Alternant(E) Bac +5 en Data Science

L’Ineris (Institut national de l'environnement industriel et des risques) est un Établissement Public à caractère Industriel et Commercial (EPIC) et placé sous la tutelle du ministère chargé de l'environnement. Son effectif est de 580 collaborateurs environ dont les 2/3 sont des ingénieurs/docteurs, pour l’essentiel basés à Verneuil-en-Halatte (Oise). Le chiffre d’affaires est de 80M€. Le statut du personnel est de droit privé (convention collective de la chimie). Sa mission : Réaliser ou faire réaliser des études et des recherches permettant de prévenir les risques que les activités économiques font peser sur la santé, la sécurité des personnes et des biens ainsi que sur l’environnement. Travailler à l’Ineris, c’est l’opportunité de mettre en œuvre et développer ses compétences dans le cadre des missions de recherche et d’expertise pour le compte des pouvoirs publics et des industriels. Ces missions intègrent excellence scientifique et technique, maîtrise de la gestion des coûts et des délais, et activités de laboratoire ou de terrain. L’Ineris dispose de moyens d’essais de pointe, souvent uniques en France voire en Europe.
Nos atouts:
A Verneuil en Halatte (site principal) : Environnement de travail privilégié sur un site boisé de 40 ha accessible en transports en commun, à 40mn au nord de Paris.
Une navette “Ineris” au départ de la gare de Creil assure gratuitement le trajet jusqu’à notre site en 10 minutes.
L’Ineris dispose de 30 000 m2 de laboratoires et halles d'essais avec des équipements multiples et à la pointe de la technologie.
Parking clos et surveillé
Restauration subventionnée (ou ticket restaurant pour sites hors Verneuil)
Transports publics remboursés partiellement
Bornes de recharge pour véhicules électriques
Possibilité de télétravail (selon le type de poste occupé)

**Description du poste**:
Le domaine de la surveillance microsismique bénéficie de plus en plus des techniques innovantes d’intelligence artificielle, qui offrent la possibilité d’un traitement en temps réel de nombreuses données sismiques.

Rattaché(e) à la direction Sites et territoires, au sein de l’unité auscultation et surveillance géotechnique et géophysique (AS2G) composée d’une quinzaine de personnes, cette offre d’alternance se situe dans un contexte d’évolution de nos technologies de gestion et de traitement de nos données sismiques pour la surveillance et la prévention des risques liés à l’usage industriel du sous-sol (e.g. géothermie profonde, mines et carrières). Dans ce contexte, l’alternant(e) participera au développement et à l’intégration de nouvelles techniques IA dans une chaîne de traitement opérationnel.

Il s’agira dans un premier temps de:

- Tester et implémenter des outils de pré-traitement automatique des signaux sismiques et acoustiques. Il s’agira en particulier de tester des modèles existants utilisant le Deep Learning qui permettent de retirer le bruit d’un signal (e.g. Richardson et al., 2019).
- Améliorer les modèles existants de classification automatique des signaux (microséismes, tirs de carrières, parasites électriques,) en tenant compte de l’évolution des signaux dans le temps qui peuvent causer une baisse de performance des modèles. Il s’agira en particulier de tester et d’intégrer dans les modèles existants un processus d’apprentissage par renforcement ou d’apprentissage par incrément en s’inspirant des modèles utilisés dans un contexte volcanique (e.g. Castro-Cabrera et al., 2021). L’alternant(e) sera libre, si besoin de proposer d’autres modèles.
- D’intégrer un calcul d’incertitudes sur la classification proposée par les modèles développés notamment via les réseaux de neurones bayésiens (BNN).

Il s‘agira ensuite d’étudier / optimiser la transférabilité des modèles à d’autres jeux de données (sites de surveillance différents) par des techniques de type Transfer Learning.

L’alternant(e) pourra également intervenir sur d’autres sujets portés par l’unité:

- La mise en place d’un modèle de Deep Learning pour le pointage automatique des temps d’arrivées des ondes P et S (e.g. PhaseNet, Zhu et al., 2019) et un modèle de Deep Learning pour la localisation des événements microsismiques (e.g. Hao et al., 2020).
- La prédiction de phénomènes de rupture dans les sols à partir des séries temporelles en utilisant différentes techniques IA.

L’alternant(e) contribuera à la documentation des procédures de traitement afin d’assurer une traçabilité des modèles, des résultats de validation et du code (usine logicielle, notebooks ) et de garantir la reproductibilité et le portage éventuel sur des machines de calcul haute performance (HPC).

**Profil recherché**:
Etudiant(e), vous souhaitez poursuivre vos études en école d’ingénieur ou Master dans le domaine de la science des données p