Federated learning & edge learning
Entraînement et optimisation de modèles dans des environnements aux ressources contraintes (Edge, IoT, embarqué) ; federated learning sous hétérogénéité des ressources ; distillation de connaissances.

Docteur · Chercheur postdoctoral · CEA
Je suis Mehdi Acheli, chercheur en IA. Je suis la trace de l’intelligence, des journaux d’événements jusqu’à l’edge et l’IoT, là où les données abondent et les ressources se font rares.
$ Je suis un chercheur en IA, docteur en informatique, animé par la recherche et l’innovation en science des données.
Mon travail de thèse à l’Université Paris-Dauphine-PSL m’a fait découvrir la science des processus. J’ai développé des méthodes pour découvrir des patterns comportementaux dans les journaux d’événements de processus flexibles, là où les modèles de processus traditionnels ne parviennent pas à saisir le déroulement réel du travail. Je suis ensuite passé à la R&D en entreprise, d’abord pour prédire le comportement de processus chez Logpickr, puis chez Sogeti, groupe Capgemini, où j’ai dirigé un projet de recherche sur la détection de fraude : l’identification d’anomalies dans des processus financiers à partir de données historiques d’événements.
De retour dans le monde académique en tant que chercheur postdoctoral à Télécom SudParis, où j’ai encadré des doctorants et des stagiaires, je me suis tourné vers le continuum Cloud-Edge-IoT (CEI). Là aussi, les processus sont centraux : une composition de services est elle-même un processus, qui coordonne des services selon leurs dépendances et leur ordre d’exécution. Mes travaux ont suivi ce processus tout au long de son cycle de vie, à travers le cloud, l’edge et les appareils IoT : génération de compositions à partir de l’intention de l’utilisateur grâce aux grands modèles de langage, détection des anomalies pendant l'exécution des services, puis nouvel usage des modèles de langage pour renégocier les accords de niveau de service (SLA) lorsque des anomalies surviennent. Superviser le continuum implique aussi d’exécuter des modèles d’apprentissage au plus près des objets connectés, ce qui m’a conduit à travailler sur l’entraînement de modèles sur des équipements aux ressources contraintes, au niveau des couches basses. Au-delà du continuum, j’ai travaillé avec une entreprise de cybersécurité sur la prédiction de scores de sécurité (security ratings) à partir de l’historique de notation des entreprises, autre forme de données historiques d’événements. J’y ai aussi mobilisé mon expérience des modèles de langage pour automatiser les questionnaires d’évaluation des risques liés aux tiers.
Aujourd’hui, en tant que chercheur postdoctoral au CEA, je me concentre sur l’adaptation des modèles d’apprentissage à l’edge et à l’IoT. Cet axe de travail, né à Télécom SudParis avec la détection légère d’anomalies par distillation de connaissances et une approche d’entraînement à double modèle, se poursuit aujourd’hui avec mes recherches sur le federated learning sur des équipements aux ressources hétérogènes.
Entraînement et optimisation de modèles dans des environnements aux ressources contraintes (Edge, IoT, embarqué) ; federated learning sous hétérogénéité des ressources ; distillation de connaissances.
Détection d’anomalies, processus d’orchestration, sa supervision et son ajustement, et IA agentique pour le continuum Cloud-Edge-IoT.
Fouille de journaux d’événements, extraction de patterns comportementaux, inférence causale et prédiction de la prochaine activité inspirée du NLP et de la vision par ordinateur.
Diffusion générative de graphes pour la détection d’anomalies, graph neural networks pour la détection de fraude et la surveillance prédictive des processus et recherche d’architectures de réseaux de neurones par apprentissage par renforcement (RL-GraphNAS).
Systèmes de notation de sécurité (security rating) et évaluation des risques fournisseurs.
CEA
Federated Learning sous hétérogénéité des ressources
Télécom SudParis
Sogeti, groupe Capgemini
Logpickr, iGraphx
Prédiction des activités conséquentes dans un processus, en s’inspirant du NLP et de la computer vision.
Aucune publication ne correspond à ces filtres.
DiCEI: Distilled iTransformer for Effective Lightweight Anomaly Detection Across the Cloud-Edge-IoT Continuum
IEEE International Conference on Cloud Engineering (IC2E), 2026. Accepté.
Dual Model Learning for Efficient and Effective Visual Services
IEEE International Conference on Web Services (ICWS), Sydney, Australie, 2026, pp. 771–781. DOI ↗
Semantic Labeling for Third-Party Cybersecurity Risk Assessment: A Semi-Supervised Approach to Intent-Aware Question Retrieval
International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (KES), 2026. Accepté. arXiv ↗
Reliable Remediation Impact Prediction for Black-Box Security Ratings
arXiv:2607.16357, 2026. arXiv ↗
From Natural Language to TOSCA: Leveraging LLMs for Automated Service Composition
International Conference on Service-Oriented Computing, Springer, pp. 3–18, déc. 2025. DOI ↗
Predictive Process Monitoring Using Object-Centric Graph Embeddings
Service-Oriented Computing – ICSOC 2024 Workshops, LNCS vol. 15833, Springer. DOI ↗
Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation
arXiv:2402.02921, 2024. arXiv ↗
Discovering and Analyzing Contextual Behavioral Patterns from Event Logs
IEEE Transactions on Knowledge and Data Engineering, vol. 34, n° 12, pp. 5708–5721. DOI ↗
Behavioral Pattern Mining for Flexible Processes
Thèse de doctorat, Université Paris sciences et lettres. Sous la direction de la Pr Daniela Grigori. HAL ↗
Applying the Method of Reflections through an Event Log for Evidence-based Process Innovation
International Conference on Process Mining (ICPM), Aix-la-Chapelle, Allemagne, pp. 105–112. DOI ↗
Efficient Discovery of Compact Maximal Behavioral Patterns from Event Logs
Advanced Information Systems Engineering (CAiSE 2019), LNCS vol. 11483, Springer. DOI ↗
Environ 230 heures d’enseignement en TD/TP à l’Université Paris-Dauphine-PSL pendant et après ma thèse.
| Année | Unité d’Enseignement | Type | Volume |
|---|---|---|---|
| 2021–2022 | Bases de Données Relationnelles | TD/TP | 52,5 h |
| 2020–2021 | Systèmes d’Exploitation | TD/TP | 40,5 h |
| C++ | TD/TP | 21,94 h | |
| 2019–2020 | Outils en Informatique | TP | 24 h |
| Bases de Données Relationnelles | TD/TP | 16,13 h | |
| Programmation C | TD/TP | 10,5 h | |
| 2017–2018 | Outils en Informatique | TP | 12 h |
| Bases de Données Relationnelles | TD/TP | 52,5 h |
Science des données pour la supervision de ressources, la renégociation de SLAs et la détection d’anomalies dans le continuum CEI
La détection d’anomalies et la supervision dans le CEI : des modèles de données à la détection intelligente et au placement optimal de la charge de travail
Système de notation contextuelle pour l’évaluation automatisée des infrastructures informatiques, intégrant des modèles d’IA
Orchestration automatique à travers le Cloud-Edge-IoT continuum
Master II Vision et Machine Intelligente, Université Paris Cité
Exploration des réseaux de neurones à architecture modulable dans le contexte de la détection de fraude bancaire
Master 2 Machine Learning for Data Science, Université Paris Cité
Détection de fraudes financières par des méthodes de Graph Neural Networks
Master Professionnel en Informatique, Horizon School of Digital Technologies
Détection des anomalies dans les graphes dynamiques par diffusion générative de graphes
Université Paris-Dauphine–PSL
Data mining sur des logs et processus métier ; extraction de patterns comportementaux et feature engineering ; data analytics, étude de corrélations et d’inférences causales. Enseignements : C, C++, Unix, SGBDR, HTML, MS Access.
Thèse : Behavioral Pattern Mining for Flexible Processes, sous la direction de la Pr Daniela Grigori. Lire la thèse ↗
École nationale Supérieure d’Informatique | LIAS (ENSMA)
Projet de fin d’études : benchmarking de bases de données (NoSQL, SGBDR distribués, Hive) et développement de générateurs de données et de requêtes. Vulgarisation à travers des tutoriels.
Une collaboration, un encadrement ou une relecture en perspective ? Parlons-en.