STAGE - IA générative & agentique pour les capteurs d'imagerie spatiale H/F

Le laboratoire d'opto-électronique (OED) caractérise des capteurs d'images pour le spatial. Il traite un volume important de documents techniques complexes — articles scientifiques denses (équations, figures), datasheets, rapports de test. L'analyse manuelle de ces documents est chronophage et ne valorise pas pleinement l'expertise accumulée.

Le laboratoire déploie une infrastructure IA locale de souveraineté (cluster Nvidia DGX Spark GB10, modèles LLM open-weight de type Qwen) pour expérimenter des cas d'usage IA en environnement 100 % local et autonome (réseau isolé, aucune donnée envoyée vers le cloud).

Le/la stagiaire participera activement au déploiement et à l'inférence de modèles open-weight sur cette infrastructure : installation, mise en service du serveur d'inférence (vLLM), exécution et suivi d'inférence — une compétence de bout en bout sur la chaîne modèle open source.

Le/la stagiaire participera à la réalisation de deux démonstrateurs (POC) complémentaires :

1. Pipeline IA sur PDF scientifiques

• Transformer un article scientifique dense (équations, figures) en note technique et en code MATLAB ou Python production-grade, via un pipeline agentique avec points de validation humaine (HITL).
• Ingestion/parsing multimodal des PDF (RAG-Anything + MinerU) vers un graphe de connaissances.
• Construire le socle de vérification du pipeline : ré-écriture des équations extraites en expressions SymPy, comparaison symbolique et numérique avec le code généré, rapports de vérification consultables lors des points HITL.
• Évaluer la fidélité mathématique (recovery, conditionnement) et la réutilisabilité sur un nouveau papier.

2. Assistant RAG souverain pour le laboratoire (capteurs)

• Profiler et nettoyer la base documentaire en amont de l'ingestion (doublons et quasi-doublons, versions, métadonnées, qualité d'extraction) ; produire un état des lieux chiffré du corpus et les règles de nettoyage.
• Ingérer la base documentaire (datasheets, publications, rapports de test) et construire un moteur de recherche sémantique sur index vectoriel + graphe de connaissances (Neo4j / GraphRAG).
• Développer un assistant métier interactif (OpenWebUI + custom skills) avec réponses sourcées et traçables.
• Étudier l'apport du fine-tuning (LoRA/QLoRA, Unsloth) et des agents multi-outils (n8n / OpenClaw).
• Contribuer à la démonstration du ROI : mesurer le temps gagné sur la recherche d'information technique.

• Travail sur infrastructure GPU réelle (DGX Spark GB10) et stack IA souveraine de bout en bout (vLLM, RAG-Anything, Qwen, OpenWebUI, Neo4j).
• Expérience du déploiement et de l'inférence de modèles open-weight en environnement isolé.
• Deux POC concrets, de l'extraction documentaire à l'assistant métier, avec évaluation quantitative (fidélité mathématique, ROI).
• Une méthodologie de traçabilité et de validation (points HITL, vérification symbolique SymPy, jeu d'évaluation) directement transposable en entreprise.

Le stage pourrait débuter en Mars/Avril 2027.

• Formation Master 2 / École d'ingénieur en machine learning, deep learning ou data science (ou en traitement du signal avec forte appétence IA).
• Bonne maîtrise de Python ; expérience appréciée avec les LLM / RAG (LangChain, Hugging Face, vLLM), Docker, git.
• Attrait pour les systèmes locaux, l'open source et la souveraineté des données.
• Rigueur, autonomie, esprit d'analyse critique (les résultats doivent être tracés et fiables — pas de « boîte noire »).
• Français courant, anglais scientifique lu/écrit (lecture d'articles).

*En tant qu'EPIC, le CNES applique un principe de neutralité (notamment politique et religieux) à l'ensemble de ses collaborateurs