Chercheur·se en Intelligence Artificielle Modèles de Fondation P H/F CIRAD

Vous partagez les valeurs de l'interculturalité, le partage des savoirs, ou encore la préservation de l'environnement ? Rejoignez-nous !

Au sein de l'UMR AMAP (Botanique et Modélisation de l'Architecture des Plantes et des Végétations), vous concevez, développez et déployez des modèles d'Intelligence Artificielle de nouvelle génération pour l'observation à grande échelle de la biodiversité végétale et l'accompagnement de la transition agroécologique. Votre mission est de créer les premiers modèles de fondation souverains et de confiance dédiés au végétal, en vous appuyant sur la plateforme Pl@ntNet.



Vos principales activités à l'échelle du collectif AMAP :

Concevoir et entraîner «from scratch» de grands modèles de fondation par apprentissage auto-supervisé sur des corpus massifs de données végétales (dont plus d'un milliard d'images Pl@ntNet)

Développer des approches multimodales de données hétérogènes : images, textes, données tabulaires, séries temporelles ; gérer les données manquantes.

Concevoir des méthodes d'adaptation «cross-domain» pour transférer l'information entre vues de terrain, acquisitions par drones et spécimens numérisés d'herbiers, pour lever le verrou «few-shot learning» d'identification des espèces rares

Développer des approches hybrides (apprentissage profond et modèles mécanistes/écologiques d'Amap pour garantir l'interprétabilité écologique des prédictions et contribuer aux jumeaux numériques d'(agro)écosystèmes

Concevoir des protocoles d'évaluation rigoureux (incertitude, biais, reproductibilité)

Participer à l'industrialisation des modèles sur les infrastructures centralisées (Pl@ntNet) et concevoir, par « distillation », des modèles compacts, frugaux et embarquables (drones, smartphones) adaptés aux contraintes des partenaires du Sud.



Sur les 3 premières années, vos travaux s'inscrivent prioritairement dans le projet européen BEAGLE (Biodiversity Methods for Advanced Monitoring at Large Scales) pour :

Développer et opérationnaliser des chaînes de traitement à large échelles d'images issues de capteurs, réseaux citoyens, experts, généralisables et compatibles avec le standard Darwin Core et Humboldt Core.

Concevoir des modèles de fondation mono- et multimodaux combinant différents types de données (dont images, audio, ADN environnemental et métadonnées écologiques) pour la détection d'espèces rares ou sous-documentées et pour l'inférence écologique.

Contribuer à une infrastructure de référence et jeux de données de test pour évaluer en continu la fiabilité des modèles d'IA avec des experts.

Participer à l'intégration des flux de données d'observation participative vers les agrégateurs mondiaux (eg GBIF).

Profil souhaité
À moyen terme, vous participerez au montage de projets structurants pour le CIRAD et ses partenaires, à l'encadrement de (post-)doctorant.e.s, à la représentation de l'institut dans les réseaux nationaux et internationaux d'IA (LifeCLEF, TDWG, GBIF), à des formations académiques et la transmission des connaissances.

Vous êtes titulaire d'un doctorat (exigé) en informatique avec une spécialisation en intelligence artificielle, centrée plus spécifiquement sur l'apprentissage de représentations (apprentissage profond) et la vision par ordinateur. Vous justifiez d'une expérience post-doctorale ou équivalente démontrant votre capacité à concevoir et à entraîner des architectures neuronales à très grande échelle sur des données réelles complexes.



Compétences scientifiques et techniques (Savoir et Savoir-faire) :

Maîtrise approfondie de l'apprentissage profond (Deep Learning), de l'apprentissage auto-supervisé (Self-Supervised Learning) et des architectures modernes (Vision Transformers, modèles multimodaux, Foundation Models).