English follows
Tes responsabilités
- Concevoir, implémenter et valider des modèles de machine learning / deep learning (supervisés ou non supervisés) pour :
- extraire des données astrodynamiques proches de la Terre à partir d'images bruitées avec des ressources matérielles limitées
- identifier des séries temporelles représentant la dynamique d'un objet
- regrouper (clustering) des séries temporelles
- inférer des données astrodynamiques à partir d'observations partielles
- analyser les tendances à long terme et le comportement d'objets en orbite
- Déployer ces modèles dans des infrastructures cloud ou sur des dispositifs embarqués (edge)
- Développer des composants logiciels robustes et réutilisables (au-delà de prototypes de recherche)
- Collaborer avec une équipe multidisciplinaire
- Assurer une veille scientifique continue, synthétiser les résultats clés et les traduire en recommandations exploitables pour des publics techniques et non techniques
- Évaluer les performances des solutions à l'aide de données simulées et réelles
- Documenter clairement les algorithmes, flux de travail et résultats
Ton profil
- Maîtrise ou doctorat en : Machine Learning, physique, génie électrique ou informatique, mathématiques appliquées, aérospatiale ou tout autre domaine connexe
- Un minimum de 5 ans d'expérience dans le domaine
- Bilinguisme français/anglais (écrit et oral) - collaboration internationale (~20%)
- Une combinaison équivalente formation + expérience peut être considérée
Compétences recherchées
- Solides bases en : apprentissage automatique, probabilités, statistiques, optimisation
- Expérience pratique avec : frameworks de deep learning (ex. PyTorch), Python et ses bibliothèques scientifiques, développement et débogage de modèles personnalisés
- Bonne maîtrise des architectures de deep learning : réseaux convolutifs, architectures à mécanisme d'attention, adaptation de modèles pré-entraînés ou conception from scratch
- Capacité à concevoir des preuves de concept avec contraintes de production : modularité, scalabilité, reproductibilité
- Bonnes pratiques en génie logiciel : Git, tests, CI/CD
Atouts supplémentaires
- Expérience en déploiement de modèles dans des pipelines de données (cloud et/ou edge)
- Connaissances en calcul haute performance : CUDA, optimisation GPU
- Intérêt ou connaissances en mécanique orbitale
- Expérience avec : ingestion de données à grande échelle, prétraitement, gestion du cycle de vie des données manipulation de données volumineuses et multidimensionnelles
Notre promesse
- Travailler pour une entreprise dont la mission est de garantir un environnement durable et prospère pour les générations futures
- Opportunités d'implication dans la gestion produit et technique
- Salaire compétitif
- Assurance santé et dentaire dès le premier jour
- Horaires flexibles et mode de travail hybride
- Bureau situé dans le Vieux-Montréal
Who you will do
- Design, implement, and validate ML/DL models (supervised or unsupervised) to:
- extract near-Earth astro-dynamical data from noisy imagery under limited hardware resource availability
- identify time series representing the dynamic of an object
- cluster time series
- infer astro-dynamical data from partial observations
- analyze long-term trends and object behavior in orbit
- Support deployment of those models within a cloud infrastructure or on edge-devices.
- Build robust, reusable software components beyond research prototypes and collaborate with a multidisciplinary team.
- Benchmark solutions using simulated and real data.
- Document algorithms, workflows, and results clearly for reproducibility and maintainability.
What you bring to the table
- MSc or PhD in Machine Learning, Physics, Electrical/Computer Engineering, Applied Mathematics, Aerospace Engineering, or related fields.
- 5+ years of experience
- Bilingualism French & English spoken and written (collaboration with international colleagues - 20%)
- Any combination of education and relevant experience may be considered
Must-haves:
- Strong foundations in machine learning, probability, statistics, and optimization.
- Hands-on experience with deep learning frameworks (PyTorch for example) and Python in general and its scientific libraries with experience implementing and debugging custom model components.
- Strong deep learning architecture knowledge with understanding of convolutional and attention-based architectures, with practical experience adapting pretrained models or building them from first principles.
- Ability to design proof-of-concept with production constraints in mind (modularity, scalability, reproducibility) with solid software engineering practices (Git, testing frameworks, CI/CD).
Nice-to-haves:
- Experience working in a multidisciplinary team deploying models within data pipelines whether edge and/or cloud environments.
- Knowledge of high-performance computing (CUDA, GPU optimization).
- Interest in or exposure to orbital mechanics.
- Experience in large-scale data ingestion, preprocessing, and lifecycle management, including efficient handling of high-volume, high-dimensional datasets.
What you can expect
- The opportunity to work in a company whose mission is to ensure a sustainable and prosperous environment for future generations while fostering the new space economy and pursuing exploration.
- The opportunity to get involved in
- A competitive salary.
- Health and dental coverage through our group plan from Day 1.
- Flexible working hours and a hybrid work model.
- An office in the great location of the Old Montreal.
