BiographieShort bio
Depuis octobre 2025, je suis Attaché Temporaire d'Enseignement et de Recherche (ATER) au Conservatoire National des Arts et Métiers (CNAM), à Paris. J'ai obtenu mon doctorat en mathématiques appliquées au CNAM en décembre 2025 et je suis qualifié aux fonctions de Maître de Conférences (sections CNU 26 et 27).
Ma thèse, préparée au CESI LINEACT et au laboratoire CEDRIC, porte sur l'intelligence artificielle explicable pour les séries temporelles multivariées multi-capteurs, appliquée à la prédiction de la durée de vie résiduelle (RUL) en maintenance prédictive. Elle a été encadrée par Ndèye Niang (CNAM), Genane Youness (CESI LINEACT) et Gilbert Saporta (CNAM).
Mes travaux étudient comment le prétraitement, la complexité des modèles et la structure des variables influencent ce que révèlent réellement les explications post-hoc (SHAP, LIME, L2X). Je développe aussi des méthodes de réduction de dimension interprétables, comme le clustering divisif de variables, qui rendent les modèles profonds plus lisibles.
Mots-clés : IA explicable, séries temporelles multivariées, maintenance prédictive, durée de vie résiduelle, clustering de variables, réduction de dimension, apprentissage de représentations non supervisé et auto-supervisé, clustering multi-vues.
Since October 2025, I have been a Temporary Teaching and Research Assistant (ATER) at the Conservatoire National des Arts et Métiers (CNAM) in Paris. I received my PhD in Applied Mathematics from CNAM in December 2025, and I am qualified for Maître de Conférences positions (CNU sections 26 and 27).
My doctoral research, carried out at CESI LINEACT and the CEDRIC laboratory, focused on explainable artificial intelligence for multivariate, multi-sensor time series, with applications to Remaining Useful Life (RUL) prediction in predictive maintenance. I worked under the supervision of Ndèye Niang (CNAM), Genane Youness (CESI LINEACT) and Gilbert Saporta (CNAM).
My research is about how preprocessing, model complexity and feature structure affect what post-hoc explanations (SHAP, LIME, L2X) actually reveal, and about interpretable dimensionality reduction methods, such as divisive feature clustering, that make deep models easier to read.
Keywords: explainable AI, multivariate time series, predictive maintenance, remaining useful life, feature clustering, dimensionality reduction, unsupervised and self-supervised representation learning, multi-view clustering.
RechercheResearch
Apprentissage automatique pour les données multivariées et multi-capteurs issues de systèmes industriels, avec l'objectif de rendre les modèles interprétables et robustes. Machine learning for multivariate, multi-sensor data from industrial systems, with a focus on making models interpretable and robust.
Évaluation des méthodes d'XAIEvaluating XAI methods
Évaluation quantitative des explications post-hoc (SHAP, LIME, L2X) et de l'effet du prétraitement et de la complexité des modèles.
Quantitative evaluation of post-hoc explanations (SHAP, LIME, L2X) and of how preprocessing and model complexity change them.
Réduction de dimension interprétableInterpretable dimension reduction
Clustering divisif de variables et clustering autour de composantes latentes, pour construire des entrées lisibles pour les modèles de RUL.
Divisive feature clustering and clustering of variables around latent components, used to build readable inputs for RUL models.
Maintenance prédictivePredictive maintenance
Prédiction de la RUL à partir de séries temporelles multi-capteurs (turboréacteurs C-MAPSS, roulements PRONOSTIA / FEMTO-ST) avec des modèles profonds (LSTM).
RUL prediction from multi-sensor time series (C-MAPSS turbofans, PRONOSTIA / FEMTO-ST bearings) with deep models such as LSTMs.
Données hétérogènesHeterogeneous data
Clustering multi-blocs et multi-vues, consensus de partitions et données manquantes.
Multi-block and multi-view clustering, consensus clustering and missing data.
Publications
Revues internationalesInternational journals
2
-
2026
Explainable Remaining Useful Life Prediction Using Interpretable Divisive Feature Clustering.
Applied Stochastic Models in Business and Industry, 42(2), e70084. Wiley. -
2025
Improving predictive maintenance: Evaluating the impact of preprocessing and model complexity on the effectiveness of eXplainable Artificial Intelligence methods.
Engineering Applications of Artificial Intelligence, 144, 110144. Elsevier.
Conférences internationalesInternational conferences
7
-
2026
Interpretable Feature Clustering for Dimensionality Reduction. An application to Explainable Remaining Useful Life Prediction.
19th Conference of the International Federation of Classification Societies (IFCS 2026), Milan, Italy. -
2026
Robust Feature Clustering around Latent Components.
International Conference on Robust Statistics (ICORS 2026). -
2026
Clustering variables: current status and recent applications.
5e Colloque international statistique et économétrie (CISEM 2026). -
2025
A Divisive Unsupervised Feature Selection Approach for Explainable Remaining Useful Life Prediction.
36th International Conference on Database and Expert Systems Applications (DEXA 2025), Bangkok, Thailand, pp. 270–286. Springer. -
2025
Sparse Weighted Multi-View Clustering.
9th Conference of Data Science, Statistics, and Visualisation (DSSV 2025). -
2025
Enhancing Fuzzy Forests with Consensus Clustering for Unbiased and Robust Feature Selection.
JOCLAD 2025, pp. 85–86. -
2024
Enhancing Explainability in Predictive Maintenance: Investigating the Impact of Data Preprocessing Techniques on XAI Effectiveness.
37th International Conference of the Florida Artificial Intelligence Research Society (FLAIRS-37), Florida, USA.
Conférences nationalesNational conferences
4
-
2025
Une approche divisive et interprétable de réduction de dimension pour la prédiction de la RUL.
56es Journées de Statistique (JdS 2025), SFdS, Marseille. -
2024
Effet de la complexité du réseau LSTM sur l'explicabilité en maintenance prédictive.
55es Journées de Statistique (JdS 2024), SFdS, Bordeaux. -
2023
Une revue systématique de la littérature autour du biais, de l'équité et de l'explicabilité.
Conférence Nationale en Intelligence Artificielle (CNIA 2023), AFIA, Strasbourg, pp. 87–98. -
2023
Consensus de partitions en NLP pour une revue systématique de la littérature autour de l'XAI, du biais et de l'équité.
Rencontres de la Société Francophone de Classification (SFC 2023), pp. 43–48.
ThèsePhD thesis
1
-
2025
Vers une intelligence artificielle explicable en maintenance prédictive : prise en compte des étapes de pré-, in- et post-traitement pour améliorer la qualité des explications des méthodes XAI post-hoc.
Thèse de doctoratPhD thesis, Conservatoire National des Arts et Métiers (CNAM), Paris.
SéminairesSeminars
1
-
2021
Gestion des données manquantes en clustering.
Séminaire, CNAMSeminar, CNAM, Paris, 29 octobre 2021.29 October 2021.
ExpertiseReviewing
Relecteur pour la revue Reliability Engineering & System Safety (Elsevier). Reviewer for Reliability Engineering & System Safety (Elsevier).
La liste complète et à jour est disponible sur The complete, up-to-date list is on Google Scholar etand HAL.
EnseignementTeaching
-
Depuis 20252025 – present
ATER, Attaché Temporaire d'Enseignement et de RechercheATER, Temporary Teaching and Research Assistant
CNAM, EPN 5 & EPN 6, Paris · CNAM Nouvelle-Aquitaine- STA101 Analyse des données : méthodes descriptives (ACP, AFC, ACM, AFDM, classification)
- MVA113 Méthodes mathématiques pour la finance et l'économie
- STA211 Entreposage et fouille de données
- USSI6A Inférence statistique : estimation et tests d'hypothèses
- USSI6G Initiation à la programmation R
- NFE212 Informatique décisionnelle : visualisation et valorisation des données
- STA101 Data analysis, descriptive methods (PCA, CA, MCA, FAMD, clustering)
- MVA113 Mathematical methods for finance and economics
- STA211 Data warehousing and data mining
- USSI6A Statistical inference: estimation and hypothesis testing
- USSI6G Introduction to R programming
- NFE212 Business intelligence: data visualization and valorization
-
2026 – 2027
Intervenant extérieurGuest lecturer
Établissements d'enseignement supérieur privés, niveau MasterPrivate higher-education institutions, Master's level- Visualisation de données (M1 Big Data & IA) : architectures data lake / lakehouse, préparation à l'échelle, web sémantique, perception visuelle, storytelling, BI décisionnelle et tableaux de bord temps réel. Outils :PySparkPostgreSQLRDF / OWL / SPARQL (Apache Jena Fuseki, Protégé)PlotlyAltairStreamlitApache SupersetGrafanaDockerJupyterLab
- IA générative & LLMs (M2) : fondamentaux (tokens, embeddings, Transformers), prompt engineering, RAG, agents et function calling, fine-tuning, mise en production et automatisation. Outils :Hugging FaceOllamaLangChainLlamaIndexMCPbases vectorielles (Chroma, FAISS, Qdrant, pgvector)LoRA / QLoRA (PEFT)n8n
- Projet technique Big Data & IA (M2 Big Data) : valorisation et lancement d'un projet IA/Data sur le marché. Outils :étude de marchéSWOTBusiness Model Canvaspitch deck
- Formation pratique à Docker : conteneurisation d'une application frontend + backend. Outils :DockerDocker ComposeNginxReactFastAPI
- Data visualization (M1 Big Data & AI): data lake / lakehouse architectures, data preparation at scale, semantic web, visual perception, storytelling, business intelligence and real-time dashboards. Tools:PySparkPostgreSQLRDF / OWL / SPARQL (Apache Jena Fuseki, Protégé)PlotlyAltairStreamlitApache SupersetGrafanaDockerJupyterLab
- Generative AI & LLMs (M2): foundations (tokens, embeddings, Transformers), prompt engineering, RAG, agents and function calling, fine-tuning, deployment and automation. Tools:Hugging FaceOllamaLangChainLlamaIndexMCPvector databases (Chroma, FAISS, Qdrant, pgvector)LoRA / QLoRA (PEFT)n8n
- Big Data & AI technical project (M2 Big Data): bringing an AI/data project to market. Tools:market studySWOTBusiness Model Canvaspitch deck
- Hands-on Docker training: containerizing a frontend + backend application. Tools:DockerDocker ComposeNginxReactFastAPI
-
2023 – 2025
Chargé de TD (vacataire)Teaching assistant (vacataire)
CNAM, CEDRIC- STA101 Analyse des données, statistique exploratoire multivariée (35 h/an)
- STA211 Entreposage et fouille de données : encadrement de projets de data mining (FOAD)
- NFE212 Apprentissage supervisé (FOAD)
- STA101 Data analysis, multivariate exploratory statistics (35 h/year)
- STA211 Data warehousing and data mining, supervision of data-mining projects (distance learning)
- NFE212 Supervised learning (distance learning)
-
2022 – 2025
Ateliers de deep learningDeep learning workshops
CESI, formation d'ingénieurs en alternance (FISA)CESI, apprenticeship engineering programme (FISA)Ateliers et projets tutorés : CNN, RNN, autoencodeurs, transfer learning.
Workshops and tutored projects on CNNs, RNNs, autoencoders and transfer learning.
-
2025
Encadrement d'un stage de recherche de M2 (6 mois)Supervision, M2 research internship (6 months)
CESI LINEACT, NanterreOptimisation des hyperparamètres pour la prédiction de la RUL à partir de séries temporelles multivariées (LSTM, optimisation bayésienne, bootstrap par blocs).
Hyperparameter optimization for RUL prediction from multivariate time series (LSTM, Bayesian optimization, block bootstrap).
ParcoursExperience
-
Depuis oct. 2025Oct 2025 – present
ATER, enseignement et rechercheATER, teaching and research
CNAM, EPN 6, ParisRecherche en réduction de dimension, sélection robuste de variables et IA explicable pour les séries temporelles multivariées.
Research on dimensionality reduction, robust feature selection and explainable AI for multivariate time series.
-
Oct. 2022 – oct. 2025Oct 2022 – Oct 2025
Doctorant, data scientistDoctoral researcher, data scientist
CESI LINEACT, NanterrePrédiction de la RUL à partir de données multi-capteurs (C-MAPSS, PRONOSTIA) avec des LSTM ; explicabilité avec LIME, SHAP et L2X ; sélection non supervisée de variables par clustering divisif ; analyse bibliométrique de la littérature XAI (web scraping, LDA).
RUL prediction from multi-sensor data (C-MAPSS, PRONOSTIA) with LSTMs; explainability with LIME, SHAP and L2X; unsupervised feature selection by divisive clustering; bibliometric analysis of XAI literature (web scraping, LDA).
-
Oct. 2021 – oct. 2022Oct 2021 – Oct 2022
Ingénieur de recherche, projet e-PrivacyResearch engineer, e-Privacy project
CNAM, équipe ROC, ParisCNAM, ROC team, ParisApprentissage distribué préservant la confidentialité sur données IoT (PySpark, Google Cloud Platform).
Privacy-preserving distributed learning on IoT data (PySpark, Google Cloud Platform).
-
Avr. – sept. 2021Apr – Sep 2021
Stagiaire de recherche, data scientistResearch intern, data scientist
CNAM, CEDRIC, ParisClustering multi-blocs de données hétérogènes incomplètes : clustering ensembliste et consensus de partitions avec imputation multiple ; packages R et Python.
Multi-block clustering of incomplete heterogeneous data: ensemble and consensus clustering with multiple imputation; R and Python packages.
-
2018 – 2020
Statisticien, data analystStatistician, data analyst
STATINFO · IRD UMR VITROME · ANSD, Dakar, SénégalSTATINFO · IRD UMR VITROME · ANSD, Dakar, SenegalAnalyse de données d'enquêtes et tableaux de bord, données Afrobarometer (scores composites par ACM, modèles multiniveaux), indices des prix à la production.
Survey data analysis and dashboards, Afrobarometer data (MCA composite scores, multilevel models), production price indices.
Contact
292 rue Saint-Martin, 75003 Paris