Stage Innovation : Ingénieur Génie Logiciel / Intelligence Artificielle

About this role

A la Direction de l’Innovation , nous menons des projets de recherche sur des champs d’expérimentation très larges et multi-sectoriels. Ces projets innovants, développés en équipes, sont encadrés par nos experts au sein des ALTEN Labs (IDF, Toulouse, Grenoble, Rennes et Sophia Antipolis), et tentent de répondre aux enjeux de nos clients en leur fournissant des solutions technologiques originales et disruptives. Au sein de notre Lab de Sèvres , vous serez accompagné(e) par un Pilote Innovation (Chef de projet) pour vous permettre de développer vos compétences sur les activités du projet suivant.

Projet : R&D sur un outil de prédiction spatial Dans le cadre d'un projet de Recherche sur les prédictions de positions satellitaires, vous serez amené(e) à réaliser les missions suivantes : Implémentation d’IA apprenante, IA de comparaison de classe, IA de proposition d’optimisation Implémentation de Mécanique Spatiale dans un outil de prédiction​ Gestion de projet ​ Gestion de base de données diverses Développement Front / Back simple de démonstrateurs Vous êtes étudiant(e) en dernière année d’École d’Ingénieur à la recherche d’un stage de fin d’études et vous avez suivi une spécialisation en Intelligence Artificielle, Calcul Scientifique, Mathématiques Appliquées, Génie Logiciel ou Ingénierie Aérospatiale.

Vous disposez de solides compétences en développement Python et en calcul scientifique, et maîtrisez les outils modernes de l’ingénierie logicielle tels que Git, Azure DevOps, Docker, les pipelines CI/CD et les environnements Linux. Vous êtes à l’aise dans des contextes pluridisciplinaires où interagissent logiciels, données et modèles d’ingénierie. Vous portez un intérêt marqué à l’application de l’Intelligence Artificielle aux systèmes physiques, notamment à travers les Physics-Informed Neural Networks (PINNs), les Neural Operators tels que les Fourier Neural Operators (FNOs) ou DeepONet, le Scientific Machine Learning (SciML), la modélisation de substitution (surrogate modeling) et les simulations guidées par la physique.

Une expérience avec des frameworks tels que PyTorch, JAX ou TensorFlow constitue un atout. Des connaissances en modélisation et simulation de systèmes dynamiques, en résolution d’équations aux dérivées partielles (EDP/PDE), en quantification des incertitudes, en jumeaux numériques (Digital Twins) ou en analyse de missions spatiales seront particulièrement appréciées. Toute expérience académique, de recherche ou industrielle portant sur les systèmes satellitaires, la mécanique orbitale, les opérations spatiales, l’observation de la Terre, la thermique spatiale, la dynamique des fluides ou les simulations d’ingénierie assistées par IA constituera un réel avantage.