at Thales
Full TimeQUI SOMMES-NOUS ?
Construisons ensemble un avenir de confiance
Thales est un leader mondial des hautes technologies spécialisé dans trois secteurs d’activité : Défense & Sécurité, Aéronautique & Spatial, et Cybersécurité & Identité numérique. Il développe des produits et solutions qui contribuent à un monde plus sûr, plus respectueux de l’environnement et plus inclusif. Le Groupe investit près de 4 milliards d’euros par an en Recherche & Développement, notamment dans des domaines clés de l’innovation tels que l’IA, la cybersécurité, le quantique, les technologies du cloud et la 6G. Thales compte près de 81 000 collaborateurs dans 68 pays.
Nos engagements, vos avantages
Vous suivez un cursus ingénieur avec une spécialisation en IA/Deep Learning et recherchez un stage de fin d'étude de 6 mois ?
Vous détenez des connaissances solides en deep et machine learning pour le traitement d'image ?
Vous maîtrisez Python et PyTorch (ou TensorFlow) ?
Idéalement, vous avez une expérience de deep learning (stage/projet) ?
Vous avez des bases en systèmes embarqués ?
Vous faites preuve d'un très bon niveau scientifique et technique, de qualités d'analyse et de synthèse, de rigueur ainsi que de pragmatisme dans le choix des solutions envisagées ?
On vous reconnait pour votre autonomie et vos capacités d'organisation ?
Alors ce qui suit va vous intéresser !
CE QUE NOUS POUVONS ACCOMPLIR ENSEMBLE :
L'état de l'art dans le domaine de la détection d'objets repose largement sur des méthodes basées sur les réseaux de neurones profonds (deep learning), qui sont souvent gourmandes en ressources de calcul.
La première partie du stage sera axée sur l’amélioration de la performance du modèle de détection d’objets. Pour cela, on pourra, par exemple, explorer les pistes suivantes : l’ajout de nouveaux datasets, l’évaluation de l’intérêt d’utiliser des images crées par une IA générative, l’évaluation de techniques d’active learning, l’exploitation de la mesure de l’orientation de la ligne de visée...
La deuxième partie sera axée sur l’embarquabilité du réseau dans un drone. Dans les systèmes embarqués, le développement d'algorithmes doit tenir compte des contraintes temporelles et de mémoire.
Pour répondre à ces défis, plusieurs solutions peuvent être envisagées, telles que la quantification des réseaux (post-training quantization, quantization-aware training, etc.), qui réduit l'empreinte mémoire, et l'utilisation d'opérateurs spécifiques comme les convolutions creuses (sparse convolutions). Ces stratégies permettent de trouver un meilleur compromis entre performance et embarcabilité, et ont déjà montré leur pertinence dans des travaux préalables. Le stage offrira l'opportunité d'améliorer et d'optimiser ces méthodes existantes.
En nous rejoignant, les missions qui vous seront confiées seront les suivantes :
Tous nos stages sont conventionnés et soumis à une gratification dont le montant est déterminé selon votre niveau d’études.
Thales reconnait tous les talents, la diversité est notre meilleur atout. Postulez et rejoignez nous !
