plus de 170 membres, ETIS mène des recherches interdisciplinaires au croisement du traitement du si-gnal, des sciences des données, de l’intelligence artificielle, de la robotique, des réseaux du futur, de la cybersécurité, de la conception de circuits et des systèmes cyber-physiques.
Les activités scientifiques du laboratoire s’inscrivent pleinement dans les grands enjeux sociétaux et technologiques portés par la Stratégie Nationale de Recherche et France 2030, en lien avec les transformations numériques, écologiques, sanitaires et sécuritaires qui traversent nos sociétés.
ETIS développe des approches allant de la modélisation théorique des systèmes complexes (systèmes cognitifs, réseaux hétérogènes, interactions multimodales) à la conception de méthodes d’apprentissage pour des systèmes autonomes et adaptatifs (IoT, robots interactifs, dispositifs biomédicaux, capteurs distribués, etc.). Sa dynamique s’appuie sur une démarche bottom-up, où chaque équipe fait émerger ses problématiques fondamentales tout en répondant à des besoins concrets issus de partenariats académiques ou industriels.
Le laboratoire est fortement impliqué dans les Programmes d’Investissement d’Avenir (Labex, Equipex, Equipex+, PEPR 5G et O2R), dans des projets ANR, Horizon Europe, CIFRE, ainsi que dans de nombreux partenariats industriels. Il accueille chaque année une dizaine de chercheurs invités et mène une politique affirmée de valorisation, incluant la création de spin-off et le développement de plateformes technologiques.
Les activités scientifiques sont organisées autour de quatre équipes — CELL, ICI, Data&AI, NeuroCyber, ainsi que d’un groupe transversal Design-STS articulant sciences de l’ingénieur, sciences humaines et design. Les activités expérimentales s’appuient sur sept plateformes thématiques couvrant capteurs, robotique, mouvement, images, réseaux, circuits.

Sujet :
Profil Recherche
L’intelligence artificielle visuelle (ou IA visuelle en abrégé) vise à tirer des enseignements utiles de données visuelles telles que des images et des vidéos intégrées dans de nombreuses applications
allant de la recherche scientifique à la fabrication industrielle. L’intelligence artificielle visuelle s’est traditionnellement concentrée sur la détection et la reconnaissance d’objets grâce à des architectures d’apprentissage profond, afin d’identifier et de catégoriser les objets du monde réel dans les données visuelles. Au-delà de la reconnaissance d’objets spécifiques, elle s’intéresse
également à l’interprétation des relations spatiales et du contexte d’une scène. Cette capacité lui permet de comprendre non seulement ce qui est présent, mais aussi comment ces éléments
interagissent entre eux et avec leur environnement. En effet, dans les environnements dynamiques, il est crucial de suivre les objets en mouvement et leurs évolutions au fil du temps. L’analyse du
mouvement permet aux systèmes d’IA de surveiller ces changements, qu’il s’agisse du déplacement d’un véhicule ou d’une personne dans un contexte de sécurité. Les capacités d’IA visuelle, qui permettent non seulement de voir mais aussi de percevoir l’environnement réel, sont essentielles pour combler le fossé d’intelligence entre les machines et les humains et développer des systèmes d’IA fiables pour une utilisation en monde ouvert. Les techniques d’IA générative sont de plus en plus précieuses à cet égard pour la compréhension, la reconstruction et la synthèse d’images dans des contextes hétérogènes.

Profil du candidat :
Nous recherchons notre futur⋅e collègue dont les travaux témoignent d’une reconnaissance scientifique au niveau international et d’un engagement fort en faveur de l’intégrité scientifique.
Le.a candidat.e contribuera au développement de méthodologies fondamentales en intelligence artificielle. Leurs travaux devront contribuer à la création de systèmes autonomes capables de s’adapter à des conditions changeantes et d’atteindre des objectifs sans intervention humaine. Les approches d’IA basées sur la vision explicable seront particulièrement appréciées pour identifier les raccourcis d’apprentissage visuel et favoriser une résolution de problèmes interdisciplinaire avec des experts dans différents domaines.
Des applications dans des domaines innovants, tels que l’analyse du mouvement humain, la médecine computationnelle, la découverte moléculaire, la surveillance de l’état de santé des machines ou le contrôle de qualité industriel seront appréciés.
Plus largement, le ou la candidat.e retenu devra contribuer activement à la stratégie quinquennale du laboratoire, qui privilégie le développement d’une IA embarquée, frugale et fiable, avec un fort accent sur les applications liées à la santé et le déploiement en conditions réelles dans des environnements aux ressources limitées. Une ouverture aux collaborations entre les équipes DATA&AI, CELL et NEUROCYBER sera particulièrement appréciée
L’équipe Data&AI recherche un.e candidat.e pour mener des recherches innovantes sur l’ IA visuelle en prenant en compte les interactions potentielles du contenu visuel (images, vidéo) avec
d’autres modalités (texte, audio) ainsi que sur des techniques de reconnaissance visuel intégrés dans des systèmes de l’IA Agentique qui nous permettent non seulement de comprendre mais aussi
d’agir de façon autonome dans des contextes complexes.

Formation et compétences requises :
Profil Enseignement
Le.a maître.sse de conférences recruté.e s’investira dans les enseignements plus spécifiques en traitement d’images et de vidéos (chaîne de traitement, algorithme, deep learning…) des spécialités Signal Intelligence Artificielle et Electronique pour le Vivant et les Ecosystèmes de la formation d’ingénieur sous statut étudiant. La personne recrutée sera aussi amenée à intervenir dans les enseignements de traitement des images du cycle ingénieur plus globalement, y compris en anglais, et du Bachelor « Human-IT ». Par ailleurs, le.a candidat.e recruté.e participera aux réflexions menées dans les départements pédagogiques y compris dans les réflexions sur l’intégration des enjeux de transition environnementale et de sobriété dans les différents cursus de l’école. Il.elle pourra s’investir dans des missions liées aux activités pédagogiques ou dans des missions variées en lien avec le développement de l’établissement au niveau national et international.

Adresse d’emploi :
6 Avenue du Ponceau, 95000, CERGY

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

Laboratoire/Entreprise : Paris Brain Institute – Institut du Cerveau
Durée : 5 years
Contact : center.ai.datascience@icm-institute.org
Date limite de publication : 2026-04-27

Contexte :
The Paris Brain Institute (Institut du Cerveau) is an internationally renowned institute dedicated to advancing understanding of the brain and improving brain health across the whole spectrum of neurological and psychiatric disorders. It is located on the campus of the Pitié-Salpêtrière hospital, in downtown Paris, the largest hospital in Europe for brain disorders. The Paris Brain Institute is supported by a private not-for-profit foundation working in synergy with French public bodies, and affiliated with Sorbonne Université, CNRS and Inserm. It also has two joint research teams with Inria

The Paris Brain Institute has recently launched an ambitious center for AI and data science, currently gathering about 100 people with the objective of scaling up to 150. The aim of the Center is to make the Paris Brain Institute an international hub in AI and data science for neuroscience, resulting in disruptive methodological advances and in major breakthroughs in understanding, preventing and treating brain disorders. The AI Center is housed in a modern building, a 5-minute walk from the main building.

Sujet :
The Paris Brain Institute (https://parisbraininstitute.org/) seeks to recruit Junior Group Leaders in the fields of AI, data science and computational sciences to address key challenges in brain health and neuroscience.

Areas of interest include, but are not limited to:
AI and data science for omics data
AI for drug discovery and repositioning
Computational modelling and AI for cognitive science
Data science approaches for epidemiology
Integration of multimodal data
“NeuroAI” research at the interface of AI and neuroscience
Validation and benchmarking of AI systems

The Junior Group Leader will be recruited for five years, as a principal investigator, with a competitive salary. They will be awarded an attractive start-up package for kick-starting their group.

For more details, please refer to the call content and application platform: https://institut-du-cerveau.wiin.io/en/applications/call-for-juniorgroupleaders

Application deadline: April 26th, 2026, 23h59 CET

Approximate schedule
End of May 2026 – First shortlisting and notification of potential interview date
Early July 2026 – On-site interviews at the Paris Brain Institute (Paris, France)
July 2026 – Notification of result
From October 2026 – Start of the position (starting date is negotiable)

Profil du candidat :
The following are not requirements, but we are typically looking for applicants with:
– Proven excellence in scientific research, demonstrated by publications in international, peer-reviewed journals and/or conferences
– Track record of innovative research in the design and/or use of AI, data science and/or computational approaches
– Strong motivation to pursue a research program addressing new challenges in AI, data science and/or computational science to advance neuroscience and brain health
– Collaborative mindset and eagerness to leverage synergies within the Paris Brain Institute and its network
– Not more than 7 years of academic age (“Academic age” is the number of years after the date of the PhD defense, from which can be deducted durations related to matters such as maternity, paternity, or parental leave, illness, national service, clinical activities etc. Please refer to the application template for specific details.)

Formation et compétences requises :
Requirements
To be eligible, the applicant must:
– Hold a PhD or equivalent doctoral degree
– Have an international dimension, namely the applicant should meet one of the two following conditions: i) has obtained their PhD outside France OR ii) has spent at least 18 months outside France after their PhD when the call opens

Adresse d’emploi :
47 boulevard de l’hopital, 75013 Paris, France

Document attaché : 202602191551_FINAL – A1 – Call for junior group leaders in AI and data science.pdf

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

Laboratoire/Entreprise : Nantes Université
Durée : permanent
Contact : christine.sinoquet@univ-nantes.fr
Date limite de publication : 2026-04-27

Contexte :
Un poste de Maître de Conférences (section 27) est ouvert au recrutement à Nantes Université – Polytech Nantes – Département Informatique, avec un rattachement en recherche possible auprès de l’équipe DUKe du LS2N (Laboratoire des Sciences du Numérique de Nantes).

Sujet :
———————

Profil du candidat :
Pour le rattachement recherche à l’équipe DUKe, deux profils sont possibles, couvrant les spectres suivants :

– Premier profil :

+ Intelligence artificielle axée sur l’apprentissage automatique, garantissant simultanément l’équité, l’explicabilité et la confidentialité

+ Anonymisation des données

– Deuxième profil :

+ Apprentissage automatique fondé sur les graphes, les réseaux de neurones profonds sur graphes (GNN) et la fouille de données

+ Exploitation de structures graphiques pour modéliser des données complexes (temporelles, multimodales, irrégulières), construire des ontologies et recommander des ressources

+ Modèles graphiques probabilistes

+ Modélisation des processus, notamment en santé

Formation et compétences requises :
Les profils complets sont disponibles dans le fichier joint.

Adresse d’emploi :
POLYTECH Nantes pour l’enseignement
L’un des sites du LS2N, à Nantes, pour la recherche.

Document attaché : 202602081226_POLYTECH_INFO_LS2N_concours_MC_1898.pdf

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

Laboratoire/Entreprise : LIASD (Université Paris 8)
Durée : Permanent
Contact : nicolas.jouandeau@univ-paris8.fr
Date limite de publication : 2026-04-27

Contexte :

Sujet :
Enseignement : La personne recrutée enseignera en Licence informatique, pour répondre à la nécessité récurrente de renforcement de son équipe pédagogique face à l’augmentation de l’effectif étudiant. Cette personne interviendra dans des enseignements de la majeure informatique et la mineure conception et programmation de jeux vidéo, prioritairement dans des cours d’algorithmique, d’intelligence artificielle, et de programmation.

Recherche : La personne recrutée renforcera l’équipe PASTIS du LIASD dans l’un des domaines suivants : intelligence artificielle, jeux, langues naturelles, logiques non classiques, modélisation de la croyance, informatique graphique, privacy, systèmes dynamiques symboliques, combinatoire.
Une attention particulière sera portée aux candidatures issues de la communauté IA des jeux, mais toute candidature liée aux domaines de recherche de l’équipe PASTIS sera étudiée avec intérêt.

Profil du candidat :

Formation et compétences requises :
+ d’info/profil du poste >>> https://informatique.up8.edu/actu/2025-2026.html#2026-01-05_13-12

Adresse d’emploi :
Adresse d’emploi :
Université Paris 8
2 Rue de la liberté
93526 Saint Denis

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

Laboratoire/Entreprise : Université de Technologie de Troyes
Durée : 4 ans (2+2)
Contact : malika.kharouf@utt.fr
Date limite de publication : 2026-04-29

Contexte :
L’expert (F/H) en Intelligence Artificielle sera intégrée à la Direction de la Formation et de la Pédagogie (DFP) de
l’Université de Technologie de Troyes (UTT). Dans le cadre du Cluster IA Hi!Paris, financé par France 2030, elle fera
partie d’une équipe projet impliquant la formation initiale, la formation continue, la coopérative pédagogique (le centre
d’innovation pédagogique de l’UTT) et aura pour missions principales :
1. Le soutien actif à la création et la mise à jour des contenus pédagogiques dédiés au Bachelor en Intelligence
Artificielle.
2. L’apport de son expertise technique et scientifique aux équipes enseignantes, de la DFP et de la Coop afin
d’assurer la qualité, la pertinence et l’innovation des contenus proposés.
3. Assurer un volume annuel de 100 heures équivalent Travaux Dirigés (TD)
4. Contribuer aux comptes rendus, rapports d’activité et constitution de pièces justificatives demandées par le
financeur.

Sujet :
Activités principales :
• Identifier les besoins spécifiques en formation IA.
• Adapter les contenus pédagogiques à différents publics (débutants, confirmés, professionnels).
• Assister les équipes pédagogiques dans l’intégration des dernières avancées technologiques et scientifiques en IA.
• Organiser des sessions de formation interne et/ou d’accompagnement pédagogique.
• Dispenser des enseignements de l’IA comprenant cours magistraux, travaux dirigés, travaux pratiques et projets.
• Évaluer les compétences acquises par les étudiants.
• Participer aux jurys d’examen et à la coordination pédagogique du Bachelor.• Garantir la pertinence, l’actualité et l’évolutivité des ressources pédagogiques en fonction des avancées du
domaine
• Contribuer à la démarche qualité des formations : recueil des retours d’expérience, évaluation des apprentissages,
ajustements continus
• Soutenir, ponctuellement, les activités de la DFP

Profil du candidat :
• Connaissances approfondies des fondements théoriques et techniques de l’Intelligence Artificielle (machine
learning, deep learning, NLP, vision artificielle, systèmes experts, apprentissage par renforcement, éthique de l’IA,
optimisation algorithmique, statistiques avancées).
• Connaissances générales des principaux outils et plateformes utilisés en IA (TensorFlow, PyTorch, scikit-learn, Keras,
etc.).
• Capacité à créer, adapter et mettre à jour des contenus pédagogiques innovants adaptés à différents formats
(présentiel, distanciel, hybride).
• Mise en œuvre de cas réels ou simulés d’utilisation de l’IA lors de projets ou de TP.
• Maîtrise des outils technologiques et pédagogiques liés à l’IA.
• Aptitude à évaluer efficacement les compétences des étudiants.
• Rédiger des documents pédagogiques, rapports d’activités, bilans et supports de communication

Formation et compétences requises :

Adresse d’emploi :
12 rue Marie Curie, 10300 Troyes

Document attaché : 202509111211_F_H Ingénieur_Expert_IA.pdf

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

Laboratoire/Entreprise : Télécom Paris – LTCI
Durée : CDI
Contact : sebastien.canard@telecom-paris.fr
Date limite de publication : 2026-04-30

Contexte :
Télécom Paris, centre international pluridisciplinaire de formation, recherche et innovation, est une référence dans le monde du numérique.
Dans un contexte fortement d’actualité, où l’essor simultané de l’intelligence artificielle (IA) et de la cybersécurité transforme profondément les systèmes numériques et crée un besoin croissant d’expertise à leur interface. L’IA est aujourd’hui à la fois un outil, une cible, une menace, et un levier de protection.
C’est pourquoi le département Informatique et Réseaux (INFRES) et plus particulièrement l’équipe Cybersécurité et Cryptographie (C2) a besoin de se renforcer grâce au recrutement d’un ou une maître.sse de conférence en IA et cybersécurité, capable de travailler dans ce domaine avec les nombreuses équipes de l’École telles que Systèmes embarqués critiques autonomes (ACES), Données, Intelligence et Graphes (DIG) à INFRES ou également Statistique, Signal et Apprentissage (S2A) à IDS, mais aussi avec d’autres équipes de l’Institut Polytechnique de Paris à l’École Polytechnique ou à Télécom SudParis. Ce recrutement vise à renforcer la formation et la recherche sur ces enjeux émergents, en intégrant des compétences transversales allant des techniques d’apprentissage automatique à la sécurité des systèmes et des données.

Sujet :
Les expertises attendues couvrent un spectre large mais cohérent situé au cœur des interactions entre intelligence artificielle et cybersécurité :
– la compréhension et la modélisation des attaques exploitant l’IA (techniques d’apprentissage génératif : phishing avancé, reconnaissance de vulnérabilités, génération de trafic ou de charges malveillantes)
– la conception et l’évaluation de méthodes d’IA pour la détection d’intrusions, l’analyse comportementale, la corrélation d’événements massifs, la détection d’anomalies, la classification de malwares, le traitement de flux distribués (edge computing, apprentissage fédéré)
– la sécurité intrinsèque de l’IA, notamment la robustesse des modèles (défense contre-attaques adversariales, résistance aux manipulations et aux corruptions de données), la protection des données utilisées pour l’entraînement ou l’inférence (confidentialité, anonymisation, préservation de la vie privée, techniques cryptographiques ou fédérées), la traçabilité et la confiance dans les modèles (certification, explicabilité, auditabilité), ainsi que la sécurité des chaînes d’apprentissage et des environnements d’exécution.

Profil du candidat :
Vos missions seront donc celles-ci :
– Recherche : les candidats et candidates pourront se positionner sur une ou plusieurs de ces dimensions, et une attention particulière sera portée à la capacité à articuler l’IA et la cybersécurité, avec des contributions théoriques, méthodologiques ou expérimentales permettant d’éclairer et de renforcer la sûreté, la robustesse et la résilience des systèmes numériques contemporains. Le poste s’adresse à la fois à des chercheurs et chercheuses en IA disposant d’une forte appétence pour la cybersécurité, et à des profils présentant une double compétence IA–cybersécurité, capables de contribuer au développement de travaux académiques de haut niveau dans ce domaine en pleine structuration.
– Enseignement : la future personne pourrait être amenée à intervenir dans les enseignements fondamentaux (algorithmique, structures de données, probabilités, statistiques, optimisation, programmation, réseaux, systèmes) qui constituent la base indispensable à la maîtrise des approches modernes en IA et en sécurité numérique. Parallèlement, l’ouverture récente d’un parcours dédié à l’IA et à la cybersécurité crée un besoin important d’expertise pédagogique sur l’apprentissage automatique, sécurité des réseaux et des systèmes, détection d’intrusions, sécurité et robustesse des modèles, protection des données, cryptographie appliquée, etc. Le ou la candidat·e recruté·e aura ainsi un rôle structurant dans la coordination et l’articulation des enseignements du domaine, en participant à la conception de nouveaux modules, en veillant à l’intégration harmonieuse des compétences IA et cybersécurité dans les cursus.
– Animation et participation à la notoriété de l’école et de l’institut Polytechnique de Paris : la personne participera à des séminaires, soutenances, etc, et développera des relations étroites avec les institutions académiques, les centres de recherche et les entreprises.

Formation et compétences requises :
Pour réussir dans ce rôle, vous devrez également disposer d’un doctorat et maîtriser l’anglais.

Adresse d’emploi :
Pour candidater : https://institutminestelecom.recruitee.com/o/enseignante-chercheuse-ou-enseignant-chercheur-en-ia-et-cybersecurite

Télécom Paris
19 place Marguerite Perey
91120 Palaiseau

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

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

Contexte :
MCF 27 – Informatique

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

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

Poste Vacant

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

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

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Polytech Annecy Chambéry
Annecy – 74000

Document attaché : 202602051025_2026_44mcf27_pac_listic_short.pdf

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

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

Contexte :

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

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

Formation et compétences requises :

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

Document attaché : 202602050217_2026_Postdoc_Axolotl.pdf

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

Laboratoire/Entreprise : VERIMAG / Grenoble INP-Ensimag, UGA
Durée : poste permanent
Contact : david.monniaux@univ-grenoble-alpes.fr
Date limite de publication : 2026-06-01

Contexte :

Sujet :
Un poste de Professeur⋅e des Universités va être ouvert en section 27
au laboratoire VERIMAG et à Grenoble-INP Ensimag pour la campagne
synchronisée 2026.

Contacts :
– David Monniaux pour la
recherche ;
– Christophe Picard et Emmanuel
Maître pour l’enseignement.

Profil du candidat :
Le profil recherche de ce poste est à l’intersection entre
l’intelligence artificielle et les sciences du logiciel et les méthodes
formelles. Parmi les thématiques possibles, on pourra citer :

* l’apprentissage automatique de confiance
* l’apprentissage automatique explicable
* le monitoring de systèmes issus de l’apprentissage automatique
* la vérification de propriétés sur des systèmes issus de
l’apprentissage automatique
* l’apprentissage automatique de lois de commandes
* l’utilisation de l’apprentissage automatique pour le développement de
logiciels vérifiés
* l’utilisation de l’apprentissage automatique pour la preuve
automatisée de théorèmes
* recherche de vulnérabilités de sécurité aidée par l’apprentissage
automatique
* sûreté et sécurité des modèles de langage

Cette liste n’est pas exhaustive et toute proposition de thème connexe
en lien avec les domaines de recherche du laboratoire pourra être
considérée.

Côté enseignement, outre les enseignements d’informatique traditionnels
de cycle ingénieur (en algorithmique et programmation notamment), il
est attendu de la personne recrutée qu’elle s’investisse en particulier
dans l’enseignement et l’animation des parcours autour de
l’intelligence artificielle, à la fois en cycle ingénieur et en master,
en développant également des enseignements autour des enjeux
socio-environnementaux de l’IA et de l’explicabilité.

Formation et compétences requises :

Adresse d’emploi :
Ensimag
681 rue de la Passerelle
38400 Saint Martin d’Hères

Laboratoire VERIMAG
150 place du Torrent
38400 Saint MArtin d’Hères

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Profil du candidat :

Formation et compétences requises :

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

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

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

Contexte :

Sujet :
Voir en attaché la description du sujet.

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

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

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

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

Formation et compétences requises :

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

Document attaché : 202601261037_Sujet_These_Loic-Allel.pdf

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

Laboratoire/Entreprise : IRISA Vannes (équipe OBELIX) et European Commissio
Durée : 36 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Nous proposons trois thèses dans le domaine de la vision par ordinateur appliquée à l’observation de la terre avec des applications en soutien aux politiques européennes. Elles seront conduites au sein de l’équipe OBELIX de l’IRISA à Vannes (Bretagne), en partenariat avec le Centre de Recherche Commun de la Commission Européenne (Ispra, Italie), et le soutien du cluster IA SequoIA. Les thèses se dérouleront en Italie pour 2026 et 2027, et en France pour 2028, 2029.

1) Global multi-task learning for mapping and characterizing human settlements from EO data (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2588)

2) Backcasting anthropogenic infrastructures over a century of historical EO data and maps (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2591)

3) Explainable multimodal AI using geospatial data for rapid estimation of displacement and people in need in crises (lien pour plus d’infos et candidater: https://amethis.doctorat.org/amethis-client/prd/consulter/offre/2592)

Attention, des contraintes de nationalité sont imposées pour les trois sujets (plus de détails dans les descriptifs des sujets).

Date limite pour candidature: 15 janvier 2026 pour un démarrage à partir d’avril 2026.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Ispra, Italie en 2026 et 2027
Vannes, France en 208 et 2029

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

Laboratoire/Entreprise : Laboratoire de Génie Informatique et d’Automatique
Durée : 36 mois
Contact : sebastien.ramel@univ-artois.fr
Date limite de publication : 2026-04-30

Contexte :
* TITRE

Quantification de l’incertitude prédictive, fondée sur la théorie de l’évidence, appliquée à l’estimation des traits de vie des poissons à partir d’images d’otolithes 3D

* THEMATIQUE

Intelligence Artificielle, Apprentissage Automatique, Science des Données

* MOTS CLES

Théorie de Dempster-Shafer, Quantification de l’incertitude, Traits de vie, Écosystèmes marins, Otolithe.

* DATE DE DEBUT ET DUREE

Septembre/Octobre 2026, 36 mois

* FINANCEMENT

50% IFSEA / 50% Université d’Artois (demandé)

* LOCALISATION

Les travaux seront menés en collaboration entre le Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A) à Béthune et le Laboratoire d’Informatique Signal et Image de la Côte d’Opale (LISIC) à Calais.

* ENCADREMENT

Directeur : Prof. Frédéric Pichon (frederic.pichon@univ-artois.fr), Université d’Artois, LGI2A
Co-directrice : Prof. Emilie Poisson Caillault (emilie.caillault@univ-littoral.fr), Université du Littoral Côte d’Opale, LISIC
Co-encadrant : Dr. Sébastien Ramel (sebastien.ramel@univ-artois.fr), Université d’Artois, LGI2A

Sujet :
La connaissance des traits de vie des poissons (habitat, âge, croissance, reproduction, longévité, position dans la colonne d’eau…) est un aspect essentiel pour une gestion efficace et durable des stocks de poissons marins. Les pièces calcifiées, et précisément les otolithes qui sont les seules pièces métaboliquement inertes, sont une source d’information précieuse à cette fin. Notamment, leur forme externe, caractérisée historiquement à partir d’images en 2D et plus récemment étudiée en 3D, permet de prédire de façon très précise ces différents traits de vie. Les images 3D, si elles sont plus informatives, sont néanmoins plus coûteuses et récentes et par conséquent moins nombreuses. Il convient donc d’utiliser au mieux cette source d’information riche mais restreinte, afin d’obtenir les prédictions les plus fiables et précises possibles. La théorie de l’évidence, aussi appelée théorie de Dempster-Shafer ou théorie des fonctions de croyance, est une généralisation du cadre probabiliste pour le raisonnement sous incertitudes. Son utilisation dans le cadre de la quantification des incertitudes dans des prédictions est particulièrement indiquée pour le cas où le nombre de données est faible. Ce projet de thèse vise ainsi à développer des méthodes prédictives fondées sur cette théorie et adaptées aux approches actuelles en matière de prédiction des traits de vie des poissons à partir d’images d’otolithes 3D. Étant donné la nature de ce type d’application, au niveau méthodologique, la prédiction de variables ordinales sera au centre du projet.

Plus de détails disponibles ici: https://www.lgi2a.univ-artois.fr/spip/fr/postes_ouverts/poste-ouvert-32

Profil du candidat :
La candidate ou le candidat devra être titulaire d’un master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe. Des connaissances en intelligence artificielle (apprentissage automatique) et/ou en traitement de l’image seront un atout, ainsi qu’une sensibilisation aux méthodes de gestion de l’incertitude. Les qualités permettant de mener à terme un programme de doctorat telles que la curiosité, la créativité, l’autonomie, l’esprit critique et l’enthousiasme, seront nécessaires.

Formation et compétences requises :
Master ou d’un titre d’ingénieur en informatique, mathématiques appliquées ou champ connexe.

Adresse d’emploi :
LGI2A – Laboratoire de Génie Informatique et d’Automatique de l’Artois – UR 3926
Faculté des Sciences Appliquées
Technoparc Futura
62400 – BÉTHUNE Cedex
France

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

Laboratoire/Entreprise : CEDRIC@CNAM – LIP6@Sorbonne Université
Durée : 36 mois
Contact : cedric.du_mouza@cnam.fr
Date limite de publication : 2026-04-30

Contexte :
Le passage des sources historiques manuscrites vers des formats
numériques a longtemps été marqué par la dépendance aux bases de données relationnelles. Si le format tabulaire a permis
de quantifier certains phénomènes et de soutenir l’histoire sérielle, il se révèle peu adapté pour représenter des parcours
biographiques complexes ou des questionnements qui évoluent au fil du temps. L’adoption de graphes de connaissances
(KG) marque ainsi un tournant méthodologique majeur, en offrant un modèle où l’information n’est plus conçue comme
un enregistrement isolé, mais comme un réseau de relations dynamiques entre personnes, lieux, événements et documents
au sein de corpus historiques. Pour l’historien, le graphe devient un véritable outil d’enquête, capable de faire émerger
des structures de parenté, des réseaux de sociabilité et des configurations relationnelles qui restent difficiles à appréhender
dans une organisation purement tabulaire.
Cependant, cette modélisation se heurte à la nature même du document historique : l’incomplétude des archives et la
fragmentation des séries constituent une contrainte structurelle qui limite la complétude des graphes de connaissances
construits à partir de ces sources. À cela s’ajoutent l’ambiguïté des noms de personnes, les homonymies, la variabilité
orthographique et la présence d’identités partiellement attestées, qui rendent la désambiguïsation et le chaînage d’entités
particulièrement délicats dans les corpus historiques. Le défi n’est plus seulement de stocker l’information, mais de
représenter fidèlement le flou et l’incertitude [6] qui l’entourent sans trahir la rigueur de la critique historique.

Sujet :
La problématique de l’incertitude : une difficulté scientifique nouvelle. La problématique centrale de cette thèse
réside dans l’extraction et la quantification de l’incertitude, une dimension souvent ignorée par les systèmes de gestion de
données classiques qui privilégient un modèle déterministe et supposent des faits complets et certains. Dans un contexte
médiéval, l’incertitude est omniprésente : elle affecte les propriétés d’un noeud, comme une date de naissance approximative
ou un statut social mal attesté, mais aussi l’existence même d’une relation, par exemple une filiation simplement
supposée ou discutée dans des sources divergentes. La difficulté est ici double et constitue une nouveauté scientifique dans
le champ des graphes de connaissances appliqués aux sources historiques. D’une part, il faut pouvoir établir des stratégies
de liage d’entités dans un environnement où les données sont instables, fragmentaires et parfois contradictoires. Comment
affirmer que deux mentions de noms proches dans des documents différents désignent la même personne physique alors
que leurs attributs, tels que les lieux ou les dates, sont partiels, bruités ou incompatibles, tout en contrôlant explicitement
les taux d’erreur de liage ? D’autre part, la thèse devra résoudre le problème de l’agrégation : comment fusionner deux
noeuds représentant potentiellement la même entité tout en mettant à jour, de manière cohérente, les scores d’incertitude
associés aux faits et aux relations du graphe ? Il s’agit de traiter mathématiquement le renforcement, lorsque deux sources
indépendantes concordent, ou au contraire la contradiction, en modélisant la confiance dans les triplets et en intégrant des
mécanismes de fusion incertaine, tout en gardant une traçabilité fine des entités et des sources d’origine pour permettre à
l’historien de remonter systématiquement à la source primaire [4].
L’apport de l’Intelligence Artificielle : du NLP aux GNN. L’Intelligence Artificielle constitue le levier technologique
indispensable pour lever ces verrous en intervenant à chaque étape de la chaîne de traitement. Dans un premier temps,
les modèles de traitement du langage naturel (NLP) et les grands modèles de langage (LLM) seront mobilisés pour extraire
l’information tout en détectant les marqueurs linguistiques de l’incertitude, en s’appuyant sur les travaux de détection
automatique des hedge cues et des segments spéculatifs dans les textes. Cette approche dépasse le simple repérage d’entités
pour devenir une véritable évaluation de la fiabilité de l’information brute, où l’IA associe à chaque affirmation textuelle
un score de certitude ou de spéculation afin de distinguer les faits établis des informations hypothétiques ou douteuses.
Ensuite, l’IA appliquée aux graphes, et plus particulièrement les Graph Neural Networks (GNN), permettra de transformer le
liage d’entités en une tâche d’apprentissage profond exploitant le contexte relationnel global du graphe plutôt que les seuls
attributs locaux. Contrairement aux méthodes classiques, les GNN peuvent apprendre des représentations qui intègrent la
position d’un individu dans le réseau social et la structure des relations qui l’entourent, facilitant ainsi la réconciliation de
noeuds même lorsque leurs attributs textuels divergent ou sont incomplets. Enfin, l’apprentissage automatique sera utilisé
pour l’inférence de connaissances, permettant à la fois de découvrir des relations manquantes et de propager les scores
d’incertitude à travers le graphe, dans l’esprit des approches de knowledge graph completion.

Données. Le travail de recherche s’appuiera sur les données prosopographiques des bases Studium et Fasti, offrant un
terrain d’expérimentation d’une richesse rare sur les élites universitaires et ecclésiastiques médiévales. Ces corpus ne sont
pas seulement des réservoirs biographiques ; ils constituent des structures relationnelles complexes où le silence des sources et les contradictions documentaires sont la norme plutôt que l’exception. En mobilisant ces données, l’enjeu sera de transcender
le modèle déterministe traditionnel pour modéliser des graphes de connaissances intégrant la notion d’incrtitude.
Les bases Studium et Fasti recèlent en effet des attributs fragiles, tels que des dates de décès exprimées par des fourchettes
incertaines ou des fonctions dont la chronologie se chevauche de manière incohérente, qui serviront de variables pour
tester des algorithmes de liage d’entités sous contrainte d’incertitude.
Méthodologie : Extraction, Liage et Agrégation sous Incertitude. Le doctorant devra en premier lieu développer
des méthodes innovantes fondées sur le traitement du langage naturel (NLP) et l’apprentissage profond pour extraire non
seulement les entités nommées, mais aussi des indices de confiance et d’incertitude finement calibrés, en s’inspirant des
approches de détection de spéculation et de modélisation probabiliste des affirmations textuelles. Ces scores ne dépendront
pas uniquement de la clarté du texte, mais seront corrélés au contexte sémantique global et à une évaluation de la qualité
des sources historiques, suivant les travaux qui intègrent des métriques de fiabilité contextuelles dans l’extraction d’informations
incertaines. Cette étape est cruciale pour transformer une donnée textuelle brute en un objet probabiliste riche,
capable d’être intégré dans la structure du graphe de connaissances, comme le proposent les pipelines d’extraction enrichis
en incertitude pour des applications en KG.
Dans un second temps, les travaux porteront sur l’élaboration d’algorithmes de liage et d’agrégation spécifiquement
conçus pour être « uncertainty-aware », en ligne avec les cadres récents de entity resolution probabiliste et de fusion
sous incertitude. Plusieurs types d’approches sont envisagées pour relever ce défi. L’algorithmique de graphe couplée
à l’IA, notamment à travers les Graph Neural Networks (GNN), sera mobilisée pour capturer la topologie du réseau et
l’utiliser comme levier de réconciliation, en exploitant les représentations structurelles pour résoudre les ambiguïtés même
en présence de données bruitées ou partielles. Parallèlement, d’autres approches d’IA comme l’apprentissage par métrique
(metric learning) ou les modèles de bi‑encodeurs seront explorées pour le liage d’entités, en adaptant des techniques qui
génèrent des embeddings tenant compte de l’incertitude ou de la variabilité des sources.
La difficulté majeure, et l’un des verrous scientifiques de la thèse, résidera dans la nécessité d’adapter ces modèles, traditionnellement
déterministes, pour qu’ils intègrent nativement l’incertitude, comme le soulignent les analyses des limites
des approches classiques face à des données historiques fragmentaires. Il s’agira de proposer des fonctions de similarité
avancées capables de traiter des valeurs floues ou des intervalles de confiance, et de définir des opérateurs d’agrégation
aptes à gérer le renforcement ou l’atténuation de la confiance lors de la fusion de sources multiples. Ces opérateurs permettront
de mettre à jour dynamiquement les connaissances du graphe de connaissances (KG), en répercutant chaque
nouvelle information sur l’ensemble du réseau relationnel tout en préservant la traçabilité indispensable à l’analyse historienne,
conformément aux principes de provenance et de vérification probabiliste dans les KG.

Profil du candidat :
Titulaire d’un M2 ou ingénieur, avec de solides bases en informatique et en apprentissage automatique et idéalement de bonnes notions de graphes et une appétence pour l’histoire. La maîtrise d’un langage
de programmation (comme Python) est indispensable.

Formation et compétences requises :

Adresse d’emploi :
laboratoire CEDRIC, CNAM, 2 rue Conté 75003 Paris
laboratoire LIP6, 3 place Jussieur, 75005 Paris

Document attaché : 202604081251_sujetTheseSCAI2026.pdf

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

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

Contexte :

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

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
ONERA, site Palaiseau

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

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

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

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

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

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

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

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

Formation et compétences requises :

Adresse d’emploi :
CEA Cadarache

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

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

Laboratoire/Entreprise : LIP6, Sorbonne University
Durée : 36 mois
Contact : mohamed-amine.baazizi@lip6.fr
Date limite de publication : 2026-05-03

Contexte :

Sujet :
LLMs, Structured Data generation

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
https://adum.fr/as/ed/voirproposition.pl?site=adumR&matricule_prop=73229#version

Document attaché : 202604120959_Thesis_SU_2026.pdf

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

Laboratoire/Entreprise : ICube Strasbourg
Durée : 3 ans
Contact : franco.giustozzi@insa-strasbourg.fr
Date limite de publication : 2026-05-11

Contexte :
Environmental restoration projects generate large volumes of heterogeneous documentation, including technical reports, project plans, cartographic materials, engineering drawings, and photographic records. These materials contain valuable but fragmented knowledge describing intervention strategies, environmental contexts, technical constraints, and outcomes.
Within the TETRA project (ANR-22-FAI2-0006), previous research efforts primarily concentrated on text-based knowledge extraction using Large Language Models (LLMs), enabling the structuring of restoration knowledge from technical and narrative reports. While this approach demonstrated the potential of large language models for semantic modeling and ontology enrichment, it remained largely confined to textual sources. However, restoration documentation increasingly includes rich visual materials, such as maps, technical drawings, aerial imagery, and photographic records that contain complementary and sometimes critical information not explicitly described in text. This PhD builds upon the foundations established in TETRA by extending the extraction paradigm toward a unified multimodal framework. The central hypothesis is that integrating textual and visual understanding through advanced Vision-Language Models (VLMs) can substantially improve the completeness, semantic consistency, and interpretability of structured environmental knowledge graphs.

Sujet :
The FUSION-KG PhD aims to design a unified multimodal semantic extraction framework capable of transforming heterogeneous environmental documentation into structured, interpretable, and queryable knowledge graphs. The ambition is not only to extract information from text and images, but to develop a coherent framework in which multimodal understanding and structured external knowledge
jointly contribute to reliable and semantically consistent knowledge graph construction.
The work involves the systematic modeling and characterization of heterogeneous documentary sources, including technical reports, maps, engineering drawings, aerial and satellite imagery, and photographic
records of restoration interventions. These materials provide complementary yet often fragmented accounts of intervention types, spatial configurations, temporal phases, environmental parameters, constraints, and outcomes. A major challenge lies in ensuring that information extracted from visual and textual modalities is semantically aligned and represented within a shared conceptual framework.

Profil du candidat :
The doctoral contract is awarded by the doctoral school’s selection committee through a competitive process in which the candidates’ merit is a key factor

Formation et compétences requises :
Education: Student about to graduate a Master or Engineer (Bac + 5) with a specialization in Computer Science.

Specific knowledge: Knowledge on data science methods, knowledge representation and reasoning, knowledge graphs.
Languages: Python, java, owl/sparql.
Ability to work with experts who are not computer scientists. Interest in the application domain would be appreciated.

Adresse d’emploi :
ICube laboratory (CNRS UMR 7357),
300 boulevard Sebastien Brant
BP 10413
67412 ILLKIRCH cedex

Document attaché : 202603151916_Sujet_These_ED_VLM.pdf

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

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

Contexte :

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

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

Formation et compétences requises :

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

Document attaché : 202602050215_2026_PhD_Dreams.pdf

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

Laboratoire/Entreprise : CRISTAL UMR CNRS 9189
Durée : 36 mois
Contact : hayfa.zgaya-biau@univ-lille.fr
Date limite de publication : 2026-06-02

Contexte :
Dans le cadre du projet ANR IARISQ : https://anr.fr/Project-ANR-25-CE56-3679 : “CONCEPTION ET DEVELOPPEMENT D’UN SYSTEME D’AIDE A LA DECISION A BASE D’INTELLIGENCE ARTIFICIELLE POUR LA PREDICTION DE LA QUALITE DE L’AIR ET LA DETERMINATION DES RISQUES SANITAIRES DES PARTICULES”, nous cherchons un doctorant pour la modélisation et prévision temporelle de la composition chimique des particules atmosphériques ; et la prédiction des seuils de toxicité associés, en intégrant ces variables physico-chimiques.

Sujet :
Prédiction temporelle de la composition physico-chimique des particules atmosphériques et estimation dynamique de leurs seuils de toxicité par Intelligence Artificielle

Profil du candidat :
Titulaire d’un Master en Intelligence Artificielle, avec une bonne maîtrise de l’anglais et de solides compétences en rédaction scientifique. Une expérience de publication (article soumis et/ou publié) constitue un atout.

Formation et compétences requises :
– Formation en informatique avec spécialisation en Intelligence Artificielle (Master ou équivalent)
– Excellentes compétences en développement informatique (Python et bibliothèques associées)
– Bonne maîtrise des approches d’IA symbolique et sub-symbolique
– Expérience en modélisation et en prédiction de séries temporelles

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

Document attaché : 202604020557_Projet ANR IARISQ Sujet de thèse.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 : Laboratoire d’Informatique Fondamentale d’Orléans
Durée : 4 à 6 mois
Contact : guillaume.cleuziou@univ-orleans.fr
Date limite de publication : 2026-04-17

Contexte :

Sujet :
Le Knowledge Tracing est un domaine d’étude à l’intersection de l’Educational Data Mining (EDM), du Learning Analytics (LA) et de l’IA en Education (AIED) qui renferme un ensemble de méthodes de modélisation des connaissances d’un apprenant à partir de l’analyse de ses activités pédagogiques dans un environnement pédagogique digital. Ces modélisations sont utilisées dans des tâches de prédiction de la réussite et permettent alors de concevoir des parcours personnalisés d’apprentissage (ITS -Intelligent Tutoring Systems). Ces méthodes reposent aujourd’hui principalement sur des modèles de Machine Learning et plus particulièrement d’apprentissage profond (deep learning). Ces approches ont conduit à l’émergence du Deep Knowledge Tracing depuis les travaux de PIECH et al. (2015).

Les recherches existantes exploitent principalement les activités pédagogiques prenant la forme d’exercices, généralement dédiés à l’acquisition d’une compétence cible, dont la réussite ou l’échec aide à estimer le niveau de maîtrise de l’apprenant à cette compétence. Plus récemment des travaux proposent d’exploiter non plus seulement les exercices mais également les dialogues tuteur/apprenant issus par exemple d’un chatbot, au moyen de LLMs (SCARLATOS, BAKER et LAN 2025). Ces avancées prometteuses tirent avantage des progrès récents en IA et offrent des opportunités nouvelles en terme d’innovations dans le domaine du Knowledge Tracing.

L’objectif du stage est d’une part de dresser un état de l’art du domaine (Knowledge Tracing) et en particulier une revue des approches récentes mettant en oeuvre une exploitation des dialogues tuteur/apprenant. Il s’agira également d’étudier les solutions d’exploitation conjointe de plusieurs sources d’information (exercices, dialogues, traces d’activités, etc.) au sein d’un modèle de Knowledge Tracing unifié. Une étude expérimentale sur données réelles est attendue. Dans cette optique, le·a stagiaire collaborera avec ses encadrants et l’équipe e-INSPE :
– dans la mise en place de la collecte des données sur les formations de la plateforme
– sur l’information aux usagers concernés par ce projet de recherche> en informant des objectifs et de l’état d’avancement de son projet
– en initiant aux fondamentaux des champs concernés (knowledge tracing, apprentissage automatique, deep learning)

Ce stage pourra donner lieu à une poursuite en thèse.

Références

PIECH, Chris et al. (2015). “Deep knowledge tracing”. In : Advances in neural information processing systems 28.

SCARLATOS, Alexander, Ryan S BAKER et Andrew LAN (2025). “Exploring knowledge tracing in tutor-student dialogues using llms”. In : Proceedings of the 15th international learning analytics and knowledge conference, p. 249-259.

Profil du candidat :
Vous manifestez un intérêt pour les sciences de l’éducation.

Une expertise Moodle serait un plus mais des modalités de formation (via l’Université d’Orléans ou de Tours et Réseau Canopé) seront envisageables.

Formation et compétences requises :
Vous êtes étudiant·e en master ou en école d’ingénieur en Informatique.

Vous disposez d’une culture scientifique en Apprentissage Automatique et d’une expérience dans la mise en œuvre de modèles de Deep Learning.

Adresse d’emploi :
DT Canopé (en fonction de la domiciliation du candidat) ; réunions en présentiel à prévoir au LIFO (Orléans)

Document attaché : 202603261753_Stage_M2_2026_eINSPE_LIFO.pdf

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

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

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

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

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

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

Références:

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

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

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

Profil du candidat :

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

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

Document attaché : 202601251431_Sujet-Stage-BO.pdf

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

Laboratoire/Entreprise : institut Fresnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2026-04-29

Contexte :

Sujet :
See attached file

Profil du candidat :

Formation et compétences requises :

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

Document attaché : 202509111720_sujet stage MRI CS.pdf

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

Laboratoire/Entreprise : institut Fresnel
Durée : 4 à 6 mois
Contact : andre@fresnel.fr
Date limite de publication : 2026-04-29

Contexte :

Sujet :
please see the attached file

Profil du candidat :

Formation et compétences requises :

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

Document attaché : 202509111718_sujet stage SRH.pdf

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

Laboratoire/Entreprise : LIP6, Sorbonne University
Durée : 5-6 months
Contact : rafael.angarita@lip6.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Participatory democracy platforms (Make, Decidim, Cap Collectif, Consul) enable thousands of citizens to propose and discuss ideas for public policies. However, the large volume of textual contributions produces severe information overload: citizens struggle to identify similar or opposing proposals, while decision-makers face difficulty in detecting consensus or disagreement.

Recent research at LIP6 has shown that Natural Language Processing (NLP) can detect argumentative relations between citizen proposals (equivalence, contradiction, neutrality). These relations can be structured into argumentative graphs, which help organize debates and improve navigation within large participatory datasets.

This internship aims to extend these ideas using Graph Retrieval-Augmented Generation (Graph-RAG). By combining graph-based retrieval with language generation, the project seeks to build intelligent tools capable of summarizing debates, identifying conflicting or redundant proposals, and assisting citizens in writing balanced contributions.

Profil du candidat :
Master 2 / Final-year engineering

Formation et compétences requises :
– Programming: Python, PyTorch or TensorFlow

– NLP / ML: Experience with large language models, embeddings, or NLP tasks

– Data Science: Text preprocessing, vector representations, evaluation metrics

– Research: Ability to conduct literature reviews, design small experiments, and analyze results

– Participatory democracy: Interest in participatory democracy or computational argumentation

Adresse d’emploi :
Sorbonne University, 4 place Jussieu 75005 Paris.

Document attaché : 202511121059_Stage_LIP6_2025_2026.pdf

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

Laboratoire/Entreprise : CRESTIC (URCA) / Institut Godinot (Reims)
Durée : 6 mois
Contact : Arnaud.BEDDOK@reims.unicancer.fr
Date limite de publication : 2026-04-30

Contexte :
Cf. Fiche

Sujet :
Développement d’un module radiomique prédictif de la pneumopathie radio-induite après radiothérapie pulmonaire (Projet RP radiomics)

Cf. fiche.

Profil du candidat :
Cf. fiche.

Formation et compétences requises :
Cf. fiche.

Adresse d’emploi :
CRESTIC (URCA) / Institut Godinot (Reims)

Document attaché : 202512180752_Offre de stage M2 20250926.pdf

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

Laboratoire/Entreprise : LIPADE
Durée : 6 months
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :
The performance of supervised deep learning methods in computer vision heavily depends on the availability of
labeled data, whose annotation is both time-consuming and requires expert knowledge. To overcome this limitation,
Self-Supervised Learning (SSL) has emerged as a promising alternative to address the challenge of limited annotations.
In this paradigm, models learn from unlabeled data by generating their own supervisory signals. The resulting pre-
trained models can then be fine-tuned on various downstream tasks such as image classification, object detection, and
semantic segmentation. However, achieving performance comparable to supervised learning often requires large-scale
datasets and high training costs, which significantly increase computational and storage demands. This internship
aims to alleviate these constraints by exploring data distillation techniques to make SSL training more efficient.

Sujet :
Dataset Distillation (DD) [1] aims to condense a large-scale training dataset into a much smaller synthetic one
such that models trained on the distilled data achieve performance comparable to those trained on the original
dataset (see figure 1). Most existing DD methods are designed for efficient supervised learning and can be broadly
classified into three main categories [2] : (1) Performance Matching, which minimizes the loss on the synthetic
dataset by aligning the performance of models trained on real and synthetic data, (2) Parameter Matching, which
trains two neural networks respectively on real and synthetic data and encourages similarity in their parameters and
(3) Distribution Matching, which generates synthetic data that closely mimics the distribution of the original dataset.
In this internship, we will focus on the Parameter Matching approach. Building upon the work of Cazenavette et al.
[3], the authors of [4] extended this concept to SSL using knowledge distillation [5, 6, 7], particularly employing SSL
methods such as Barlow Twins and SimCLR. In the same vein, this internship will explore the DINO (self-DIstillation
with NO labels, MetaAI) SSL method [8], which naturally produces teacher–student parameter trajectories that can
be leveraged for Parameter Matching. The different steps of the internship are :
▷ Step 1 – Literature review : Review recent dataset distillation methods applied to computer vision, with a
focus on parameter matching and SSL-based approaches.
▷ Step 2 – Trajectory Observation : Analyze and visualize the teacher–student parameter trajectories generated
by DINO during SSL training.
▷ Step 3 – Integration into Data Distillation Frameworks : Design a trajectory matching loss based on
DINO’s teacher–student dynamics and train a student model on synthetic data guided by these trajectories.
▷ Step 4 – Test on down-stream computer vision tasks : Assess the effectiveness of the proposed approach
on tasks such as image classification
– Bibliography
[1] Tongzhou Wang et al. “Dataset distillation”. In : arXiv preprint arXiv :1811.10959 (2018).
[2] Ruonan Yu, Songhua Liu et Xinchao Wang. “Dataset distillation : A comprehensive review”. In : IEEE transactions on pattern analysis and machine
intelligence 46.1 (2023), p. 150-170.
[3] George Cazenavette et al. “Dataset distillation by matching training trajectories”. In : Proceedings of the IEEE/CVF Conference on Computer Vision and
Pattern Recognition. 2022, p. 4750-4759.
[4] Siddharth Joshi, Jiayi Ni et Baharan Mirzasoleiman. “Dataset Distillation via Knowledge Distillation : Towards Efficient Self-Supervised Pre-training
of Deep Networks”. In : The Thirteenth International Conference on Learning Representations. 2025. url : https://openreview.net/forum?id=c61unr33XA.
[5] Geoffrey Hinton, Oriol Vinyals et Jeff Dean. “Distilling the knowledge in a neural network”. In : arXiv preprint arXiv :1503.02531 (2015).
[6] Ayoub Karine, Thibault Napoléon et Maher Jridi. “I2CKD : Intra- and inter-class knowledge distillation for semantic segmentation”. In : Neurocomputing
649 (oct. 2025), p. 130791. url : https://hal.science/hal-05144692.
[7] Ayoub Karine, Thibault Napoléon et Maher Jridi. “Channel-spatial knowledge distillation for efficient semantic segmentation”. In : Pattern Recognition
Letters 180 (avr. 2024), p. 48-54. url : https://hal.science/hal-04488459.
[8] Oriane Siméoni et al. “Dinov3”. In : arXiv preprint arXiv :2508.10104 (2025)

Profil du candidat :
The ideal
candidate should have knowledge in deep learning, computer vision, Python programming and an interest in efficient
machine/deep learning.

Formation et compétences requises :
Master 2 student or final year of MSc, or engineering school in computer science.

Adresse d’emploi :
45 rue des Saints-Pères, 75006, Paris

Document attaché : 202511111324_2025_Internship_DD_SSL.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : christophe.lin-kwong-chon@univ-smb.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Interprétabilité en IA des séries temporelles radar

(descriptions détaillées dans la fiche attachée)

Profil du candidat :
Des compétences en machine learning sont attendues.
Le stage portera exclusivement sur la programmation en Python.
Une expérience en télédétection radar, géophysique des volcans
ou en explicabilité/interprétabilité de l’IA serait un atout.

Formation et compétences requises :

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, 74944, Annecy le Vieux

Document attaché : 202510060816_Sujet – Interprétabilité en IA des séries temporelles radar.pdf

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

Laboratoire/Entreprise : LIPADE
Durée : 6 months
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :
Recently, several Large Vision Foundation Models (LVFMs) have been proposed in the literature [1]. They are
trained through a Self-Supervised Learning (SSL) paradigm on large-scale unlabeled datasets and evaluated on small
labeled datasets (fine-tuning). These models have achieved state-of-the-art performance across a wide range of
downstream computer vision tasks, including both non-dense tasks (e.g., image classification, image retrieval) and
dense tasks (e.g., semantic segmentation, object detection). However, the growing size and computational demands of
the LVFMs significantly constrain their applicability in resource-limited devices (e.g., drone, smarphone). For instance,
CLIP (Contrastive Language–Image Pretraining, OpenAI) [2] comprises up to 0.4 billion parameters, DINOv3 (self-
DIstillation with NO labels, MetaAI) [3] includes models with up to 7 billion parameters, and the SAM 2 (Segment
Anything Model, Meta AI) [4] exceeds 224 million parameters. To reduce the computational demands of such massive
architectures, this internship will focus on investigating knowledge distillation techniques.

Sujet :
The knowledge distillation (KD) technique [5, 6, 7] transfers knowledge from a powerful teacher network to a
smaller student model, enabling the student to achieve significantly improved performance with lower computational
cost. In this process, the student is trained on the same dataset as the teacher, allowing it to directly leverage the
teacher’s learned representations. However, directly applying KD to LVFMs presents several challenges. First, the
most performant LVFMs are developed by large tech companies, and their training datasets are often not publicly
available. Second, these LVFMs typically employ Vision Transformer (ViT) architectures [8] as encoders, whereas
convolutional neural networks (CNNs) are generally lighter and more computationally efficient, making them strong
candidates for student models on edge devices. Third, there are significant discrepancies in capacity between LVFMs
and smaller edge models. The latter two challenges are partially addressed by Lee et al. [9], who propose a method
to customize the well-generalized features of LVFMs for a given student model. Despite promising results, this work
does not thoroughly address the issues of unavailable source datasets and cross-architecture knowledge transfer.
Additionally, only the image classification task is considered. In this internship, we aim to tackle these challenges by
investigating state-of-the-art methods for cross-architecture KD [10], data-free KD [11] and adaptive KD [12]. As
illustrated in figure 1, we will focus on two dense down-stream tasks : semantic segmentation and object detection.
The different steps of the internship are :
▷ Step 1 – Literature review on KD from foundation models
▷ Step 2 – Compare different methods of cross-architecture KD, data-free KD and adaptive KD : The
teacher will be a LVFM such as CLIP, DINOv3 and SAM2. The student encoder should be a CNN one like ResNet18.
▷ Step 3 – Test the student model on different semantic segmentation and object detection datasets :
A comparison is to be done with classical KD methods dedicated to dense prediction.
– Bibliography
[1] Muhammad Awais et al. “Foundation models defining a new era in vision : a survey and outlook”. In : IEEE Transactions on Pattern Analysis and
Machine Intelligence (2025).
[2] Alec Radford et al. “Learning transferable visual models from natural language supervision”. In : International conference on machine learning. PmLR.
2021, p. 8748-8763.
[3] Oriane Siméoni et al. “Dinov3”. In : arXiv preprint arXiv :2508.10104 (2025).
[4] Nikhila Ravi et al. “Sam 2 : Segment anything in images and videos”. In : arXiv preprint arXiv :2408.00714 (2024)
[5] Geoffrey Hinton, Oriol Vinyals et Jeff Dean. “Distilling the knowledge in a neural network”. In : arXiv preprint arXiv :1503.02531 (2015).
[6] Ayoub Karine, Thibault Napoléon et Maher Jridi. “I2CKD : Intra- and inter-class knowledge distillation for semantic segmentation”. In : Neurocom-
puting 649 (oct. 2025), p. 130791. doi : 10.1016/j.neucom.2025.130791. url : https://hal.science/hal-05144692.
[7] Ayoub Karine, Thibault Napoléon et Maher Jridi. “Channel-spatial knowledge distillation for efficient semantic segmentation”. In : Pattern Recognition
Letters 180 (avr. 2024), p. 48-54. doi : 10.1016/j.patrec.2024.02.027. url : https://hal.science/hal-04488459.
[8] Alexey Dosovitskiy et al. “An Image is Worth 16×16 Words : Transformers for Image Recognition at Scale”. In : International Conference on Learning
Representations. 2021. url : https://openreview.net/forum?id=YicbFdNTTy.
[9] Jungsoo Lee et al. “Customkd : Customizing large vision foundation for edge model improvement via knowledge distillation”. In : Proceedings of the
Computer Vision and Pattern Recognition Conference. 2025, p. 25176-25186.
[10] Weijia Zhang et al. “Cross-Architecture Distillation Made Simple with Redundancy Suppression”. In : Proceedings of the IEEE/CVF International Confe-
rence on Computer Vision. 2025, p. 23256-23266.
[11] Qianlong Xiang et al. “Dkdm : Data-free knowledge distillation for diffusion models with any architecture”. In : Proceedings of the Computer Vision and
Pattern Recognition Conference. 2025, p. 2955-2965.
[12] Yichen Zhu et Yi Wang. “Student customized knowledge distillation : Bridging the gap between student and teacher”. In : Proceedings of the IEEE/CVF
International Conference on Computer Vision. 2021, p. 5057-5066.

Profil du candidat :
The ideal candidate should have knowledge in deep learning, computer vision, Python programming and an interest in efficient
deep learning.

Formation et compétences requises :
Master 2 student or final year of MSc, or engineering school in computer science

Adresse d’emploi :
45 rue des Saints-Pères, 75006, Paris

Document attaché : 202511111320_2025_Internship_KD_LVFM.pdf

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

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : argheesh.bhanot@univ-smb.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
En sciences naturelles, la modélisation des phénomènes physiques constitue toujours un sujet difficile. Les formules existantes ne suffisent parfois pas à représenter adéquatement les mécanismes complexes, notamment ceux qui ne sont pas directement observables. Il arrive également que ces formules ne correspondent pas parfaitement aux observations issues des données. Ces problèmes ont, par exemple, été rencontrés dans le suivi de la concentration des polluants, l’étalement de la végétation ou encore les coulées de lave.
Dans ce projet, nous nous concentrons sur la modélisation volcanique. En volcanologie, par exemple, les scientifiques disposent de mesures de déplacements en surface, obtenues grâce à l’imagerie SAR, induits par une source volcanique en profondeur, et utilisent ces mesures pour estimer les paramètres physiques d’un modèle volcanique.
Dans un premier temps, nous sommes partis d’un modèle simple sous forme d’une expression analytique : le modèle Mogi. Dans ce modèle, deux paramètres clés, la variation du volume et la profondeur de la chambre magmatique ont été modifiés pour générer des données synthétiques. En utilisant la régression symbolique, nous avons exploré des expressions mathématiques directement à partir des données. La
pertinence de l’approche et la sensibilité de la modélisation à la variété de l’activité volcanique, sur des données synthétiques et des sites volcaniques réels, ont été mesurées et comparées au modèle Mogi original. L’approche fonctionne bien jusqu’à un certain niveau de bruit, notamment sur les données
synthétiques. L’objectif du stage consiste à utiliser les méthodes de régression symbolique pour affiner le modèle Mogi, car il reste une vision simplifiée de la physique sous-jacente. Des travaux supplémentaires sont encore nécessaires pour améliorer les résultats sur les données réelles en proposant des nouvelles techniques en régression symbolique. En s’appuyant sur des travaux d’IA classique développés au laboratoire sur
l’inversion de modèles géophysiques, trois types de données sont disponibles pour créer un cadre expérimental et de validation : 1) des déplacements simulés à partir du modèle Mogi ; 2) des déplacements simulés avec un bruit ajouté ; 3) des déplacements réels sur des volcans africains. Selon
l’avancement du projet, cette étude pourra être étendue à un modèle volcanique plus sophistiqué, par exemple le modèle Okada, qui décrit le mécanisme de fonctionnement d’un volcan à l’aide d’un plus grand nombre de paramètres et s’appuie sur des équations différentielles. Le stagiaire appuiera entre autres sur les articles suivants :
– Cranmer, M. (2023). Interpretable machine learning for science with PySR and SymbolicRegression. jl.
arXiv preprint arXiv:2305.01582.
– Tenachi, W., et al. (2023). Physical Symbolic Optimization. arXiv preprint arXiv:2312.03612.
– Albino, F., & Biggs, J. (2021). Magmatic processes in the East African Rift system: insights from a 2015–
2020 Sentinel‐1 InSAR survey. Geochemistry, Geophysics, Geosystems, 22(3), e2020GC009488.
– Dzurisin, D. (2007), Volcano Deformation: Geodetic Monitoring Techniques. Mogi, K. (1958), Bull. Earthq.
Inst. U. Tokyo, 36, 99‐134 Delaney, P., McTigue, D. (1994) Bull. Volcanology, 56 417‐42
– Lopez-Uroz L, Yan Y., Benoit A., Albino F., Bouygues P., Giffard-Roisin S., Pinel V., Exploring Deep Learning
for Volcanic Source Inversion, IEEE Transactions on Geosciences & Remote Sensing.
– Petersen, B. K., et al. (2019). Deep symbolic regression: Recovering mathematical expressions from data
via risk-seeking policy gradients. arXiv preprint arXiv:1912.04871.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, 74944, Annecy le Vieux, France.

Document attaché : 202510221322_stage_regressionsymbolique_2026.pdf

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

Laboratoire/Entreprise : LIPADE & APC
Durée : 6 mois
Contact : ayoub.karine@u-paris.fr
Date limite de publication : 2026-04-30

Contexte :

Sujet :
Deep Learning techniques have revolutionized artificial intelligence. Their application to astrophysics and cosmology permits us to analyze the large quantity of data obtained with
current surveys and expected from future surveys with the aim of improving our understanding of the cosmological model.
The internship is in the context of the data acquired by Vera Rubin Observatory (https://www.lsst.org/about) LLST (Legacy Survey of Space and Time), in particular in the context of the Dark Energy (DESC) and Galaxies Rubin Science Collaborations
(https://rubinobservatory.org/for-scientists/science-collaborations), and of the Euclid space mission (https://sci.esa.int/web/euclid). Galaxy clusters are powerful probes for cosmological models. LSST and Euclid will reach
unprecedented depths and, thus, they require highly complete and pure cluster catalogs, with a well-defined selection function. In this internship, we will focus on analysing astronomical
images through deep learning. Our team have developed a new cluster detection algorithm named YOLO for CLuster detection
(YOLO-CL), which is a modified version of the state-of-the-art object detection deep convolutional network named You only look once (YOLO) that has been optimized for the
detection of galaxy clusters [1,2]. The YOLO approach is a convolution-based method that primarily captures local features. In this internship, we aim to investigate transformer-based methods to model global relationships across entire astronomical images. These models are capable of capturing spatial and contextual interactions between multiple objects, which is expected to enhance detection performance compared to YOLO in our target application. In this context, we focus on the Detection Transformer (DETR) framework [3], an end-to-end
architecture that employs a transformer encoder–decoder network.
– Bibliography
[1] Grishin, Kirill, Simona Mei, and Stéphane Ilić. “YOLO–CL: Galaxy cluster detection in the SDSS with deep machine learning.” Astronomy & Astrophysics 677 (2023): A101.
[2] Grishin, Kirill, Simona Mei, Stephane Ilic, Michel Aguena, Dominique Boutigny, and Marie
Paturel. “YOLO-CL cluster detection in the Rubin/LSST DC2 simulations.” Astronomy & Astrophysics 695 (2025): A246.
[3] Carion, Nicolas, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, and Sergey Zagoruyko. “End-to-end object detection with transformers.” In European conference on computer vision, pp. 213-229. Cham: Springer International Publishing, 2020.

Profil du candidat :
The ideal candidate should have knowledge in deep learning, computer vision, Python programming and an interest in handling astronomical images. We have already obtained funding for the internship for 3-6 months.

Formation et compétences requises :
Master 2 or final year of MSc, or engineering school students in computer science.

Adresse d’emploi :
10 rue A.Domon et Léonie Duquet, 75205 Paris and/or 45 rue des
Saints-Pères, 75006, Paris

Document attaché : 202511111316_2025_Internship_Transformer-ClusterDetection.pdf

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

Laboratoire/Entreprise : Laboratoire d’Informatique et Systèmes
Durée : 3 à 6 mois
Contact : alexis.guyot@lis-lab.fr
Date limite de publication : 2026-06-01

Contexte :
L’ingénierie des connaissances vise à modéliser, structurer et exploiter des savoirs pour les rendre manipulables par des systèmes informatiques. Au cœur de cette démarche, une ontologie est une représentation formelle d’un domaine : elle définit des concepts (classes), leurs relations (propriétés)
et des contraintes/axiomes (p. ex. hiérarchies, cardinalités). Les ontologies favorisent l’interopérabilité sémantique entre systèmes hétérogènes, facilitent l’intégration des données, soutiennent le raisonnement (inférences, vérification de cohérence) et encadrent la gouvernance des connaissances au moyen de référentiels partagés. Des outils comme Protégé font aujourd’hui autorité pour l’édition d’ontologies.

Le stage consiste à prototyper une alternative à Protégé en développant une surcouche d’édition et de raisonnement au-dessus du SGBD orienté graphe Neo4j, combinant ergonomie moderne, exploitation riche de graphe et compatibilité OWL (OWL API, moteurs de raisonnement standards). L’enjeu est de livrer une expérience contemporaine et efficace, sans réinventer les composants qui existent déjà lorsqu’ils sont adaptés.

Sujet :
**But du stage**
Concevoir et prototyper une application moderne (plutôt web, mais desktop possible) servant de sur-couche à Neo4j pour créer, éditer, valider et raisonner sur des ontologies (OWL/SWRL), avec une attention forte portée à l’UX et à l’esthétique. L’application doit ester interopérable avec l’écosystème existant (dont Protégé) tout en capitalisant sur les forces de Neo4j.

**Objectifs et missions**
Le/la stagiaire commencera par cadrer formellement le projet : étude de Protégé (exploration libre de l’outil, lecture de la documentation, entretiens avec des experts pour cerner besoins et limites de l’existant) ; rapide panorama des fonctionnalités des autres éditeurs d’ontologies, éventuellement complété par un album de captures pour comparer l’UX ; identification des contraintes techniques de l’existant (écosystème Neo4j, briques OWL/SWRL, validation et raisonnement) et repérage des bonnes pratiques UX 2025 pour guider la conception.

Sur cette base, il/elle rédigera des spécifications fonctionnelles et techniques pour le nouvel outil, puis développera un prototype de manière incrémentale : éditeur de d’ontologies ergonomique connecté à Neo4j, import/export assurant l’interopérabilité, mécanismes de validation, etc. Selon la durée et le profil,
le stage pourra s’étendre à l’édition d’axiomes et de règles, à l’intégration d’un raisonneur standard et à la création d’un démonstrateur complet sur une ontologie de référence.

**Technologies envisagées**
Côté interface, l’option prioritaire est une application web en TypeScript s’appuyant sur React ou SvelteKit, avec un composant d’édition de graphes adapté (par ex. React Flow ou Cytoscape.js), des moteurs de layout (elkjs/dagre) et un système de design moderne (Tailwind avec composants accessibles type Radix/shadcn). Cette combinaison permet de viser une UX actuelle : thèmes (y compris dark mode), accessibilité, performance (virtualisation), micro-interactions sobres.

En alternative desktop, on pourra empaqueter l’interface web via Electron ou Tauri, ou opter pour une interface native en JavaFX (Java) ou JetBrains Compose for Desktop (Kotlin), afin de faciliter l’intégration directe avec les bibliothèques web sémantique de l’écosystème Java.

Pour le backend, une pile Java avec Spring Boot est privilégiée afin d’intégrer naturellement OWL API/Apache Jena, de s’interfacer avec un raisonneur standard (HermiT, Pellet, Fact++), et de dialoguer avec Neo4j via le driver Java et neosemantics (n10s) pour les échanges RDF/OWL. La validation pourra
s’appuyer sur SHACL. L’API sera exposée simplement (REST/JSON ou gRPC) et restera découpée de façon à pouvoir évoluer (microservice dédié aux fonctions ontologiques si nécessaire).

Profil du candidat :
— Niveau : Bac+3 à Bac+5 (informatique / BD / IA / génie logiciel / IHM).
— Dominantes possibles : développement front moderne (TS + React/SvelteKit), Java et conception d’API, bases de données, graphes, web sémantique (OWL/RDF, SWRL, SHACL), UX/UI.
— Qualités attendues : autonomie, rigueur, curiosité, sens de l’ergonomie, communication.

Formation et compétences requises :

Adresse d’emploi :
LIS UMR 7020 CNRS / AMU / UTLN, équipe IACD
Aix Marseille Université – Campus de Saint Jérôme – Bat. Polytech
52 Av. Escadrille Normandie Niemen
13397 Marseille Cedex 20

Document attaché : 202510011418_2025_Sujet_Stage_NeOWL4J.pdf