Stage - Ingénieur en IA Agentique Optimisation de Modèles par Agents Llm H/F

Description

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:25, 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:19, 2019.