En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR7326-ANAMEK-030 - H/F Ingénieur-e de Recherche en Intelligence Artificielle - Application pour l'observation de satellites

H/F Ingénieur-e de Recherche en Intelligence Artificielle - Application pour l'observation de satellites


Date Limite Candidature : lundi 16 mai 2022

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR7326-ANAMEK-030
Lieu de travail : MARSEILLE 13
Date de publication : lundi 25 avril 2022
Type de contrat : CDD Technique/Administratif
Durée du contrat : 24 mois
Date d'embauche prévue : 1 septembre 2022
Quotité de travail : Temps complet
Rémunération : 2 536,50 € à 3 219,85 € brut/mois, selon expérience.
Niveau d'études souhaité : Supérieur à bac+5
Expérience souhaitée : Indifférent

Missions

Nous proposons une opportunité unique de travailler activement sur les techniques d'apprentissage automatique et d'apprentissage profond appliquées aux données astronomiques issues d'observations dans l'espace proche et lointain.
Le poste s'articule autour de deux tâches :
- Développer, tester et mettre en production des algorithmes d'apprentissage machine/deep learning pour évaluer et atténuer les risques rencontrés par les satellites en orbite. Le/la candidat(e) travaillera en étroite collaboration avec les divisions de la météorologie spatiale et de la gestion du trafic spatial du département RDSA afin d'acquérir des connaissances dans les deux contextes. Le/la candidat(e) aura également la responsabilité de concevoir un pipeline sur le cloud pour mettre l'algorithme en production chez les utilisateurs finaux.
- Soutenir et être un collaborateur clé dans la recherche et le développement d'algorithmes de machine/deep-learning pour la caractérisation d'instruments optiques. Le/la candidat(e) travaillera activement sur les données fournies par les télescopes terrestres du monde entier (VLT, Keck, ...) afin d'optimiser les mesures des erreurs des instruments induites par la segmentation du miroir primaire et les effets du dôme.
Le/la candidat(e) sera principalement supervisé(e) et interagira avec des experts en IA du LAM et de SpaceAble. Des réunions hebdomadaires avec SpaceAble et le LAM seront organisées pour renforcer les interactions et le suivi des besoins et de la production du/de la candidat(e). Le/la candidat(e) sera en mesure d'acquérir une vision et une expertise précieuses dans les deux domaines, et il/elle sera un membre clé des deux instituts.

Activités

PROGRAMME DE TRAVAIL AU LAM :
• Réaliser une étude bibliographique sur les méthodes d'apprentissage profond pour la détection de sources et la caractérisation d'instruments optiques.
• Effectuer des simulations d'observations optiques avec les grands télescopes (VLT, Keck).
• Développer et optimiser des architectures de réseau de neurones et de leur apprentissage pour la détection de sources et la caractérisation des instruments optiques.
• Développer et optimiser des architectures de réseau de neurones et de leur apprentissage pour la modélisation des aberrations optiques qui affectent les télescopes au sol.
• Implanter des tests et de la validation des approches sur données acquises avec les télescopes VLT et Keck t comparaison avec les méthodes état-de-l' art.
Le/la candidat(e) travaillera dans la continuité des travaux qui ont été menés par le LAM sur ces questions et disposera ainsi de données déjà formatées, d'algorithmes existants et de moyens de calculs opérationnels, ce qui permettra de se former et de garantir une solution opérationnelle en 24 mois.
PROGRAMME DE TRAVAIL A SPACEABLE :
• Se former à la problématique de la SSA et sensibilisation à la météo de l'espace et au suivi de satellites.
• Prendre en main les outils de prédiction de risques de SpaceAble et les optimiser en déployant et optimisant des réseaux de neurones plus efficaces.
• Déployer l'apprentissage profond pour la prédiction d'évènements violents comme les tempêtes géomagnétiques avec validation via les données de satellites spatiaux (ACE, GOES notamment).
• Déployer l'apprentissage profond pour la détection optique de satellites depuis le sol avec valider via les moyens d'observations de SpaceAble.
• Combiner l'ensemble de ces éléments afin d'optimiser l'estimation des risques de défaillances des satellites.
Le/la candidat(e) intégrera l'effort mené par le pôle RDSA sur ces problématiques et pourra aussi progressivement gagner en expertise et ajouter de la plus-value aux approches déjà implantées.

Compétences

Compétences en apprentissage automatique et apprentissage profond, Python (PyTorch). La maîtrise du traitement du signal est obligatoire. Des connaissances en physique et une expertise en cloud computing sont des atouts.

Contexte de travail

Cette offre de recrutement s'inscrit dans le cadre du plan France Relance sur un projet de collaboration de recherche avec une entreprise qui sera soumis à validation de la DRARI. Il est entendu que le/la candidat(e) ne sera définitivement recruté(e) que dans le cas où le projet reçoit un avis favorable DRARI/DGDI/FSD (le cas échéant), dépendant en partie de la qualité de la candidature.
Il est prévu que le/la candidat(e) puisse passer entre 50 et 80% de son temps chez SpaceAble à Paris. Du fait des installations déjà en place au LAM le/la candidat(e) devra passer une fraction de son temps significative au LAM, si bien que la quotité réalisée en présentiel chez SpaceAble pourra être inférieure à 80% (mais toujours supérieure à 50%). Des réunions hebdomadaires impliquant le LAM et SpaceAbleseront organisées pour s'assurer du suivi et de la cohérence du travail.

Contraintes et risques

Déplacements à prévoir entre Paris et Marseille.

Informations complémentaires

Les candidats doivent soumettre un fichier pdf unique contenant :
• un curriculum vitae et une liste de publications;
• une lettre de motivation d'une page;
• les coordonnées de trois personnes de référence au maximum (pas besoin de lettres de référence à ce stade).

Courriel: benoit.neichel@lam.fr & olivier.beltramo-martin@spaceable.org

On en parle sur Twitter !