Alternance BAC+5 en intelligence artificielle appliquée aux substances chimiques F/H

Missions

la protection des ressources en eau, la surveillance environnementale, le développement de méthodes analytiques, l’évaluation des risques, etc.

Ces exercices de priorisation sont par nature multicritères, dépendants du contexte (matrice, usage, niveau d’incertitude) et reposent sur des jeux de données hétérogènes (données physico-chimiques, toxicologiques, réglementaires, de surveillance, modélisées).

L’Ineris souhaite explorer l’apport des approches d’intelligence artificielle (IA), en particulier des modèles de type LLM, pour orchestrer ces processus de décision de manière transparente, traçable et gouvernée, sans remplacer l’expertise scientifique.

L’objectif principal de l’alternance est de concevoir et développer un prototype (preuve de concept) d’une couche d’orchestration IA capable de :

- Interpréter une demande utilisateur ;

- Sélectionner automatiquement les logiques de décision et critères pertinents ;

- Exploiter un large jeu de données substances (> 120k substances) pour produire une liste de substances priorisées, structurée en niveaux de priorité (tiers) ;

- Générer un rapport entièrement traçable et explicable, documentant les critères utilisés, les sources de données, les niveaux de robustesse et les hypothèses.

Sous l’encadrement d’un ingénieur au sein de la direction MIV, l’alternant(e) participera aux travaux suivants :

0. Construction et préparation des jeux de données

L’alternant(e) participera à la structuration, au nettoyage et à la curation d’un jeu de données sur les substances déjà existant.

Il/elle devra mettre en place des règles pour insérer de nouvelles données, ainsi que des règles de traçabilité des données (sources, types de données, niveaux de robustesse).

1. Conception du workflow de priorisation orchestré par IA

L’alternant(e) analysera et formalisera le processus de priorisation existant (arbres de décision, critères, règles, etc.).

Il/elle devra définir une représentation structurée des demandes des utilisateurs incluant la conception d’une architecture simple et reproductible reliant l’interprétation de l’intention de l’utilisateur, la sélection des arbres de décision, l’exécution des calculs de priorisation (liste de substances) et la production des résultats et du rapport (résumé des choix faits pour la production de la liste).

2. Développement de la couche d’interprétation de l’intention utilisateur

L’alternant(e) mettra en œuvre un prototype permettant de transformer une requête en langage naturel en paramètres exploitables (objectif, matrice, niveau de robustesse attendu, options de pondération) et de tester la robustesse de cette interprétation sur différents cas d’usage définis avec les experts.

3. Implémentation du moteur de priorisation (preuve de concept)

Il/elle devra développer un moteur d’inférence basé sur des règles et/ou des scores pondérés, intégrant la robustesse des données telle que définie par des experts. Il devra produire des résultats structurés, classés par niveaux de priorité — par exemple élevé, intermédiaire ou exploratoire — et garantir la reproductibilité des résultats à partir des mêmes données d’entrée.

4. Génération de rapports explicables et traçables

L’alternant(e) devra travailler à la conception d’un format de rapport de priorisation et produire des sorties exploitables (tableaux, formats structurés, rapports synthétiques) incluant :

• la demande utilisateur,
• les critères et logiques de décision mobilisés,
• les résultats par substance,
• Les incertitudes et données manquantes.

Résultats attendus

À l’issue de l’alternance, les livrables incluront un prototype fonctionnel de workflow de priorisation orchestré par IA, un ou deux cas d’usage démonstrateurs, comme la protection des eaux souterraines, une documentation technique détaillant l’architecture, les choix méthodologiques et les limites, ainsi qu’une analyse de faisabilité et des recommandations pour une mise à l’échelle.