CDD – Post-doctorant IA & Mathématiques Appliquées pour la Prévision Météorologique Long Terme (H/F/X)

Description de l'offre

Pays France

Ville PALAISEAU

Area
91 - Essonne

Lieu de travail PALAISEAU-LE NEXT(FRA)

Société employeur TotalEnergies OneTech

Domaine Géoscience & Réservoir, Recherche Innovation&Développt, Systèmes d'Information

Type de contrat CDD

Durée du contrat
24 Mois

Expérience Moins de 3 ans

Contexte et environnement

Vous intégrez l'équipe Forecast de la branche OneTech, basée à Palaiseau (Paris-Saclay), en charge de la recherche et du développement de modèles de prévision météorologique pour les activités de la Compagnie. Le poste s'inscrit dans le cadre d'un programme de recherche dédié au développement d'une nouvelle génération de méthodes d'intelligence artificielle appliquées à la prévision du système Terre.

Les travaux portent sur la conception de modèles de prévision météorologique fondés sur l'intelligence artificielle, les mathématiques appliquées et la modélisation probabiliste. L'objectif est de développer des modèles robustes, fiables et capables de quantifier leurs incertitudes pour des prévisions à moyenne et longue échéance, au-delà de 15 jours.

Vous travaillez sur des jeux de données observationnelles à grande échelle ainsi que sur des infrastructures de calcul avancées. Le poste implique des interactions régulières avec les équipes IA, data science et experts météorologiques de TotalEnergies, ainsi que des collaborations potentielles avec des partenaires académiques français et internationaux.

Activités

À ce titre, vous serez amené à : 

·  Réaliser des recherches originales en scientific machine learning appliquées à la prévision météorologique. 
·  Réaliser une revue approfondie de la littérature scientifique sur les modèles météorologiques de nouvelle génération et les approches de prévision basées sur l'intelligence artificielle. 
·  Développer des modèles de machine learning et de deep learning pour la prévision météorologique à moyenne et longue échéance.
·  Concevoir des modèles probabilistes et génératifs permettant de quantifier les incertitudes associées aux prévisions.
·  Étudier et développer des approches reposant sur l'apprentissage d'opérateurs mathématiques, les systèmes dynamiques et les méthodes probabilistes avancées.
·  Développer et intégrer les modèles au sein de workflows robustes et reproductibles.
·  Évaluer les performances scientifiques et opérationnelles des modèles développés à l'aide de métriques déterministes et probabilistes.
·  Contribuer au développement de nouvelles méthodologies d'intelligence artificielle appliquées aux sciences de l'environnement.
·  Valoriser les résultats obtenus à travers des publications scientifiques et des présentations dans des conférences internationales. 

Cette liste n'est pas exhaustive.

Profil du candidat

Diplômé d'un doctorat (PhD) en machine learning, intelligence artificielle, mathématiques appliquées, statistiques, informatique ou domaine équivalent, vous avez soutenu votre thèse depuis moins de trois ans afin de répondre aux critères d'éligibilité du dispositif postdoctoral. Une expérience de recherche démontrée par des publications scientifiques ou des travaux reconnus est attendue .  La maîtrise de l'anglais scientifique et professionnel (niveau C1) est indispensable dans le cadre des collaborations internationales, des publications et des échanges scientifiques. Une expérience en prévision météorologique, en sciences de l'atmosphère ou en sciences du système Terre constitue un atout.

Vous intervenez sur des problématiques de prévision météorologique fondées sur l'intelligence artificielle, d'apprentissage statistique et probabiliste, de quantification des incertitudes et de modélisation de systèmes complexes. Les travaux s'appuient sur l'exploitation de grands volumes de données d'observation et le développement de modèles avancés de prévision du système Terre.

 

Vous avez : 

·  Une expertise en deep learning.
·  De solides connaissances en apprentissage statistique et probabiliste.
·  Une expérience en quantification des incertitudes ou en modélisation probabiliste.
·  Des connaissances en méthodes bayésiennes, inférence variationnelle ou processus stochastiques.
·  Une pratique du développement de modèles de machine learning pour des applications scientifiques.
·  Une excellente maîtrise de Python.
·  Une pratique des frameworks modernes de deep learning, notamment JAX, PyTorch ou équivalent.

Une expérience de la rédaction et de la publication scientifique.

Informations supplémentaires

TotalEnergies valorise la diversité, promeut le développement individuel et offre des opportunités d'emploi égales à tous les candidats.