Ingénieur·e R&D Deep Learning — Cœur technologique Xpdeep

Le problème qu'on attaque

La plupart des architectures de deep learning sacrifient l'explicabilité pour la performance, ou inversement. Nous faisons les deux en même temps, et sur séries temporelles, nos modèles atteignent une précision souvent supérieure aux architectures black-box de référence. Ce n'est pas un compromis bien réglé : c'est une conséquence structurelle de l'optimisation conjointe précision/explicabilité, qui produit des modèles mieux paramétrés et plus contrôlables que leurs équivalents opaques.

Sur cette base, nous construisons plusieurs capacités qu'aucune architecture post-hoc ne peut produire :

Compréhension du modèle et optimisation : Grace à notre interface XpViz il est possible visualiser le fonctionnement intime du modèle pour le comprendre, puis de l'aligner sur les attentes et besoins métiers, et enfin de l'optimiser très précisément. Les modèles obtenus sont plus précis, plus frugaux, plus rapides que les modèles boites noires.

• Prédiction structurellement expliquée : la sortie du modèle est accompagnée de la contribution causale réelle des variables d'entrée, dans le temps.

• Prescription : l'intervention minimale sur les entrées qui change l'outcome — un problème d'optimisation contrainte sous contrainte de cohérence interne au modèle, ouvert et techniquement passionnant.

• Composabilité agentique : nos modèles s'exposent (via MCP) à des orchestrateurs qui prennent leurs décisions sur la base du pourquoi de chaque prédiction, pas seulement du quoi.

Ces capacités sont déployées chez des grands comptes industriels sur des cas réels — capteurs virtuels, contrôle qualité, maintenance prédictive, systèmes critiques.

Le poste

Vous rejoignez l'équipe qui maintient et fait évoluer le cœur technologique de la plateforme — la couche PyTorch où les architectures explicables par conception sont implémentées, entraînées et industrialisées.

Phase actuelle : passage à l'échelle. Le cœur existe, il fonctionne en production, il a été reconnu par plusieurs programmes d'innovation (iLab, "Pionnier de l'IA" en industrie des procédés, NETVA, projets collaboratifs européens). La prochaine étape est de le porter à un niveau de robustesse, de performance et de maturité logicielle qui en fasse une référence industrielle internationale.

Ce que ça veut dire concrètement, sur 12 mois :

• Reprendre une base de code PyTorch dense (entraînement, modèles, pipelines d'inférence), en comprendre la logique profonde, identifier les limites structurelles, proposer et implémenter des évolutions.

• Travailler sur les problèmes ouverts de l'explicabilité par conception : comment renforcer la stabilité des explications, étendre les architectures à de nouvelles modalités, améliorer le rapport performance/interprétabilité sur des régimes de données plus difficiles.

• Industrialiser ce qui sort de la recherche : tests, reproductibilité, scalabilité, optimisation GPU (infrastructure locale : A100, 3 × H100).

Contribuer à la roadmap technique : intégration agentique, extension de la prescription à de nouveaux types de problèmes., LLM…

Ce n'est pas un poste où vous appliquez des recettes. C'est un poste où vous faites avancer la frontière, avec la responsabilité d'un composant critique.

Le profil

Le critère central, c'est le niveau de programmation. Nous cherchons un·e excellent·e ingénieur·e, capable de lire, refactorer et faire évoluer du code complexe — pas un·e utilisateur·rice de bibliothèques.

Indispensable :

• Très bon niveau Python et conception logicielle (architecture, tests, refactoring). La maîtrise du C/C++ est un atout supplémentaire.

• Maîtrise confirmée de PyTorch et de son écosystème (entraînement, optimisation, debugging GPU).

• Solides bases mathématiques en deep learning : architectures, optimisation, statistiques.

• Capacité à travailler sur des sujets ouverts en autonomie et à argumenter ses choix techniques.

Apprécié, mais non requis :

• Doctorat en ML / mathématiques appliquées / domaine connexe (compté comme expérience).

• Travail antérieur sur séries temporelles, modèles d'état, transformers temporels.

• Expérience LLM, MCP, systèmes agentiques.

• Contributions open source, publications.

Expérience de l'industrialisation en environnement contraint (systèmes critiques, conformité, audit).

Fourchette d'expérience indicative : 3 à 10 ans post-diplôme (thèse incluse). Au-delà, parlons-en — un profil staff peut avoir du sens si le scope correspond.

L'équipe et le contexte

Xpdeep est une JEIR créée en avril 2023, issue de l'Université Grenoble Alpes. L'équipe technique est composée des chercheurs à l'origine des fondations scientifiques de la solution, et d'ingénieurs qui industrialisent. Vous travaillerez en direct avec ces deux populations — pas avec une couche intermédiaire qui aurait perdu la mémoire du pourquoi.

La culture engineering qu'on construit :

• Code lisible, testé, pensé pour durer. Revues techniques exigeantes sur le fond.

• Décisions d'architecture argumentées et documentées.

• Reproductibilité scientifique non négociable.

• Liberté technique forte, ownership réel, responsabilité assumée.

• Discussions ouvertes — architecture, maths, produit, industrialisation — dans la même journée.

Conditions

• CDI, statut cadre, convention Syntec.

• Rémunération : 60-90 k€ brut selon expérience.

• BSPCE après période d'essai (JEIR — régime fiscal favorable pour les bénéficiaires).

• Hybride : 2 jours minimum par semaine sur site (Bâtiment IMAG, Saint-Martin-d'Hères). Le reste flexible.

• Infrastructure de calcul locale : A100, 3 × H100.

Pourquoi maintenant

La pression sur l'IA industrielle ne vient plus principalement des régulateurs : elle vient des directions industrielles qui ne peuvent pas déployer ce qu'elles ne peuvent pas auditer, défendre juridiquement, ou faire assurer. Cette pression impacte largement le marché. Très peu d'équipes au monde traitent ce problème au niveau des architectures elles-mêmes. C'est ce qu'on fait — et on entre dans la phase où les décisions techniques que vous prendrez auront un effet durable sur la trajectoire produit.

Candidater

Envoyez CV + lien GitHub / publications / projets significatifs. Pas de lettre de motivation. Si vous nous intéressez, premier échange technique sous 10 jours.