- La Défense - 92
- Stage
- Framatome
📑 Missions du poste
Implantée dans une vingtaine de pays, Framatome rassemble les expertises d'hommes et de femmes passionnés et convaincus que le nucléaire est une énergie d'avenir. Entreprise responsable, Framatome déploie des actions pour former et accompagner les premières expériences professionnelles (label Happy Trainees), intégrer tous les talents, dont les personnes en situation de handicap, oeuvrer pour l'égalité professionnelle et la mixité de nos métiers (94/100 à l'index de l'égalité hommes-femmes) et concilier les temps de vie.
Rejoignez-nous et suivez notre actualité sur www.framatome.com, LinkedIn ou bien Instagram.
Rejoignez notre équipe de R&D en IA et Data Science
Vous intégrerez le Centre de compétences en Data Science et Mathématiques Avancées (DSAM) de Framatome. L'équipe, composée d'experts en IA, apprentissage machine et ingénierie nucléaire, développe des solutions innovantes appliquées à des domaines tels que les systèmes critiques embarqués, les méthodes statistiques pour la démonstration de sûreté nucléaire, l'analyse de données multiphysiques expérimentales, la robotique ou l'IA générative.
Le contexte
L'optimisation de modèles d'apprentissage mobilise de nombreuses itérations expertes. L'équipe DSAM a développé un premier démonstrateur où un agent LLM propose des modifications de code, lance des expériences et compare leurs résultats, en autonomie. Le stage poursuivra ces travaux pour mesurer l'apport de cette approche et étendre son utilisation à des projets variés de modélisation pour l'ingénierie nucléaire.
Les missions
À partir du travail existant, vous contribuerez aux axes suivants :
Améliorer les stratégies de l'agent :
- Étudier les méthodes d'optimisation par agents LLM [1] et prendre en main le démonstrateur.
- Comparer des modèles exécutés localement et améliorer la planification des essais, l'exploitation des résultats passés et la gestion des échecs.
Évaluer les gains et leurs limites :
Concevoir des campagnes reproductibles [2], à budget de calcul comparable, face au modèle de référence et à des méthodes classiques comme Optuna [3]. Analyser les modes de défaillance de la démarche agentique, notamment les risques de contournement des contraintes, puis proposer des moyens de détection et de maîtrise adaptés.
Consolider et préparer la réutilisation :
- Renforcer l'exécution isolée, les outils autorisés et la traçabilité des modifications, sous le contrôle des experts.
- Documenter les résultats et le code, puis étudier une extension à d'autres cas d'usage selon l'avancement du stage.
Environnement de travail
LLM exécutés localement sur cluster GPU, développement en Python et suivi des expériences sous Git.
Références
[1] Jiang, Z. et al. AIDE: AI-Driven Exploration in the Space of Code. arXiv:2502.13138, 2025.
[2] Wijk, H. et al. RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts. arXiv:2411.15114, 2024.
[3] Akiba, T. et al. Optuna: A Next-generation Hyperparameter Optimization Framework. arXiv:1907.10902, 2019.
👤 Profil recherché
Vous êtes étudiant(e) en Master 2 ou équivalent, spécialisé(e) en Science des Données et Intelligence Artificielle.
Vous possédez de solides compétences en apprentissage statistique et en apprentissage profond, ainsi qu'une très bonne maîtrise de Python et de ses librairies usuelles, complétée par la pratique d'un framework de Deep Learning tel que PyTorch ou TensorFlow.
Vous disposez également d'une bonne maîtrise théorique des architectures Transformers et des LLM, idéalement appuyée par une expérience sur un projet réel. Vous pratiquez Git et Linux et disposez d'un bon niveau d'anglais technique.
Une expérience en IA agentique ou en calcul sur GPU serait appréciée.
Enfin, votre curiosité scientifique, votre rigueur expérimentale et votre goût du travail en équipe seront essentiels pour réussir ce stage de recherche appliquée.