HORIBA ABX SAS est une filiale du groupe japonais HORIBA. Rayonnant dans plus de 110 pays sur les 5 continents, notre siège social se situe à Montpellier.
Notre Société propose une gamme étendue et complète de solutions d’hématologie, d’hémostase et de chimie clinique comprenant des analyseurs, des réactifs et des consommables pour le domaine du Diagnostic In Vitro (DIV).
Notre organisation comprend une importante diversité de métiers qui nous amène à recruter aujourd’hui un(e) Stagiaire Ingénieur – Innovation IA pour le diagnostic in vitro.
Contexte :
Depuis plusieurs années, HORIBA développe des méthodes de diagnostic innovantes, reposant sur des technologies de rupture, tant pour la préparation des échantillons que pour la détection et la mesure cellulaire.
Dans le cadre d’un programme de recherche collaboratif, nos équipes ont conçu un système d’analyse cellulaire basé sur l’holographie sans lentille, ouvrant la voie à des instruments compacts et simples d’utilisation.
HORIBA souhaite désormais renforcer les capacités d’analyse des mesures holographiques grâce à des approches d’intelligence artificielle.
Objectif :
Intégré(e) au sein des équipes Innovation & Développement, vous aurez pour mission de concevoir et mettre en œuvre des modèles de machine learning, avec le soutien des experts du service Recherche. Vous participerez à la définition des stratégies d’apprentissage, à la réalisation des tests et à l’analyse des résultats, en interaction avec l’équipe projet.
Missions :
Collecte et préparation des données : prise en main du set-up holographique et des protocoles d’acquisition.
Analyse exploratoire : caractérisation des données existantes (qualité, variabilité, prétraitements).
Développement IA : conception, entraînement et validation de modèles (ML/DL) pour l’analyse des mesures holographiques.
Évaluation et robustesse : étude des performances et de la stabilité des modèles selon différentes configurations expérimentales.
Portage des modèles sur carte NVIDIA (GPU), via TensorRT
Optimisation : identification des paramètres influents et proposition d’améliorations pour maximiser la performance analytique.
.
