Développer et entraîner des modèles de deep learning pour la classification et détection d’espèces sur images et vidéos.
Optimiser les modèles existants en termes de précision, vitesse et efficacité énergétique, pour des déploiements sur systèmes connectés ou embarqués (edge computing).
Automatiser le traitement et l’analyse de flux vidéo en temps réel et en différé.
Développer des techniques avancées d’augmentation de données et d’amélioration de la robustesse des modèles face aux variations des conditions environnementales.
Travailler sur des méthodes d’apprentissage incrémental pour améliorer la reconnaissance d’espèces au fil du temps.
Développer et intégrer des algorithmes de filtrage et d’amélioration des images/vidéos (dénoising, normalisation, amélioration des contrastes).
Exploiter des bases de données d’images annotées et développer des outils d’annotation semi-automatique.
Travailler sur des algorithmes de suivi d’objets dans des vidéos et sur la détection des mouvements spécifiques des espèces observées.
Adapter les modèles à différentes conditions d’éclairage et de qualité d’image (environnements marins, aériens ou terrestres).
Rédiger des rapports techniques et publications scientifiques sur les résultats obtenus et les méthodologies appliquées.
Assurer une veille technologique sur les dernières avancées en IA et en vision par ordinateur appliquées à la reconnaissance d’espèces.
Optimiser les pipelines de traitement des données pour réduire les coûts de calcul et améliorer la scalabilité des modèles.
Collaborer avec des biologistes et des experts du domaine pour affiner les critères de reconnaissance et adapter les algorithmes aux contraintes métier.
Formation : Bac+5 / Doctorat en intelligence artificielle, traitement d’image, vision par ordinateur ou domaine connexe.
Expérience : Minimum 5 ans en développement d’algorithmes IA pour le traitement d’image et la vision par ordinateur.
Maîtrise des techniques de deep learning : Réseaux de neurones convolutifs (CNN), Transformers appliqués à l’image.
Capacité à travailler avec des données complexes et bruitées issues de capteurs embarqués ou connectés.
Bonnes compétences en pré-traitement et annotation de données pour améliorer la qualité des bases de données d’entraînement.
Rigueur scientifique : Capacité à documenter et valider méthodiquement les modèles développés.
Autonomie & Proactivité : Capacité à explorer de nouvelles approches et à proposer des solutions innovantes.
COMPÉTENCES TECHNIQUES REQUISES :
Python (obligatoire) – TensorFlow, PyTorch, OpenCV, Scikit-learn.
Expérience en fine-tuning de modèles pré-entraînés et en augmentation de données.
Connaissance approfondie des techniques d’apprentissage supervisé et non supervisé adaptées aux images et vidéos.
Maîtrise des algorithmes de classification et de détection d’objets (YOLO, EfficientDet, Faster R-CNN).
Expérience en traitement d’image avancé : filtrage, amélioration du contraste, suppression du bruit.
Optimisation des modèles pour des exécutions en conditions réelles (faible latence, forte robustesse).
Optimisation et compression des modèles pour des systèmes embarqués (pruning, quantization).
Expérience avec des pipelines de MLOps pour l’industrialisation et la mise en production des modèles (Docker, Kubernetes, CI/CD, MLflow).
Intégration et déploiement des modèles sur systèmes embarqués et edge computing (Jetson, Raspberry Pi, FPGA).
Un premier entretien téléphonique avec Guillaume (Talent Acquisition Manager)
Deux ou trois entretiens avec l’équipe technique et le top management
Un éventuel test technique