83%... c'est la croissance de LeHibou en 2022, avec un chiffre d'affaires de 52 Millions d'euros ! LeHibou a été classé en 3ème position parmi les 500 sociétés françaises qui ont fait le plus de croissance (Classement Les Echos 2020) et poursuit activement son développement. Première plateforme d'intermédiation entre freelances et grandes entreprises dans le domaine de l'IT, LeHibou propose une nouvelle approche au secteur du Consulting Informatique en adoptant les nouveaux codes du freelancing. En utilisant l'intelligence artificielle et le Big Data, LeHibou permet une mise en relation rapide et efficace entre des entreprises (CAC40 & ETI) et les meilleurs freelances IT du marché. Un modèle hybride de « plateforme de services », avec une partie digitalisée et un accompagnement off-line réalisé par des équipes de choc ! Déjà plus de 72 000 consultants se sont inscrits sur la plateforme qui a ouvert des bureaux à Bordeaux, Toulouse, Nantes,
Lyon et qui entame désormais son expansion à l'international., New! Démarquez-vous en passant des tests de personnalité gamifiés. Lancez-vous dès maintenant, en découvrant les trois tests disponibles gratuitement!
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).
* 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.
Environnement de travail
Livrables attendus
* Modèles GNN et pipelines d'entraînement automatiques.
* Jeu de règles symboliques validées et intégrées.
* Rapports périodiques de performance et d'évolution des modèles.