Ingénieur en Machine Learning - Quantum-H/F - IBM FutureNow
Indexed description
Your Role And Responsibilities
Vous intervenez dans un contexte d'expérimentation algorithmique (ML, optimisation, quantique) comprenant :
- Mise en œuvre des expérimentations — Implémenter les protocoles d'expérimentation définis en amont par les leads techniques (baselines, métriques, jeux de données) ; contribuer aux arbitrages méthodologiques dans une logique de décision collégiale.
- Modélisation classique de référence — Développer et optimiser les modèles classiques de référence (ex. gradient boosting, réseaux de neurones, solveurs d'optimisation combinatoire CPLEX) servant de point de comparaison — un volume de travail significatif du poste, indépendamment de toute brique quantique.
- Optimisation combinatoire — Développer et benchmarker des approches d'optimisation classique (CPLEX) et quantique (QAOA, VQE via Qiskit) sur des problèmes combinatoires, au même titre que les problématiques de type ML.
- Prototypage hybride quantique-classique — Implémenter des briques de feature mapping quantique, de circuits paramétrés (QML) et de pipelines hybrides sous Qiskit, en collaboration avec les chercheurs quantiques.
- Benchmarking honnête — Comparer systématiquement les performances quantique vs. classique (accuracy, robustesse, coût de calcul), en explicitant les limites liées à la simulation ou au bruit du hardware IBM Quantum.
- Reproductibilité & traçabilité — Versionner les expériences (code, données, hyperparamètres, résultats) pour garantir que chaque résultat soit ré-exécutable et auditable.
- Documentation scientifique — Rédiger des comptes-rendus d'expérimentation clairs, destinés aussi bien aux pairs techniques qu'à des audiences décisionnelles, sans survendre les résultats.
- Veille technique — Suivre l'évolution de l'écosystème Qiskit / IBM Quantum et des techniques d'optimisation classique pertinentes pour les cas d'usage explorés.
- Contribution méthodologique — Participer à l'amélioration des frameworks internes de benchmarking et d'évaluation classique/quantique de la Factory.
Required Technical And Professional Expertise
- Machine Learning classique — Solide maîtrise des méthodes classiques (classification, boosting, réseaux de neurones) et de leur évaluation rigoureuse (validation croisée, gestion du déséquilibre de classes, etc.) — socle central du poste, au même titre que le volet quantique.
- Optimisation combinatoire — Notions solides d'optimisation combinatoire et maîtrise (ou forte appétence) pour CPLEX comme solveur classique de référence, en vue de construire des baselines pertinentes face aux approches quantiques (QAOA, VQE).
- Python scientifique — Python avancé — numpy, pandas, scikit-learn, PyTorch ou équivalent ; bonnes pratiques de code reproductible (notebooks propres, seed control, packaging léger).
- Stack quantique IBM — Compréhension des principes du QML et de l'optimisation quantique (feature maps, circuits paramétrés, variational algorithms) ; pratique de Qiskit et de l'écosystème IBM Quantum.
- Rigueur expérimentale — Culture du benchmarking scientifique : contrôle des biais, significativité statistique, esprit critique vis-à-vis de ses propres résultats.
- Outils — Git, gestion d'expériences simulateurs et accès hardware de l'écosystème IBM Quantum.
Create a free Caio profile to unlock more results and save your role and location preferences.
Unlock free search