Destinus est une entreprise européenne spécialisée dans l’aérospatiale et la défense, qui développe des systèmes de vol autonomes pour des applications civiles et militaires. Fondée en 2021, l’entreprise conçoit et fabrique des technologies de vol couvrant plusieurs plages de vitesse, notamment de futures plateformes hypersoniques. Ses activités pluridisciplinaires réunissent l’ingénierie des structures aéronautiques, la propulsion par turboréacteur, les logiciels de vol, l’intelligence artificielle et la conception complète de systèmes. À mesure que Destinus agrandit son équipe, elle offre des opportunités de contribuer au développement de systèmes aéronautiques autonomes, efficaces et à grande vitesse.
Chercheur·euse en apprentissage automatique, certification de la sécurité aérienne
Étudiez les garanties mathématiques de sécurité de l’IA de vol autonome chez Destinus et Daedalean, en reliant la théorie de l’apprentissage statistique aux cadres de certification aéronautique de l’EASA.
Description
- Examiner et élaborer des stratégies de certification pour l’apprentissage automatique supervisé.
- Mettre en cohérence les garanties mathématiques, les arguments techniques et les évaluations des modèles avec le processus de certification de l’IA en forme de W de l’EASA.
- Étudier la théorie de l’apprentissage statistique, les bornes de généralisation et les garanties des réseaux neuronaux profonds dans des conditions réelles changeantes.
- Utiliser les statistiques et les processus stochastiques pour modéliser l’incertitude environnementale et le bruit des capteurs, et évaluer le niveau de confiance des mesures de performance.
- Évaluer la littérature de recherche, les preuves mathématiques et les hypothèses d’ingénierie avec la rigueur de l’évaluation par les pairs.
- Élaborer des justifications techniques et des raisonnements logiques pour les audits de sécurité et les cadres de certification.
- Écrire du code Python reproductible pour tester des hypothèses, valider des méthodes de certification et comparer des cadres de sécurité des modèles.
Exigences
- Avoir une connaissance approfondie de la théorie de l’apprentissage statistique, des bornes de généralisation et des fondements mathématiques des réseaux neuronaux profonds.
- Posséder de solides bases en probabilités avancées, en modélisation statistique et en processus stochastiques.
- Maîtriser Python et savoir écrire du code clair et reproductible ; des compétences de base en programmation peuvent s’acquérir en poste avec de solides fondements théoriques.
- Être capable de mener des revues de littérature approfondies, de repérer les lacunes de la recherche actuelle en IA et de traduire des concepts universitaires en cadres d’ingénierie ; cela peut s’apprendre avec de solides bases quantitatives.
- Avoir de l’expérience ou des aptitudes en évaluation par les pairs, notamment pour examiner de manière critique des preuves mathématiques, des hypothèses algorithmiques et des articles de recherche.
- Préparer ou avoir récemment obtenu un master ou un doctorat en informatique, mathématiques, statistique théorique, génie électrique, physique ou dans un domaine de recherche quantitative connexe.
- Faire preuve d’esprit critique et garder un scepticisme sain face aux hypothèses de l’apprentissage automatique et à la précision empirique.
- Être particulièrement capable de construire des raisonnements logiques solides et des justifications techniques.
- Être motivé·e par des problèmes mathématiques à l’intersection de l’informatique théorique, de l’ingénierie de la sécurité et des opérations de vol en conditions réelles.