Descriptif du poste: Votre rôle est d'effectuer un travail de thèse sur : "Convergence graphes et vecteurs pour la simulation des jumeaux numériques réseau". Elle s'inscrit dans la plateforme de jumeaux numériques d'Orange Thing'in, pour améliorer la gestion des réseaux d'Orange. L'automatisation de ces réseaux complexes peut être améliorée par des algorithmes d'apprentissage détectant et corrigeant les erreurs [1].Les récentes avancées en apprentissage automatique sur les graphes et l'émergence des réseaux de neurones de graphes (GNN) ouvrent de perspectives pour analyser les réseaux [2]. Les modèles récents peuvent prendre en compte la dynamique du graphe [3]. Ces modèles capturent des informations locales et globales, utiles pour comprendre. Ces techniques permettront de prédire le trafic client, d'optimiser l'allocation des ressources, et de simuler des scénarios de type pannes ou pics de trafic. Problématiques : Malgré des efforts pour optimiser l'interaction entre bases de données relationnelles et API d'apprentissage automatique, les bases de données graphes sont moins étudiées. Les pipelines d'apprentissage sur graphes utilisent souvent des bibliothèques externes, mais manquent de gouvernance centralisée et d'exploitation des expériences passées. Les modèles sont souvent réentraînés depuis zéro, augmentant les coûts. Intégrer l'apprentissage dans les bases de données graphes permettrait de mieux suivre l'évolution des données. Objectif scientifique : développer une base de données hybride combinant graphes et vecteurs pour optimiser la prédiction et la simulation des réseaux télécoms, tout en améliorant les requêtes de graphes avec l'apprentissage automatique. Le prototype attendu intégrera nativement des fonctionnalités d'apprentissage automatique via une représentation hybride graphes et vecteurs. Résultats attendus: ·       Modélisation multi-modèles: Représenter les données en graphes et vecteurs. Verrous : Garantir la cohérence entre ces représentations. ·       Interrogation hybride : Définir un langage permettant de traiter efficacement graphes, vecteurs et données apprises. Verrous : Optimiser les requêtes pour ces différentes représentations. ·       Stockage et historisation : Implémenter un stockage cohérent pour les données, modèles et vecteurs. Verrous : Assurer une gestion des dépendances, historisation des données et modèles, et réduction de l'espace de stockage tout en maintenant de bonnes performances. Profil recherché: Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste Les compétences requises sont celles attendues par un niveau master/école d'ingénieur en informatique. Une expérience notable dans un ou plusieurs des domaines ci-dessous sera grandement appréciée : Intelligence artificielle : apprentissage automatique (général), (Graph) Neural Networks, embeddings Systèmes et frameworks d'analytics temps réel, et/ou graphes (pregel, networkx, spark) Bases de données NoSQL, bases de données Graphe Systèmes répartis/distribués, big data Web sémantique Pour l'implémentation des prototypes, des algorithmes conçus et leur validation par des simulations, des compétences en programmation sont absolument nécessaires. Le ou la candidat-e devra faire preuve de curiosité et d'autonomie. Il devra avoir une bonne maitrise de l'anglais (écrit et oral). La maitrise du français est un plus mais n'est pas obligatoire. Formation demandée :  Master ou école d'ingénieur en informatique. Expériences souhaitées :  La réalisation de projets et/ou de stages liés aux compétences ci-dessus seront fortement appréciés. Références: [1] Ngo, D.-T., et al. (2023). Empowering Digital Twin for Future Networks with Graph Neural Networks. Future Internet,  [2] Jiang, W. (2022). Graph-Based Deep Learning for Communication Networks. Computer Communications,  [3] Zheng, Y., Yi, L., & Wei, Z. (2025). A Survey of Dynamic Graph Neural Networks. Frontiers of Computer Science