Statisticien / Statisticienne (H/F)

Mission :

Le Centre National de la Recherche Scientifique (CNRS) recrute un-e ingénieur-e en traitement et analyse de bases de données du système Terre avec une expertise en IA générative, architectures agentiques et une connaissance des données environnementales afin de contribuer à la mise en place d'une chaîne de traitement permettant de transformer des données scientifiques FAIR en données « IA-native », adaptées à l'entraînement, l'évaluation et la validation de modèles d'intelligence artificielle.

Le poste s'inscrit dans les activités de l'infrastructure de recherche nationale Data Terra et du projet européen Horizon Europe GenAI4Earth, coordonné par le CNRS. Le projet rassemble 17 partenaires académiques et industriels issus de dix pays européens autour du développement de nouvelles générations de services d'IA pour les données environnementales, géospatiales et scientifiques. Data Terra pilote par ailleurs un nœud thématique de l'European Open Science Cloud (EOSC) et contribue à plusieurs projets européens stratégiques (EOSC-ARENA, CDIF4EOSC, FLUID-AI) liés aux infrastructures numériques scientifiques, à l'IA de confiance et aux services FAIR de données environnementales.

La personne recrutée aura pour missions :

• de développer des outils d'analyse (accessibles par Environnement Virtuel de Recherche -VRE/Jupyter-) pour préparer, qualifier, annoter et contrôler la qualité des données et métadonnées, ainsi que pour constituer des benchmarks de référence destinés à l'évaluation des modèles d'IA.
• de constituer, contextualiser et de documenter des jeux de données de référence (« golden benchmarks ») pour l'entraînement, la validation et le test de modèles fondation IA.

Le poste se situe à l'interface entre science des données, gestion et qualification des données scientifiques, intelligence artificielle et sciences du système Terre-Environnement. Le poste sera intégré à l'équipe de coordination de Data Terra, en interaction étroite avec plusieurs laboratoires du CNRS et partenaires européens, notamment GFZ, CSIC, TUM, WUR, University of Edinburgh et INRIA. L'agent-e sera affecté-e à l'Unité d'Appui et de Recherche (UAR) Data Terra, infrastructure de recherche nationale dédiée aux données et services numériques pour l'observation du système Terre-Environnement (atmosphère, océans, surfaces continentales, Terre solide et biodiversité).

L'ingénieur-e développera des outils opérationnels, mobilisant l'intelligence artificielle, pour la préparation et l'analyse de données scientifiques environnementales dans le cadre des activités du projet européen GenAI4Earth et du nœud EOSC de Data Terra.

L'ingénieur-e aura pour mission de concevoir et développer des chaînes de traitement permettant de rendre des données scientifiques IA-natives, depuis leur préparation, harmonisation et contrôle qualité jusqu'à leur annotation, qualification et documentation. Il/elle développera des outils d'annotation et de labellisation, en interaction étroite avec les experts scientifiques, et contribuera à la constitution de jeux de données de référence pour l'entraînement et l'évaluation des modèles d'IA. Il/elle assurera la traçabilité, le versionnement, la reproductibilité et la documentation FAIR des données et traitements. Ces développements seront intégrés dans des workflows et notebooks reproductibles au sein d'environnements VRE/Jupyter.

Activités :

Les activités porteront sur :

le développement de workflows de préparation, transformation, harmonisation et contrôle qualité des données mobilisés dans le projet,

la définition et mise en œuvre des méthodes de qualification de données « IA-natives»,

le développement d'outils d'annotation et de labellisation de données par des experts scientifiques, à travers la mise en place de fonctionnalités assistées par IA,

la constitution et la documentation de jeux de données de référence (« golden standard ») pour l'entraînement, la validation et le test de modèles d'IA générative.

la mise en œuvre de procédures de contrôle, validation, versionnement et traçabilité des annotations.

le développement de notebooks et workflows reproductibles dans un environnement VRE/Jupyter.

la documentation FAIR des données, méthodes, traitements et jeux de référence produits.

la participation aux échanges avec les chercheurs et experts scientifiques impliqués dans les cas d'étude.

Les développements seront réalisés sur trois cas d'usage complémentaires, avec constitution d'outils d'annotation et de benchmarks pour l'IA :

• Données sismologiques par fibre optique : préparation, exploration, annotation et labellisation de séries temporelles issues de systèmes d'acquisition Distributed Acoustic Sensing (DAS), et de résultats de modèles IA en lien avec les catalogues de données DAS du pôle FormaTerre de Data Terra ;
• Données géospatiales d'observation de la Terre-Environnement : données et mesures mul.