> Markdown version of [/jobs/ext/3177590-machine-learning-scientist-ia-reseaux-electriques-h-f](https://www.wearedevelopers.com/jobs/ext/3177590-machine-learning-scientist-ia-reseaux-electriques-h-f). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md).

---

# Machine Learning Scientist - IA & Réseaux Électriques (H/F)

- **Company:** yele
- **Location:** Paris, France (Remote available)
- **Salary:** €50,000.0 - €60,000.0
- **Contract:** Permanent contract
- **Skills:** Artificial Neural Networks, Machine Learning, Software Engineering, Management of Software Versions, Pytorch, Deep Learning, Machine Learning Operations
- **Published:** September 10, 2026
- **Apply:** https://www.indeed.com/viewjob?jk=4173ff7743c2673f

## About the Role

* 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.

## Description

Spécialisé dans le domaine de l'énergie, notre client développe des activités de recherche à l'interface entre l'apprentissage automatique et l'optimisation des systèmes électriques. Dans ce cadre, le service R&D explore l'application de modèles de fondation (foundation models) et d'architectures de type GNN / Graph Transformer aux problèmes d'optimisation de réseau : flux de puissance optimal (OPF), reconfiguration topologique optimale (OTS), gestion de la congestion et contrôle de tension.

Missions :
Rattaché à la Direction R&D, vous serez amené à :

 * 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.


## Related Videos

- [Introduction to Azure Machine Learning](https://www.wearedevelopers.com/videos/368-introduction-to-azure-machine-learning)
- [Getting Started with Machine Learning](https://www.wearedevelopers.com/videos/260-getting-started-with-machine-learning)
- [The pitfalls of Deep Learning - When Neural Networks are not the solution](https://www.wearedevelopers.com/videos/14-the-pitfalls-of-deep-learning-when-neural-networks-are-not-the-solution)
- [Photonic Computing: Programming a New Class of AI Accelerators (incl. Live Coding)](https://www.wearedevelopers.com/videos/100196-photonic-computing-programming-a-new-class-of-ai-accelerators-incl-live-coding)
- [Geometric deep learning for drug discovery](https://www.wearedevelopers.com/videos/264-geometric-deep-learning-for-drug-discovery)
- [DevOps for Machine Learning](https://www.wearedevelopers.com/videos/179-devops-for-machine-learning)

## Related Articles

- [How to Become an AI Engineer](https://www.wearedevelopers.com/magazine/331-how-to-become-an-ai-engineer)
- [Fully Remote Software Engineer Jobs](https://www.wearedevelopers.com/magazine/447-fully-remote-software-engineer-jobs)
- [Best Companies to Work For in Paris: Top 25 Companies in 2023 ](https://www.wearedevelopers.com/magazine/190-best-companies-to-work-for-in-paris-top-25-companies-in-2023)
- [Best Companies to Work For in France: Top 25 Companies in 2023 ](https://www.wearedevelopers.com/magazine/189-best-companies-to-work-for-in-france-top-25-companies-in-2023)
- [7 Most Popular Web Developer Jobs in Europe](https://www.wearedevelopers.com/magazine/163-7-most-popular-web-developer-jobs-in-europe)
- [The Most Popular IT Jobs on the Market](https://www.wearedevelopers.com/magazine/376-the-most-popular-it-jobs-on-the-market)