Yélé Consulting est un cabinet de conseil et d’ingénierie indépendant, spécialiste de la transition énergétique et environnementale. Nous intervenons dans les domaines de l’Énergie & Utilities, du Transport & Mobilité et de l’Industrie. Nos clients sont RTE, Enedis, TotalEnergies, RATP, SNCF…

Avec plus de 130 collaborateurs issus de parcours très variés, si vous recherchez un nouveau défi lié à la transition énergétique et environnementale, contactez-nous !

• Recherche & développement : concevoir, implémenter et évaluer des architectures de deep learning (Graph Neural Networks, Graph Transformers, modèles de diffusion, CNN) appliquées aux problèmes d'optimisation de réseau électrique, avec une attention particulière portée aux approches physics-informed.
• Modèles de fondation : contribuer à la définition et à l'entraînement de modèles pré-entraînés sur des données de réseau électrique, incluant la conception de tâches de pré-entraînement et l'évaluation de leur transférabilité (topologies, échelles, régimes de fonctionnement).
• MLOps & pré-industrialisation : mettre en place des pipelines d'entraînement et d'évaluation reproductibles, gérer le suivi d'expériences (tracking, versioning des données et des modèles), et structurer le passage du prototype de recherche vers un code maintenable.
• Collaboration à l'échelle européenne : participer aux travaux d'un consortium européen, coordonner des livrables techniques partagés, communiquer des choix méthodologiques à des interlocuteurs aux profils variés (chercheurs, ingénieurs métier, partenaires industriels).
• Valorisation scientifique : concevoir des protocoles expérimentaux rigoureux (baselines pertinentes, ablations, comparaisons quantitatives), et rédiger des publications scientifiques (conférences/journaux) et rapports techniques.

• Vous avez un Doctorat en apprentissage automatique, mathématiques appliquées ou domaine connexe.
• Solides bases en deep learning : architectures Transformer, modèles de diffusion, CNN, Graph Neural Networks. Une expérience en approches physics-informed (contraintes physiques intégrées à l'architecture ou à la fonction de perte) est un atout.
• Maîtrise de PyTorch, JAX (ou équivalent) et bonnes pratiques d'ingénierie logicielle pour la recherche.
• Compétences MLOps : outils de suivi d'expériences (ex. MLflow, Hydra), gestion de pipelines d'entraînement, versioning de données et de modèles, conteneurisation.
• Bases en systèmes électriques appréciées.
• Bonne culture de l'expérimentation scientifique : définition de baselines, tests statistiques, analyse critique des résultats.
• Très bon niveau d’anglais et capacité de travailler dans un contexte international.