Chez STMicroelectronics, nous sommes convaincus que la technologie est un moteur d’innovation et a un impact positif pour les entreprises, les personnes et la société. En tant qu’acteur mondial des semiconducteurs, nos technologies de pointe et nos composants électroniques sont invisibles mais au cœur du monde d’aujourd’hui. Rejoindre ST, c’est intégrer une entreprise internationale riche de plus de 115 nationalités, présente dans 40 pays, et rassemblant plus de 50 000 talents passionnés et engagés, tous unis par la volonté de créer et d’inventer la technologie de demain. Innover demande bien plus que des compétences techniques : cela nécessite des personnes inspirantes, qui savent collaborer avec respect et enthousiasme. Des collaborateurs animés par la passion, prêts à remettre en question le statu quo, à faire avancer l’innovation et à révéler leur plein potentiel. Venez vivre cette aventure avec nous et contribuez à construire un futur plus intelligent et plus durable, en alliant responsabilité et innovation.
Notre technologie commence avec vous.
Notre technologie commence avec vous.
À propos de vos missions
- Étudier comment renforcer la cybersécurité de systèmes embarqués à ressources contraintes, avec pour cible les plateformes STM32.
- Réaliser un état de l’art sur la détection d’anomalies, l’analyse d’événements de sécurité et les approches adaptées à l’Edge.
- Définir des scénarios de comportements anormaux ou malveillants pertinents pour ces systèmes, puis constituer ou générer un jeu de données représentatif.
- Développer un prototype de détection et comparer une approche de machine learning classique à des approches fondées sur des Small Language Models (SLM).
- Explorer les SLM comme une piste d’étude : évaluer leur intérêt, leurs limites et leur faisabilité sur une cible embarquée,.
- Étudier différentes architectures de modèles compacts et, lorsque cela est pertinent, les techniques d’optimisation.
- Évaluer la faisabilité d’exécuter tout ou partie de la chaîne sur une cible STM32, notamment dans le contexte UWB du ST64, en tenant compte des capacités matérielles et des outils disponibles.
- Mesurer et comparer les performances des approches : qualité de détection, taille du modèle, consommation de RAM et de Flash, latence et, lorsque possible, consommation énergétique.
- Comparer les stratégies de déploiement sur infrastructure classique, en Edge et sur microcontrôleur, puis identifier les limites et les pistes d’amélioration.
À propos de vous
- Vous préparez une formation en informatique, systèmes embarqués, intelligence artificielle, de niveau ingénieur ou équivalent.
- Vous avez des connaissances ou un intérêt pour le machine learning, la détection d’anomalies et l’IA générative. Une première expérience avec les modèles compacts ou les SLM serait un plus.
- Vous vous intéressez aux systèmes embarqués et aux contraintes des microcontrôleurs : mémoire, calcul, latence et énergie.
- Vous connaissez Python ; des notions de C/C++ sont appréciées.
- Une familiarité avec STM32, TinyML, Edge AI, les outils ST ou les technologies UWB serait un atout.
- Vous êtes à l’aise avec l’expérimentation, l’analyse de résultats et la comparaison de solutions.
- Un intérêt pour la cybersécurité embarquée et les référentiels de menaces, tels que MITRE ATT&CK, serait apprécié.






































