Ingénieure / Ingénieur de recherche, informatique, science des données F/H

Missions principales :Vous serez le principal moteur d’une des taches du projet à savoir T2, « Implémentation logicielle ». Plus précisément, votre rôle consistera à apporter des contributions pratiques par le biais de l’implémentation et validation expérimentale des approches d’explicabilité qui passent à l’échelle des grandes architectures de données.Activités principales :Travailler à l’Université Grenoble Alpes, c’est rejoindre un campus universitaire dynamique et un établissement qui s’inscrit dans le top 10 des établissements d’enseignement supérieur français. Richesse et diversité des compétences, gestion de carrière, qualité de vie au travail, rejoignez nos 7 800 personnels !Les 450 membres du LIG (enseignants, chercheurs permanents, doctorants, personnel administratif et technique) sont répartis sur trois sites à Grenoble et sa périphérie : le Campus Saint Martin d'Hères, Minatec et le Campus Montbonnot. Rémunération :A partir de 2289€ mensuel brut et en fonction de l’expérience.Vous percevrez en plus de votre salaire un régime indemnitaire d'un montant mensuel brut de 1046 €.Ils relèvent de différents organismes : CNRS, Université Grenoble Alpes, Grenoble INP et INRIA Grenoble Alpes. La mission du LIG est de contribuer au développement des aspects fondamentaux de l'informatique (modèles, langages, méthodologies, algorithmes) et de relever des défis conceptuels, technologiques et sociétaux. La diversité et le dynamisme croissants des données, des services, des dispositifs d'interaction et des cas d'utilisation influencent l'évolution des logiciels et des systèmes, de sorte qu'ils doivent garantir les propriétés essentielles telles que la fiabilité, la performance, l'autonomie et l'adaptabilité. Relever ces défis est l'objectif de 24 équipes de recherche organisées en 5 axes.Équipe DAISY (https://lig-daisy.imag.fr), faisant partie du Laboratoire LIG, unité mixte de recherche UMR 5217 et qui vise à développer des approches gestion de données appliqués aux algorithmes d’IA en se appuyant sur des methodologies d’explicabilité, efficacité et inderdisciplinarité.