Mission principale : Développer et maintenir les modèles ML/GNN et neuro-symboliques qui alimentent l?analyse proactive des logs et tickets, et enrichissent la base de connaissance Eureka. Responsabilités clés ? Modélisation graph-ML ? Concevoir et entraîner des GNN pour détecter les patterns de défaillance dans le graphe d?incidents. ? Générer des embeddings de logs et tickets pour enrichir le vector store. ? Neuro-symbolique ? Intégrer des règles métier issues du parsing LLM dans une architecture hybride (Gekho ou équivalent). ? Assurer la cohérence entre prédictions statistiques et contraintes symboliques. ? Validation & évaluation ? Mettre en place les métriques d?évaluation (precision/recall, ROC-AUC, F1, drift detection). ? Réaliser des tests de robustesse (scénarios de fail-over, montée en charge de fake-incidents). ? Collaboration métier ? Animer des ateliers avec les experts opérationnels pour calibrer les modèles. ? Documenter et présenter les insights (rapport de patterns émergents, recommandations). Profil candidat: Compétences requises ? Expertise en bibliothèques graph ML (PyTorch Geometric, DGL). ? Bonnes pratiques de data science : feature engineering, cross-validation, hyperparameter tuning. ? Expérience en integration MLOps (MLflow, DVC) pour versionning et déploiement continu. ? Maîtrise des méthodes d?explicabilité (SHAP, LIME) dans un contexte réglementé.