Thèse -La temporalité dans les réseaux socio-transactionnels dynamiques F/H

L'ambition de la Division Innovation est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l'humain, éclairer les choix stratégiques du Groupe à long terme et influencer l'écosystème digital mondial.
Nous formons les expertes et les experts des technologies d'aujourd'hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l'innovation dont 740 chercheurs. Porteurs d'une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité...), les femmes et les hommes de Innovation sont à l'écoute et au service des pays, des régions et des business units pour faire d'Orange un opérateur multiservices de confiance.

Au sein de Innovation, vous serez intégré(e) dans une équipe de recherche travaillant sur Orange Money, le service de transfert d'argent et de paiement mobile du groupe Orange, proposé dans 17 pays d'Afrique. Orange Money, relais de croissance du groupe Orange, permet à ses utilisateurs de déposer de l'argent sur un compte associé à leur numéro de mobile, pour accéder à une large gamme de services.


Votre rôle est d'effectuer un travail de thèse sur la : Prise en compte de la temporalité dans les réseaux socio-transactionnels dynamiques
Contexte global et problématique du sujet
Orange Money est une solution financière proposée dans 17 pays du continent africain, et connait un développement important, en nombre d'utilisateurs, de transactions réalisées et de services proposés.
La notion de réseau social désigne l'ensemble des relations entre les personnes ou entre groupes sociaux. Ces relations peuvent se nouer dans divers cercles sociaux tels que la famille, le voisinage, les loisirs, la sphère amicale ou encore le milieu professionnel. Il est donc possible de constituer le réseau social des utilisateurs d'un service financier. Par ailleurs, les transactions financières contiennent des informations temporelles utiles. Comment analyser ces données afin d'enrichir le service proposé.
L'analyse des réseaux sociaux se base sur des outils mathématiques. Les travaux de recherches ont notamment cherché à identifier des individus, ou à segmenter le réseau en communauté d'utilisateurs.
Les recherches récentes se sont d'avantages concentrées sur le graph machine learning. Les recherches plus récentes ont pris des informations temporelles pouvoir faire des prévisions sur des données représentés sous forme de graphe.
Objectif scientifique - résultats et verrous à lever
L'objectif principal de cette thèse est d'explorer si la prise en compte de l'aspect temporel permet de prédire l'évolution de groupes d'intérêt au sein de graphes socio-transactionnels. Cette recherche vise à établir des modèles prédictifs robustes qui intègrent les dynamiques temporelles des interactions sociales et transactionnelles.
Les défis principaux incluent la validation des modèles prédictifs récents. Il est également nécessaire de déterminer comment combiner les modèles prédictifs basés sur les graphes, en intégrant les noeuds et les arêtes, en caractéristiques prédictives pertinentes pour les groupes d'intérêt. En outre, la question de l'explicabilité des modèles prédictifs doit être abordée pour assurer la transparence et la compréhension des résultats.
Les données utilisées pour la construction de ces graphes seront issues de transactions d'Orange Money. Il est envisagé d'enrichir ces réseaux à l'aide de données supplémentaires comme les comptes rendus d'appels (CDR). Les verrous techniques associés concernent l'exploitation de données en grand nombre en temps raisonnable.

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste
Vous avez des compétences en développement logiciel, algorithmique, mathématiques. Des compétences en graphe, data science, machine learning, ou calcul distribué (Spark) serait un plus.
Vous êtes en mesure de synthétiser des articles de recherche.
Vous savez lire, écrire et parler en anglais.
Vous avez un bon esprit d'équipe.

Formation demandée
Vous êtes titulaire d'un Master 2 ou diplôme d'ingénieur en informatique ou en data science.

Expériences souhaitées
Vous avez réalisé un stage de fin d'étude ou un apprentissage au cours duquel vous avez eu une expérience dans le développement logiciel, si possible avec l'usage de graphes et/ou des séries temporelles.
Idéalement, vous avez une première expérience en Machine Learning et/ou Intelligence Artificielle.
Une première expérience orientée recherche serait un plus.