Ingénieur(e) R&D en Graph Neural Networks

Morphism

Morphism est une société à mission convaincue que le réseau social doit rester un levier d’émancipation citoyenne plutôt qu’un instrument de manipulation de masse. Son ambition est de contribuer à un Internet où chaque voix humaine peut se faire entendre sans être noyée par les robots et les discours artificiellement amplifiés. Morphism est une société technologique qui contribue à l’émergence de nouveaux modèles d’IA de représentation probabiliste des réseaux, d’identification des comptes inauthentiques et d’actions pour moduler leur viralité.

Adresse

Paris/Paris-Saclay

75000 Paris/Paris-Saclay

France

Détail de l'offre (poste, mission, profil)

Corps de texte

Contexte

Dans le cadre de ses activités de R&D en science des données appliquée aux réseaux sociaux,

Morphism (www.morphism.co), jeune startup deeptech de Paris-Saclay, cherche à renforcer son

équipe avec un(e) jeune chercheur(se) en Graph Neural Networks (GNNs).

L’objectif principal est d’explorer, adapter et optimiser des modèles existants pour résoudre des

problématiques de détection d’anomalies dans les graphes de diffusion d’information et de détection

de comptes inauthentiques (social bots).

Missions

Le Ou La Candidat(e) Retenu(e) Contribuera à

 Identifier et sélectionner des modèles récents de GNNs pertinents pour les tâches cibles

(détection d’anomalies dans un graphe, prédiction de diffusion d’information, détection de

comptes inauthentiques).

 Implémenter, tester et comparer ces modèles sur des jeux de données synthétiques et réelles.

 Adapter et modifier les architectures ou les stratégies d'entraînement pour améliorer les

performances (robustesse, généralisation, scalabilité).

 Développer des pipelines de traitement de graphes et d'entraînement de modèles en Python.

 Calibrer les modèles.

 Préparer les expérimentations sur des grands réseaux sociaux (X, Facebook, Tik Tok).

Formation

 Spécialisation en informatique (doctorat / master / ingénieur) et de préférence expérience en

recherche sur l’apprentissage automatique et les graphes.

Compétences techniques

 Maîtrise des GNNs et leur application à des tâches comme la classification de nœuds, la

prédiction de liens, la détection de structures, la détection d’anomalies.

 Expérience approfondie en Python, avec au moins une bibliothèque dédiée aux graphes (ex :

PyTorch Geometric).

 À l’aise avec les outils de versioning (Git) et les workflows de recherche reproductible.

Aptitudes

 Goût pour la recherche appliquée et l’expérimentation algorithmique dans un but

d’adaptation à des problématiques du monde réel.

 Capacité à travailler dans un environnement évoluant rapidement et avec des contraintes de

temps importantes.

 Travail en équipe dans une startup deeptech.

Atouts supplémentaires

 Une première expérience sur des données réels issues de réseaux sociaux (X, Facebook, etc).

 Une première expérience sur des données de type séries temporelles.

 Intérêt pour les problématiques de passage à l’échelle (optimisation, parallélisation).