Rejoindre le CSTB, c'est rejoindre une communauté composée de plus de 1000 collaborateurs experts au service de ses clients, de ses partenaires et de l'intérêt général avec pour ambition d'anticiper les bâtiments et la ville de demain, pour améliorer la qualité de vie des usagers. Nos activités clés sont axées autour de la recherche, de l'expertise, de l'évaluation, de la certification, des essais et de la diffusion de connaissances. Depuis 1947, nous accompagnons les acteurs dans l'innovation et la progression de la qualité et de la performance des produits, ouvrages, systèmes et services.

Rejoindre le CSTB, c'est également rejoindre un employeur engagé, signataire de la Charte de la diversité, qui valorise le travail de chacun et qui s'engage en faveur de l'égalité professionnelle et de l'intégration des travailleurs handicapés. Grâce à ces actions, nous sommes classés parmi les 500 meilleurs employeurs de France d'après la revue économique Capital.

Alors, prêt(e) à rejoindre l'aventure CSTB ?

La direction Energie Environnement, composée de 120 ingénieurs et chercheurs passionnés recherche un(e) Post-Doc talentueux(se) pour rejoindre l'équipe IDPB en charge de la Base de Données Nationale des Bâtiments.

Votre rôle sera de continuer le développement de modèles multimodaux images (façade, aérien et satellite) / données tabulaires (et potentiellement LLM) appliqués aux bâtiments, issus d'un précédent post-doc.

Ce postdoc a pour objectif d'étendre les travaux du post doc précédant :

• Explorer les sujets algorithmiques sur l'entrainement multimodale et son exploitation dans le cadre de la prédiction de données manquantes à partir d'images afin d'en améliorer la performance. Et étendre le contexte aux bâtiments tertiaires, dont le niveau de description est très faible.
• Développer des modèles de bâtiments multimodaux. Les résultats devront permettre à nos ingénieurs et à nos utilisateurs de capitaliser différentes modalités de données Magal bâtimentaire (tabulaire, image, texte...) pour les tâches aval de machine learning telles que :
• prédiction de typologies de bâtiment (classification, clustering)
• recherche et interaction avec la description du bâtiment en langage naturel
• recherche par similarité (Retrieval Augmented Generation ou RAG)