Ingénieur pédagogique
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
Contexte / Mission principale
L’ingénieur.e contribuera à la transformation et à la modernisation des enseignements en traitement et analyse d’images, notamment par l’intégration progressive de méthodes d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond.
Cette mission s’inscrit dans la chaire PHAIMS – Physics-aware AI for Imaging Science https://miai-cluster.univ-grenoble-alpes.fr/fr/recherche/chaires/phaims-physics-aware-ai-for-imaging-science-from-space-to-atoms-1641665.kjsp de l’institut MIAI Cluster, dont l’un des objectifs est de développer un ensemble cohérent, mutualisé et réutilisable de ressources pédagogiques sur l’IA appliquée à l’imagerie, en lien étroit avec les activités de recherche et les cas d’usage développés dans le projet.
Une attention particulière sera portée aux enseignements de 2e et 3e année de la filière SICOM, conjointement portés par Phelma et Ense3, ainsi qu’à certains enseignements de première année et à d’autres formations concernées par le projet PHAIMS.
En collaboration étroite avec les enseignants-chercheurs, l’ingénieur.e participera à la conception, au développement, à l’expérimentation et à la maintenance de ressources pédagogiques pratiques : notebooks Jupyter, travaux pratiques, démonstrations pour les cours, jeux de données et cas d’étude, visualisations scientifiques, tutoriels, corrigés et outils pédagogiques interactifs.
Ces développements pourront également contribuer à d’autres actions de formation de PHAIMS, notamment des formations spécialisées, des ressources en ligne ou des actions de formation continue.
Activités
Mettre en œuvre des méthodes de traitement et d’analyse d’images sur des cas pédagogiques progressifs
Introduire et expérimenter des méthodes de machine learning et de deep learning appliquées aux images
Développer des notebooks Jupyter, travaux pratiques, démonstrations interactives et exercices accompagnés
Préparer des jeux de données, exemples d’application et cas d’étude adaptés aux objectifs pédagogiques
Produire des visualisations scientifiques, figures explicatives et outils interactifs facilitant la compréhension des concepts
Intégrer progressivement des méthodes modernes de vision par ordinateur et d’IA dans les enseignements existants
Développer des exemples liés à différents domaines d’application, notamment l’imagerie multidimensionnelle, multimodale, médicale ou de télédétection selon les enseignements concernés
Rédiger et mettre à jour des supports de travaux pratiques, tutoriels, corrigés et documentations techniques
Valider, tester et effectuer la maintenance des ressources développées
Mettre en place des pratiques favorisant la reproductibilité des expériences et la réutilisation des ressources
Organiser et mutualiser des codes, données et supports afin de permettre leur utilisation dans plusieurs enseignements et formats de formation
Accompagner les enseignants dans l’intégration de ces ressources au sein de leurs cours, travaux pratiques et projets
Présenter, documenter et valoriser les ressources développées auprès des enseignants, étudiants et partenaires impliqués dans le projet PHAIMS
Participer aux réunions mensuelles avec la cheffe de projet Pédagogie de MIAI Cluster en vue, par exemple, de partager les contenus produits, participer à la création de la librairie de ressources en ligne ou à des forums / ateliers de sensibilisation à l’IA ou tenue de stand dans des salons / journées portes ouvertes pour le compte de MIAI
Compétences requises
Programmation scientifique en Python
Traitement et analyse d’images
Machine learning et deep learning
Utilisation de bibliothèques scientifiques et d’apprentissage automatique en Python
Développement de notebooks Jupyter et de ressources pédagogiques numériques
Capacité à manipuler, analyser et visualiser des données d’imagerie
Esprit de synthèse, rigueur, autonomie et capacité d’organisation
Aptitude au travail en équipe et à la collaboration avec des enseignants-chercheurs
Intérêt pour la pédagogie, la transmission scientifique et le développement de ressources destinées aux étudiants
Compétences recommandées
Vision par ordinateur
Télédétection et traitement d’images multidimensionnelles ou multimodales
Expérience avec des frameworks de deep learning tels que PyTorch ou TensorFlow
Bonnes pratiques de développement logiciel : Git, gestion de versions, documentation, tests et reproductibilité
Création de visualis