Ingénieur de recherche Détection d’anomalies visuelles complexes par apprentissage très faiblement supervisé: Etudes, applications et transposition des méthodes Visual Large Model à l’industrie du futur.

Ce recrutement s’inscrit dans le cadre du projet PostGenAI piloté par Sorbonne Université. Le projet est soutenu par l'Agence Nationale de la Recherche (ANR), dans le cadre du plan d'investissement gouvernemental France 2030.

Vos missions

• Assurer une étude scientifique rigoureuse, visant à comparer les performances des modèles VLM sur la détection d’anomalies visuelles complexes.

• Prendre en charge l’étude complète, dimensionner les critères d’évaluations ainsi que les configurations de déploiement des modèles, mener les expérimentations associées.

• Contribuer à l’écriture d’articles scientifiques reprenant les résultats de l’étude et proposant des recommandations quant à la transposition et au déploiement des modèles VLM dans l’industrie.

Activités principales

Le sujet traite de la problématique générale de la détection d’anomalies visuelles complexes dans l’industrie. L’industrie doit se doter d’outils d’inspection de confiance rapidement déployables en production. Les solutions d’IA supervisées les plus performantes reposent sur une activité préalable longue et coûteuses d’étiquetage d’images par des experts-process (plusieurs centaines d’étiquetages d’images). Les anomalies visuelles complexes sont : (1) des défauts logiques où les modèles doivent détecter et contrôler la logique de positionnement relatif entre différents objets ou entités de la scène. Il s’agit par exemple : du contrôle de l’absence/présence de pièces ou composants, de la détection d’erreurs de câblages etc. (2), ils sont aussi des défauts de texture, comme des opacités, des fissures, des arrachements, etc.

• L’activité principale du poste sera d’étudier puis de comparer les performances des modèles VLM sur la détection de ces anomalies. Les critères de couts seront pris en comptes (liés à l’inférence, à l’étiquetage, aux formulations des prompts et à la consommation électrique, etc). Les différents types de modèles (format ouvert, propriétaire etc.) seront à considérer pour l’étude. 

• Sur la base des résultats obtenus, des recommandations quant à la transposition de ces méthodes à l’industrie seront proposées puis valorisées auprès d’industriels partenaires de l’UTC.

• La rédaction, la soumission et la publication dans des journaux scientifiques sont attendues.

Informations complémentaires

Dates pour candidater

Du 21/09/2026 au 20/10/2026

Type de contrat et date prévisionnelle de recrutement

Contrat à durée déterminée - durée prévue de 18 mois - à pourvoir en octobre 2026

Salaire mensuel brut

Selon expérience et financement

Volume horaire

37 heures et 30 minutes par semaine - 1 607 heures par an

Contexte scientifique / résumé du projet

Le cluster PostGenAI@Paris a pour ambition d’anticiper les ruptures de l’intelligence artificielle et d’en maîtriser les enjeux scientifiques, sociétaux et éthiques — là où les frontières entre technologie et intelligence humaine deviennent progressivement indistinctes.

https://postgenai.sorbonne-universite.fr

Le projet porte sur le CAP 1.6 AI for Industry, qui a pour objectif de développer des méthodes d’explicabilité et de quantification d’incertitude pour rendre l’IA utilisable, auditable et vraiment opérationnelle dans les décisions industrielles liées aux risques.

https://postgenai.sorbonne-universite.fr/pac/cap-1.6

Bien qu’il existe un nombre de solutions important (méthodes locales, méthodes globales (Carvalho et al., 2024)), une marge de progression est encore nécessaire sur les taux de fausses alarmes. Les premières constatations issues de l’étude benchmark sur AutoVI montrent que pour des défauts logiques (des câblages par exemple) le taux de fausses alarmes est compris entre 5% et 20%. Il est donc primordial d’apporter de nouvelles méthodes aidant à expliquer les raisons d’une fausse activation. Par conséquent, un verrou attaqué dans ce projet concerne la réduction des taux de fausses alarmes et l'amélioration de l'explicabilité des résultats pour les images incorrectement classées comme défectueuses.

Compétences

• Savoir concevoir et mettre en œuvre un protocole scientifique expérimental rigoureux

• Avoir des bases solides en programmation Python et comprendre les architectures des IA basées sur les LLM et VLM

• Avoir des connaissances en inspection de défauts visuels pour l’industrie

Diplôme

Diplôme d’ingénieur ou master

Domaine

Génie Industriel, Génie informatique