INGENIEUR ACQUISITION & TRAITEMENT DE DONNEES
Contexte :
Le candidat intervient au sein d’équipes dans des contextes très variés tel que l’optimisation opérationnelle pour des applications de maintenance préventive, optimisation des processus d’acquisition et de contrôle ou le support aux lignes de lumière pour traiter les données expérimentales.
MISSIONS
Activités principales :
• Faire l’analyse technique et la conception du ou des logiciels à réaliser.
• Réaliser les logiciels dans le/les langage(s) le plus approprié.
• Concevoir et implémenter des procédures de test.
• Déployer les logiciels (paquets).
• Rédiger les spécifications, documentations techniques et utilisateurs.
LIVRABLES
Analyse technique et conception (spécifications techniques, architecture logicielle) ;
Code source des logiciels développés ;
Procédures et scripts de test ;
Packages déployables ;
Documentation technique et utilisateurs
Profil & Exigences techniques :
• Maîtrise approfondie des concepts de traitements de données scientifiques :
• Développement et implémentation d'algorithmes pour l'analyse d'images scientifiques (ex: détection de features, segmentation, reconstruction tomographique, analyse de diffraction/diffusion).
• Application et développement de méthodes de calculs statistiques (ex: ajustement de
modèles, analyse d'erreurs, tests d'hypothèses, classification) et mathématiques (ex:
transformées de Fourier, algèbre linéaire, optimisation numérique) appliquées aux
données expérimentales.
• Compréhension des formats de données scientifiques (HDF5, NeXus, TIFF, etc.) et
des bibliothèques associées.
• Expérience dans le séquencement et l’orchestration de traitements de données
(Apache Airflow, etc.)
• Expérience dans la gestion et le traitement de volumes importants de données (Big
Data) et dans l'optimisation des pipelines de traitement.
• Connaissance et utilisation d'outils de réduction et d’analyse de données du monde
open source :
• ImageJ/Fiji : Pour le traitement et l'analyse d'images.
• Python/Jupyter Notebooks/JupyterLab :
• Pour l'analyse interactive, la visualisation et le prototypage.
• Bibliothèques spécialisées : Connaissance de bibliothèques dédiées à des techniques
d'analyse spécifiques (ex: SPEC, Lima, Bliss, Sardana, TANGO Controls).
• Optionnellement, mais fortement apprécié, maîtriser les méthodes de parallélisation de
codes pour le calcul intensif (HPC) :
• Parallélisation multi-threading (OpenMP).
• Calcul distribué (OpenMPI, ZeroMQ, gRPC).
• Programmation sur GPU (CUDA/OpenCL, OpenACC).
• Compréhension des architectures de calcul parallèle et des problématiques de
scalabilité.
Profil candidat:
• Maîtrise approfondie des concepts de traitements de données scientifiques :
• Développement et implémentation d'algorithmes pour l'analyse d'images scientifiques (ex: détection de features, segmentation, reconstruction tomographique, analyse de diffraction/diffusion).
• Application et développement de méthodes de calculs statistiques (ex: ajustement de
modèles, analyse d'erreurs, tests d'hypothèses, classification) et mathématiques (ex:
transformées de Fourier, algèbre linéaire, optimisation numérique) appliquées aux
données expérimentales.
• Compréhension des formats de données scientifiques (HDF5, NeXus, TIFF, etc.) et
des bibliothèques associées.
• Expérience dans le séquencement et l’orchestration de traitements de données
(Apache Airflow, etc.)
• Expérience dans la gestion et le traitement de volumes importants de données (Big
Data) et dans l'optimisation des pipelines de traitement.
• Connaissance et utilisation d'outils de réduction et d’analyse de données du monde
open source :
• ImageJ/Fiji : Pour le traitement et l'analyse d'images.
• Python/Jupyter Notebooks/JupyterLab :
• Pour l'analyse interactive, la visualisation et le prototypage.
• Bibliothèques spécialisées : Connaissance de bibliothèques dédiées à des techniques
d'analyse spécifiques (ex: SPEC, Lima, Bliss, Sardana, TANGO Controls).
• Optionnellement, mais fortement apprécié, maîtriser les méthodes de parallélisation de
codes pour le calcul intensif (HPC) :
• Parallélisation multi-threading (OpenMP).
• Calcul distribué (OpenMPI, ZeroMQ, gRPC).
• Programmation sur GPU (CUDA/OpenCL, OpenACC).
• Compréhension des architectures de calcul parallèle et des problématiques de
scalabilité.