Descriptif du poste:\n\nSpécialisé dans le domaine de l'énergie, notre client développe des activités de recherche à l'interface entre l'apprentissage automatique et l'optimisation des systèmes électriques. Dans ce cadre, le service R&D explore l'application de modèles de fondation (foundation models) et d'architectures de type GNN / Graph Transformer aux problèmes d'optimisation de réseau : flux de puissance optimal (OPF), reconfiguration topologique optimale (OTS), gestion de la congestion et contrôle de tension.\n\nMissions :\nRattaché à la Direction R&D, vous serez amené à :\n* Recherche & développement : concevoir, implémenter et évaluer des architectures de deep learning (Graph Neural Networks, Graph Transformers, modèles de diffusion, CNN) appliquées aux problèmes d'optimisation de réseau électrique, avec une attention particulière portée aux approches physics-informed.\n* Modèles de fondation : contribuer à la définition et à l'entraînement de modèles pré-entraînés sur des données de réseau électrique, incluant la conception de tâches de pré-entraînement et l'évaluation de leur transférabilité (topologies, échelles, régimes de fonctionnement).\n* MLOps & pré-industrialisation : mettre en place des pipelines d'entraînement et d'évaluation reproductibles, gérer le suivi d'expériences (tracking, versioning des données et des modèles), et structurer le passage du prototype de recherche vers un code maintenable.\n* Collaboration à l'échelle européenne : participer aux travaux d'un consortium européen, coordonner des livrables techniques partagés, communiquer des choix méthodologiques à des interlocuteurs aux profils variés (chercheurs, ingénieurs métier, partenaires industriels).\n* Valorisation scientifique : concevoir des protocoles expérimentaux rigoureux (baselines pertinentes, ablations, comparaisons quantitatives), et rédiger des publications scientifiques (conférences/journaux) et rapports techniques.\n \n\nProfil recherché:\n\n* Vous avez un Doctorat en apprentissage automatique, mathématiques appliquées ou domaine connexe.\n* Solides bases en deep learning : architectures Transformer, modèles de diffusion, CNN, Graph Neural Networks. Une expérience en approches physics-informed (contraintes physiques intégrées à l'architecture ou à la fonction de perte) est un atout.\n* Maîtrise de PyTorch, JAX (ou équivalent) et bonnes pratiques d'ingénierie logicielle pour la recherche.\n* Compétences MLOps : outils de suivi d'expériences (ex. MLflow, Hydra), gestion de pipelines d'entraînement, versioning de données et de modèles, conteneurisation.\n* Bases en systèmes électriques appréciées.\n* Bonne culture de l'expérimentation scientifique : définition de baselines, tests statistiques, analyse critique des résultats.\n* Très bon niveau d'anglais et capacité de travailler dans un contexte international.\n\nCe que nous offrons :\n\n Équilibre vie pro/perso : Charte télétravail, indemnisé et accessible à tous, vous permet de concilier vos priorités personnelles et professionnelles avec sérénité.\nReconnaissance de l'ancienneté : jusqu'à 5 jours de congés supplémentaires et un plan d'épargne pour valoriser votre engagement avec éclat.\nEngagement durable : des missions de mécénat de compétences, un pass mobilité durable et 75 % de vos trajets pris en charge pour un impact positif.\n En postulant à cette annonce, le candidat admet donner son consentement pour la transmission de ses informations.\nRémunération : 50K-60K annuel + participation