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).