🌍 Qui sommes-nous ? 

Safran.AI (anciennement Preligens), est une filiale de Safran Electronics & Defense qui propose des solutions d’intelligence artificielle pour analyser les images satellite à haute résolution, les flux vidéos FMV (full motion video) et les signaux acoustiques. Nos solutions sont déployées au service de l’aéronautique, la défense et les applications gouvernementales. 

Notre société développe depuis 2016 des algorithmes et logiciels complexes permettant d’analyser, de détecter et d’identifier automatiquement des objets présentant un intérêt militaire, à partir de données d’origine commerciale ou gouvernementale. 

Depuis son intégration à Safran en septembre 2024, Safran.AI contribue également à la transformation du groupe, en appliquant les solutions d’IA aux domaines de l’industrie 4.0. À titre d’exemple, l’analyse d’images automatisée par l’IA peut assister les contrôleurs en charge de l’inspection de pièces critiques en les aidant à détecter les anomalies éventuelles à partir de clichés numériques. 

Chez Safran.AI, l'innovation et la création d'un monde plus sûr sont au cœur de notre ADN. En nous rejoignant, vous travaillerez avec des équipes passionnées et pluridisciplinaires (ingénieurs, chercheurs, développeurs…) parmi les plus talentueux du secteur, tous animés par une passion commune pour l'excellence technologique. Nous offrons un environnement de travail stimulant, où la créativité et la prise d'initiative sont encouragées, et où chaque idée compte. 

😎 Votre mission, si vous l’acceptez 

Vous rejoindrez l'équipe SAI, basée à Massy, spécialisée dans le traitement d’images, la vision par ordinateur et l’intelligence artificielle. Cette équipe constitue une antenne de Safran AI au sein de Safran Electronics & Defense, leader mondial des systèmes embarqués et des solutions critiques pour l’aéronautique et la défense. L’innovation en traitement d’images et en intelligence artificielle occupe une place centrale dans l’amélioration des systèmes embarqués de perception (par exemple : vision assistée pour drones, aéronautique, surveillance, etc.). Ces applications nécessitent des solutions performantes, robustes et économes en ressources, afin de répondre aux contraintes strictes de l’embarqué.

Les réseaux de neurones profonds de vision par ordinateur (CNN, ViT, etc.) atteignent aujourd’hui des performances remarquables en classification d’images. Cependant, leur capacité à généraliser hors du domaine d’entraînement (changement de style visuel, conditions de capture différentes, nouveaux jeux de données) demeure limitée.

Une piste pour améliorer cette robustesse peut éventuellement consister à contraindre l’espace latent des représentations à l’aide de méthodes de quantification vectorielle (VQ). En particulier, les approches à base de codebooks de motifs visuels (VQ-VAE, dVAE, SoftVQ, RQ-VAE) permettent de tokeniser les images en séquences discrètes, similaires à des éléments linguistiques pour le texte. Ces représentations discrètes ont montré leur efficacité dans des modèles de pré-entraînement (ex. BEiT, dVAE dans DALL·E).

En parallèle, les Joint Embedding Predictive Architectures (JEPA) ouvrent de nouvelles perspectives pour apprendre des représentations abstraites, moins sensibles aux détails de bas niveau et plus transférables entre domaines.

L’objectif du stage est d’explorer comment l’usage d’un codebook partagé (appris conjointement sur les données sources et cibles non annotées) peut :

1. Améliorer la généralisation de domaine en classification d’images.

2. Favoriser l’invariance aux variations de bas niveau (bruit, style, capteur).

3. Éventuellement combiner la discrétisation à des approches de type JEPA pour obtenir des représentations discrètes mais prédictives.

🎯 Votre profil 

→ Vous êtes étudiant en dernière année de Master ou d'école d'ingénieur, spécialisé en intelligence artificielle (vision par ordinateur, ou traitement du langage naturel)

→ Vous maîtrisez les réseaux de neurones profonds (DNN)

→ Vous avez de l’expérience avec des frameworks de deep learning comme PyTorch ou TensorFlow

→ Vous présentez une curiosité intellectuelle et avez le goût pour la recherche

→ Vous disposez d'excellentes bases en Mathématiques appliquées, Machine Learning, IA

→ Vous avez une forte motivation pour le ML appliquée à la vision

Si vous ne remplissez pas 100% des critères ci-dessus, pas de panique, vous pouvez nous indiquer les raisons pour lesquelles vous pensez tout de même être un bon candidat pour ce rôle ! 

💙Pourquoi rejoindre Safran.AI ? 

Rejoindre Safran.AI, c’est rejoindre une entreprise de passionnés, pionnière dans son domaine pour travailler sur des technologies innovantes et résoudre des problématiques techniques complexes à l’état de l’art. Notre volonté de placer l’humain au cœur de nos activités se traduit par un fort esprit d’équipe et d’entraide. 

Rejoignez-nous et créez aujourd’hui la sécurité de demain ! 

💰Ce que nous offrons 

→ Carte Swile (titre-restaurants)

→ Prise en charge du titre de transport à hauteur de 50% 

→ Salle de sport et actions liées au bien-être au travail

→ Jeudis après-midi dédiés au développement des compétences avec au moins un intervenant de haut vol tous les deux mois ! 

💪 Notre process de recrutement 

→ Un échange de 45 minutes avec un recruteur pour en apprendre plus sur vous, vos attentes et vous donner plus de détails sur la vie chez Safran.AI 

→ Un échange de 45 minutes avec votre futur manager ou une personne de son équipe afin de vous permettre dès le début de rencontrer vos futurs collaborateurs et de rentrer dans la technique de votre métier ! 

→ Réalisation d’un cas pratique que vous serez invité(e) à présenter à un panel composé de votre futur manager ainsi que d’un ou deux pairs 

Notre process de recrutement dure généralement entre 20 et 30 jours selon vos disponibilités. En cas de deadlines serrées, nous savons aussi mettre le turbo pour ne pas vous faire attendre ! 🚀

Toutes nos offres sont ouvertes aux personnes en situation de handicap

Safran.AI s’engage à traiter chaque candidature de manière objective et inclusive