Ingénieur développement de chaîne algorithmique

Ingénieur développement de chaîne algorithmique (H/F)Join to apply for the Ingénieur développement de chaîne algorithmique (H/F)role at France Travail Join to apply for the Ingénieur développement de chaîne algorithmique (H/F)role at France Travail L'Université de technologie de Compiègne (UTC) recherche un ingénieur F/H en développement de chaîne algorithmique pour rejoindre son Laboratoire de Mathématiques Appliquées (LMAC) - département génie informatique (GI), dans le cadre du projet ANR INCA. La mission consiste à contribuer au développement d'une chaîne algorithmique complète pour CSM/CSMC (de la modélisation au code reproductible) afin de traiter des cas réels et de renforcer les collaborations internes/externes. Activités Modélisation et formalisation : spécification de CSM/CSMC spatio-temporels (durées explicites, transitions dépendant de l'espace, covariables, politiques de décision). Inférence paramétrique et non paramétrique : développement d'algorithmes d'estimation du maximum de vraisemblance (EM/ECM généralisés), décodage (Viterbi semi-markovien), filtrage/lissage (forward-backward à durées), sélection de modèles (critères informationnels, validation croisée). Optimisation et contrôle : formulation et résolution de problèmes d'aide à la décision (MDP/POMDP semi-Markoviens), calcul de politiques et analyse de sensibilité. Simulation et calibration : simulateurs spatio-temporels, expériences numériques, étude de robustesse (données bruitées/manquantes), incertitudes (bootstrap, profils de vraisemblance). Contexte scientifique et objectifs Les chaînes semi-Markoviennes (CSM) et chaînes semi-Markoviennes cachées (CSMC) constituent, de longue date, un axe central de la modélisation stochastique au sein de notre laboratoire. Nos travaux ont produit des avancées théoriques et méthodologiques (asymptotique, estimation statistique), mais relativement peu de résultats algorithmiques et logiciels — déficit qui limite la valorisation de nos contributions et les synergies avec d'autres équipes. Dans le cadre du projet ANR – INCA, nous recrutons un‐e ingénieur‐e chargé‐e de concevoir, analyser, implémenter et valider des algorithmes de traitement et d'estimation pour CSM/CSMC, avec une application prioritaire à la modélisation spatio‐temporelle de la propagation épidémique (p. ex. COVID‐19). Les problématiques incluent notamment : Temps d'atteinte régional d'un foyer épidémique initialisé en grande agglomération, en fonction de la géographie et des mobilités. Aide à la décision sous incertitude (quelles interventions à partir d'un état donné pour minimiser un risque). Type de contrat et date prévisionnelle de recrutement Contrat à durée déterminée – durée prévue de 12 mois – à pourvoir dès que possible et jusqu'au 31/12/2026 au plus tard. Salaire mensuel brut Selon financement. Volume horaire 37 heures et 30 minutes/semaine – 1 607 heures/an. Environnement et contexte de travail La personne recrutée exercera son activité au sein du Laboratoire de Mathématiques Appliquées LMAC/GI et viendra renforcer l'équipe dans ses activités de recherche et de développement dans un environnement scientifique stimulant et interdisciplinaire. L'équipe de recherche, impliquée dans plusieurs projets nationaux, offre un cadre propice à la valorisation scientifique. Ce recrutement bénéficie d'un financement de l'Agence Nationale de la Recherche (ANR). Pré-requis du poste – Compétences Excellente maîtrise des processus/chaînes de Markov et semi-Markoviens, y compris versions cachées (HSMM) et méthodes d'inférence associées. Solides bases en statistique (vraisemblance, EM, information de Fisher), probabilités, optimisation numérique, algèbre linéaire computationnelle. Pratique confirmée de la programmation scientifique : Python (NumPy/SciPy, JAX ou PyTorch au besoin), R (data.table, Rcpp), et idéalement C++ (profilage/optimisation). Diplôme Master recherche/ingénieur (M2) – doctorat apprécié. Domaine de formation Mathématiques appliquées, statistique, probabilités/chaînes de Markov. #J-18808-Ljbffr