À propos du service
TraduitJe construis des systèmes d'apprentissage automatique graphique pour des tâches où le signal réside dans les connexions, et non dans des lignes de table individuelles. Lorsque vos utilisateurs, comptes, appareils, paiements ou produits forment un réseau dense de relations, une table plate jette le signal le plus précieux — qui se connecte à qui. Je conçois et entraîne des réseaux de neurones graphiques qui lisent ces connexions directement, de sorte que le modèle raisonne sur l'environnement d'un nœud et les chemins entre les nœuds au lieu de prétendre que chaque enregistrement existe seul.
Je gère l'ensemble du pipeline de bout en bout. Je commence par construire le graphe : transformer des journaux bruts, des transactions et des catalogues en nœuds propres et en arêtes typées, en décidant ce que signifie réellement une connexion et comment la pondérer. Ensuite, j'assemble des modèles de prédiction de nœuds et d'arêtes, j'entraîne des embeddings qui placent des entités similaires à proximité et je choisis une architecture — GraphSAGE, GAT, passage de messages, graphes hétérogènes — adaptée à vos données, et non à un exemple de manuel. Une évaluation honnête m'importe autant que la précision, donc je mets en place des séparations sans fuite, une validation temporelle et des modèles de référence qui montrent honnêtement si le graphe ajoute de la valeur.
Le déploiement fait partie du travail, pas un joli bonus plus tard. Je conditionne les modèles pour le scoring par lot ou l'inférence en ligne à faible latence, ajuste l'échantillonnage des voisins pour de grands graphes et documente tout afin que votre équipe puisse réentraîner et étendre le système elle-même. Résultats typiques : moteurs de recommandation qui comprennent un contexte plus large, détection de fraude qui attrape des schémas entiers et non seulement des délinquants individuels, et une couche d'enrichissement servant des embeddings graphiques à vos modèles existants. Si vous avez des données connectées et un sentiment que la réponse est cachée dans les connexions elles-mêmes, je le prouverai et le mettrai en production.
Je gère l'ensemble du pipeline de bout en bout. Je commence par construire le graphe : transformer des journaux bruts, des transactions et des catalogues en nœuds propres et en arêtes typées, en décidant ce que signifie réellement une connexion et comment la pondérer. Ensuite, j'assemble des modèles de prédiction de nœuds et d'arêtes, j'entraîne des embeddings qui placent des entités similaires à proximité et je choisis une architecture — GraphSAGE, GAT, passage de messages, graphes hétérogènes — adaptée à vos données, et non à un exemple de manuel. Une évaluation honnête m'importe autant que la précision, donc je mets en place des séparations sans fuite, une validation temporelle et des modèles de référence qui montrent honnêtement si le graphe ajoute de la valeur.
Le déploiement fait partie du travail, pas un joli bonus plus tard. Je conditionne les modèles pour le scoring par lot ou l'inférence en ligne à faible latence, ajuste l'échantillonnage des voisins pour de grands graphes et documente tout afin que votre équipe puisse réentraîner et étendre le système elle-même. Résultats typiques : moteurs de recommandation qui comprennent un contexte plus large, détection de fraude qui attrape des schémas entiers et non seulement des délinquants individuels, et une couche d'enrichissement servant des embeddings graphiques à vos modèles existants. Si vous avez des données connectées et un sentiment que la réponse est cachée dans les connexions elles-mêmes, je le prouverai et le mettrai en production.
