Stagiaire en IA de périphérie (Edge AI), Été 2026

Rechercher et implémenter des techniques de compression de modèles de pointe (LLM, CNN) pour le déploiement en périphérie, en utilisant des méthodes telles que la quantification (INT8, INT4), l'élagage (pruning) et la distillation de connaissances.,Prototyper et déployer des moteurs d'inférence sur du matériel local (par exemple, CPU/NPU mobiles, serveurs de périphérie ou systèmes embarqués) en utilisant des frameworks comme ONNX Runtime, TensorFlow Lite ou ExecuTorch.,Analyser et profiler les performances des modèles pour identifier les goulots d'étranglement ; optimiser les pipelines d'inférence pour des applications financières en temps réel (par exemple, détection de fraude, authentification biométrique).,Expérimenter des stratégies de calcul distribué pour diviser intelligemment la charge de travail entre l'appareil de périphérie et le cloud.,Développer des suites de tests rigoureuses pour mesurer la consommation d'énergie, l'empreinte mémoire et la vitesse d'inférence sur différentes cibles matérielles.

Actuellement inscrit à un programme de maîtrise ou à un programme de premier cycle avancé en informatique, en génie électrique ou dans un domaine connexe.,Maîtrise approfondie de Python et C++ (spécifiquement pour l'inférence haute performance).,Compréhension approfondie des frameworks de deep learning (PyTorch ou TensorFlow) et de leurs mécanismes internes.,Expérience avec les techniques de compression de modèles (Quantification, LoRA, etc.).,Familiarité avec les runtimes d'inférence de périphérie (par exemple, ONNX, TensorRT, CoreML ou TFLite).,Expérience de recherche ou publications en deep learning efficace ou en systèmes pour le ML (Atout).,Expérience en optimisation de l'inférence LLM (par exemple, vLLM, llama.cpp) (Atout).,Connaissance de la co-conception matériel-logiciel (comprendre comment la hiérarchie de la mémoire affecte les performances de l'IA) (Atout).,Exposition antérieure à l'industrie financière ou aux technologies de préservation de la vie privée (par exemple, apprentissage fédéré) (Atout).

Programme de maîtrise ou premier cycle avancé