Research Engineer in Anomaly Detection for Massive Climate Data

Inria Montpellier Montpellier, France

About the position

Context

Dans le contexte de l'augmentation considérable du volume des données climatiques, notamment avec les réanalyses météorologiques ERA5, la détection automatique d'anomalies constitue un enjeu scientifique et informatique majeur.
Ces données, caractérisées par une forte saisonnalité, des phénomènes de durée variable et des structures spatio-temporelles complexes, nécessitent le développement de méthodes de détection robustes, non supervisées et capables de passer à l'échelle de très grands volumes de données.
Le poste s'inscrit dans la continuité de travaux de recherche consacrés à la détection d'anomalies dans les séries temporelles climatiques. Il vise principalement à finaliser, approfondir et valoriser plusieurs contributions scientifiques récentes portant sur la détection de bursts saisonniers, les approches fondées sur le Matrix Profile et les méthodes de reconstruction par apprentissage profond.

Assignment

La personne recrutée contribuera à la finalisation et la valorisation des travaux scientifiques, et à la consolidation des outils logiciels développés en open source. Elle participera également à l'analyse comparative de différentes approches de détection d'anomalies sur des données climatiques réelles.

Main activities

Finaliser une étude expérimentale sur l'influence du fenêtrage lors de l'inférence des modèles de reconstruction pour la détection d'anomalies.
Comparer différentes stratégies de calcul des scores d'anomalie, notamment à partir des erreurs ponctuelles et des erreurs agrégées sur des fenêtres temporelles.
Préparer et soumettre les résultats scientifiques à une revue ou une conférence internationale.
Réaliser une étude comparative des différentes définitions et approches de détection d'anomalies : bursts saisonniers, Matrix Profile, Interval Matrix Profile et méthodes de reconstruction.
Valoriser les résultats auprès des communautés scientifiques spécialisées en fouille de données et en sciences du climat.

Skills

Bonne maîtrise de l'analyse des séries temporelles et des problématiques de détection d'anomalies non supervisée.
Connaissances des méthodes d'apprentissage profond, notamment des modèles de reconstruction pour séries temporelles.

This listing was collected from a public source and is reproduced here for information only. Always confirm the details on the original posting before applying.
View the original posting

Similar positions