Post-Doctorat en Apprentissage Automatique H/F - Service Public

Dans le cadre du projet Autonomous Pack dirigé par la start-up spécialiste du suivi des emballages GoodFloow, en collaboration avec les chercheurs de l'IMT, de l'INRIA et de l'IRCICA et qui a pour objectif de développer un emballage industriel réutilisable, traçable, mutualisable entre industriels, nous recrutons une post-doctorante ou un post-doctorant en apprentissage automatique au sein de notre Département Mathematical and Electrical Engineering (MEE).

L'utilisation de ces emballages réutilisables se généralise dans les chaînes logistiques. Son impact est bénéfique économiquement, car il permet de réduire les coûts liés aux rachats d'emballages jetables. Il est également bénéfique pour l'environnement, car les émissions associées à l'ensemble du cycle de vie de l'emballage est bien meilleur que pour les emballages jetables. Aujourd'hui cependant, les entreprises qui utilisent ces emballages réutilisables ne disposent pas d'informations en temps réel sur l'état de l'emballage, ce qui peut entraîner des pertes financières en cas de perte ou de dommage de l'emballage. L'objectif de ce projet est de développer des solutions pour surveiller l'état de ces emballages réutilisables en utilisant des capteurs IoT et des techniques d'apprentissage profond embarquées dans les capteurs.

Pendant les travaux préliminaires, des modèles de réseaux neuronaux ont été développés pour effectuer des tâches simples en utilisant les données de l'accéléromètre. Elles permettent de classifier quelques évènements simple du cycle de vie de l'emballage. Cependant, ces modèles ne sont pas suffisamment robustes pour être utilisés dans un environnement réel. En effet, les données de l'accéléromètre ne sont pas suffisantes pour obtenir une classification précise. Il est donc nécessaire de fusionner les données de l'accéléromètre avec d'autres capteurs pour obtenir de meilleurs résultats.

Si de la littérature existe pour des problèmes similaires, il n'existe pas de solution qui soit directement applicable à notre problème. Il est donc nécessaire de réaliser une synthèse des travaux existants et de les adapter au contexte Goodfloow. Sous la responsabilité fonctionnelle des responsables du projets, et en collaboration étroite avec les équipes impliquées dans le projet, vous devez identifier des capteurs supplémentaires pertinents pour recueillir des informations plus complètes sur l'environnement du paquet et mettre en oeuvre cette fusion dans des modèles d'apprentissage profond. Une des thématiques de recherche sera également de travailler à l'embarquabilité de ces modèles, ainsi qu'à leur robustesse.

En outre vous participerez à la valorisation des résultats de ces travaux, en produisant des publications scientifiques pour des revues et des conférences internationales.

Vous avez des compétences en langage Python, réseaux de neurones et PyTorch.

Vous avez de bonnes notions d'algèbre linéaire et de bonnes connaissances en statistique.

Vous avez de bonnes capacités d'écoute, d'analyse et de synthèse et vous êtes curieux et ouvert d'esprit.

Vous savez vous adapter, vous êtes autonome, rigoureux et vous savez gérer vos priorités.

Le profil recherché devra être titulaire d'un Doctorat obtenu moins de 3 ans avant la date d'embauche en apprentissage automatique, apprentissage profond, science des données, informatique, avec un fort intérêt en apprentissage automatique.

POURQUOI NOUS REJOINDRE:

Environnement exceptionnel de travail

Ecosystème d'innovation stimulant (startups, étudiants, recherche, entreprises)

Collaborations avec des organismes de recherche renommés

Collaboration avec le milieu industriel

LE PLUS:

Restauration collective sur place

Offres de loisirs/sport

Prise en charge des transports en commun

Forfait mobilité durable (pour le covoiturage ou les trajets en vélo)

Complément familial

Large gamme de prestations sociales

Télétravail partiel possible

Nombreux congés

INDICATIONS DE REMUNERATION:

Rémunération indicative: 35 800€ brut annuel, selon le profil et l'expérience (charges salariales réduites en secteur public).