Ingénieur CDD en apprentissage profond sur nuages de points

Inria; Palaiseau; On-site; EUR 17,000 - 21,000; Full time

Benefits offered by this job

Restauration subventionnée

Transports remboursés

Congés annuels 7 semaines + RTT

Télétravail possible

Équipements professionnels

Prestations sociales et culturelles

Formation professionnelle

Job summary

Inria Saclay recherche un ingénieur de recherche en CDD en apprentissage profond pour optimiser des travaux de thèse sur le traitement automatique de données bathymétriques par des nuages de points geospatiaux. Le rôle s’inscrit dans une collaboration avec Shom et IMT.

Vous participerez à l’élaboration et à la mise à l’échelle des descripteurs, à l’industrialisation des architectures et à l’évaluation par les opérateurs, avec un accent sur l’explicabilité et la fiabilité des résultats.

Qualifications

• Solides bases en apprentissage automatique et apprentissage profond.
• Maîtrise du langage Python et des bibliothèques associées.
• Expérience ou connaissance des chaînes MLOps et du traitement de données géospatiales.

Responsibilities

• Affiner les descripteurs et les caractéristiques des données géospatiales, y compris LIDAR et bathymétrie.
• Industrialiser les architectures d'apprentissage et optimiser les hyperparamètres.
• Structurer les protocoles d’expérimentation et de validation des modèles.
• Intégrer les développements et assurer l’évaluation par les opérateurs.
• Conduire le passage à l’échelle et l’opérationnalisation des outils IA.
• Collaborer étroitement avec le doctorant et les équipes du Shom et d’Inria.

Skills

Apprentissage automatique

Apprentissage profond

Python

PyTorch

TensorFlow

MLOps

Données géospatiales

LIDAR/Bathymétrie

Education

Master en informatique/IA

Tools

Sklearn

Dask

Job description

Ingénieur CDD en apprentissage profond sur nuages de points

Créé en 2008, le Centre de recherche Inria de Saclay est situé au cœur du pôle d’excellence
scientifique et technologique Paris-Saclay qui réunit à lui seul 15% de la recherche
française. Au service du développement de l’Université Paris-Saclay et de l’Institut
Polytechnique de Paris, le Centre Inria de Saclay compte 80 personnes travaillant dans les
services d’appui à la recherche et 500 scientifiques issus de 54 nationalités.
Bénéficiant d'une croissance continue, le centre totalise aujourd'hui 42 équipes-projets et
deux en cours de création, dont 21 communes avec avec l’Institut Polytechnique de Paris, 16
avec l’Université Paris-Saclay, ainsi que 7 EP Inria dont une en collaboration avec l’Onera et
une en collaboration avec le Pôle Universitaire Centre Val de Loire. Ces équipes de recherche
sont réparties sur plus de dix sites.
[Sources Numin : https://numin.inria.fr/portal/g/:spaces:yt54gs/centre_inria_de_saclay/lecentre ]

Nous recherchons un ingénieur de recherche en CDD pour venir optimiser les travaux de thèse(débutée en septembre 2024) en traitement automatique de données bathymétriques par des méthodes d'apprentissage profond.

Le Shom (Service hydrographique et océanographique de la Marine) est l’opérateur public pour l’information géographique maritime et littorale de référence (www.shom.fr). Dans le cadre de ses missions, il réalise des campagnes à la mer afin d’acquérir le maximum d’informations précises de la bathymétrie (profondeurs d’eau) sur les zones d’intérêt qui lui sont assignées. Ces données, sous forme de nuages de points geospatiaux, sont actuellement traitées manuellement afin d’extraire le signal utile avant d’être intégrées en base de données et de vernir renseigner les produits cartographiques utiliser afin d’assurer la sécurité de la navigation en mer. Les étapes de traitement et de contrôle de l’information bathymétrique, du nettoyage des mesures aberrantes et d’intégration en base de données, dure en moyenne un an et demi.

La présente collaboration de recherche entre Shom, INRIA et IMT a pour objectif de mettre en place une chaîne de traitement automatique ou semi-automatique d’extraction de l’information utile au sein de nuages de points bathymétriques (acquis par Lidar ou sondeur multifaisceaux). Les gains de temps attendus ne devront pas occulter les besoins d’explicabilité et de fiabilité.

La démarche scientifique entamée consiste à tirer parti des méthodes d’IA par apprentissage profond appliquées aux nuages de données géospatiales de bathymétrie. La thèse en cours élabore l’approche méthodologique et propose des preuves de concepts. L’ingénieur de recherche participera à leur passage à l’échelle, à leur évaluation, et le cas échéant à leur opérationnalisation (mise à disposition vers les opérateurs), en prenant soin de de fournir un protocole détaillé et chiffré, en matière de complexité algorithmique, volume, stockage, architecture, des différentes opérations nécessaires tout au long du cycle de vie du système IA proposé, depuis le recueil de la donnée jusqu’à l’affichage des résultats à l’opérateur.

Le programme de travail de la thèse se divise en 3 axes :

• Elaboration d’un ensemble de descripteurs à partir de données SMF et LIDAR ;
• Conception d’architectures d’apprentissage automatique par régression pour la prévision du fond marin à partir des descripteurs ;
• Approche portfolio et explicable pour une aide à la décision de l’hydrographe.

Comme indiqué précédemment, l'ingénieur viendra en appui de cette thèse. Son rôle sera :

• d'affiner les modèles et les descripteurs conçus par le doctorant ;
• de gérer le passage à l'échelle dans la structuration de la donnée et dans l'entraînement des modèles ;
• de transformer le code en un prototype fonctionnant dans son environnement de destination et intégré aux outils du Shom :
• de mettre en place l'évaluation du prototype par les opérateurs du Shom et de prendre en compte les retours utilisateur.

Dans l’axe 1, l’ingénieur aidera à:

Affiner la définition et le calcul des descripteurs pertinents et explicables caractérisant les données géospatiales LIDAR. Plusieurs classes de descripteurs seront considérées : des quantités statistiques ou fonctionnelles, des dictionnaires à base de partitionnement, enfin des méthodes neuronales.

Favoriser un passage à l’échelle (structuration de la donnée / parallélisation) dans le calcul de ces descripteurs sur des larges volumes de données (plusieurs millions voire des dizaines de millions de points), puis sur des ensembles de zones.

Dans l’axe 2, le but sera d’optimiser les preuves de concepts des modèles prédictifs proposées dans le cadre de la thèse. Dans ce cadreL’ingénieur devra:

Industrialiser ces architectures, optimiser les réglages fins des hyperparamètres, structurer les protocoles d’expérimentation/validation.

Dans l’axe 3, alors que les travaux de thèse viseront à sélectionner le meilleur modèle prédictif à utiliser en fonction des caractéristiques intrinsèques des données et l’exploitation attendue de l’information bathymétrique générée et des capacités explicatives du modèle, les travaux de l’ingénieur viseront à:

Intégrer les développements et permettre une validation en aval par les opérateurs en conditions réelles de traitement.

Prendre l’initiative dans l’élaboration et la mise en place de protocoles d’évaluation des outils par les opérateurs, ainsi qu’au dépouillement et à l’analyse des résultats obtenus et des retours d’expérience.

Compétences techniques et niveau requis :

• de solides bases en apprentissage automatique et en apprentissage profond ;
• une bonne maîtrise du langage Python et des bibliothèques Sklearn, PyTorch et TensorFlow ;
• une expérience réelle de mise en place de chaînes MLOps ;
• des connaissances en traitement de données géospatiales (notamment nuages de points) seraient un plus ;
• optionnel : une maîtrise des bibliothèques de traitement de données volumineuses comme Dask, Xarray ou Zarr.

Langues : francais ou anglais

Compétences relationnelles : être capable de discuter à la fois avec les experts en apprentissage profond et avec les opérateurs sur le terrain ; être capable de collaborer étroitement avec le doctorant tout au long du projet, avec un partage clair des tâches.

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle

Selon le profil, l'expérience et les grilles de
rémunération applicables aux agents contractuels.

Compétence, motivation, capacité d'écoute et de collaboration, curiosité pour la bathymétrie.