Portrait de Mehdi Acheli

Docteur · Chercheur postdoctoral · CEA

Mehdi Acheli : L’intelligence à travers
le continuum.

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.

$ 

01 À propos

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.

02 Axes de recherche

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.

Continuum Cloud-Edge-IoT

Détection d’anomalies, processus d’orchestration, sa supervision et son ajustement, et IA agentique pour le continuum Cloud-Edge-IoT.

Science des processus

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.

Apprentissage sur graphes & AutoML

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).

Notation de sécurité (security rating)

Systèmes de notation de sécurité (security rating) et évaluation des risques fournisseurs.

03 Projets

PEPR Cloud2023 – 2029

SPIREC

Dans le continuum Cloud-Edge-IoT, fortement hétérogène, la supervision, la détection d’anomalies et la prédiction de l’utilisation des ressources sont essentielles pour sécuriser les applications et garantir la qualité de service. SPIREC développe de nouvelles méthodes pour relever ces défis.

Financé par l’État français dans le cadre du plan d’investissement national France 2030.

InriaIMTCNRSCEAUniversité Versailles Saint-Quentin-en-YvelinesUniversité de Lorraine

Mon rôle

  • Coordination au quotidien du workpackage et point de contact scientifique
  • Participation à l’encadrement des doctorants recrutés sur le projet
  • Référent communication de l’équipe pour le projet
  • Travail de recherche et de production scientifiques (articles, livrables, etc.)

Objectifs

  1. 01Collecte et modélisation de données pour la supervision et la détection d’anomalies
  2. 02Supervision d’infrastructures et d’applications de grande taille dans les environnements hétérogènes du continuum Cloud-Edge-IoT (CEI)
  3. 03Intelligence artificielle distribuée multicritère pour la prédiction de l’utilisation des ressources
  4. 04Applications, validation, mise en œuvre et intégration

PEPR Cloud2023 – 2030

TARANIS

Dans le continuum Cloud-Edge-IoT, des ressources hétérogènes, distribuées et soumises à des contraintes énergétiques rendent la gestion cloud bien plus complexe. TARANIS abstrait les applications et les ressources pour automatiser leur gestion et optimiser leur utilisation.

Financé par l’État français dans le cadre du plan d’investissement national France 2030.

InriaCNRSIMTUGACEAUniversité de RennesENS LyonUniversité Claude Bernard Lyon 1Université de LilleINSA Rennes

Mon rôle

  • Représentation ponctuelle de l’équipe, sur les aspects administratifs et scientifiques
  • Supervision ponctuelle d’une doctorante recrutée sur le projet
  • Travail de recherche et de production scientifiques (articles, livrables, etc.)

Objectifs

  1. 01Étudier la complexité des modèles d’applications et d’infrastructures Cloud-Edge
  2. 02Étudier les problématiques de déploiement et de reconfiguration
  3. 03Étendre les orchestrateurs pour le continuum Cloud-Edge-IoT
  4. 04Revisiter les problèmes d’optimisation liés à l’utilisation des infrastructures Cloud-Edge-IoT

Bpifrance2024 – 2026

EVA

Dans le cadre du projet EVA, une entreprise de cybersécurité partenaire (anonymisée) et IMT Télécom SudParis souhaitent développer des solutions d’évaluation cyber en continu simples, automatisées et économiquement abordables, afin d’inciter tous les acteurs, de la PME aux grandes entreprises, à améliorer leur posture cyber. Ce développement s’appuie sur l’amélioration des solutions d’évaluation existantes de l’entreprise et sur le lancement de nouvelles solutions d’évaluation innovantes.

Financé par Bpifrance.

Entreprise de cybersécurité (anonymisée)IMT Télécom SudParis

Mon rôle

  • Participation à l’encadrement de la doctorante recrutée sur le projet
  • Travail de recherche et de production scientifiques (articles, livrables, etc.)
  • Participation au suivi administratif du projet

Objectifs

  1. 01Créer un mécanisme de suggestion de réponses aux questionnaires de sécurité (fournisseurs / DORA / NIS2 / courtiers…) avec un jeu de données « réduit »
  2. 02Améliorer les systèmes de cartographie des actifs d’une entreprise
  3. 03Découvrir l’exposition des sociétés et de leurs dirigeants aux risques cyber issus de fuites de données
  4. 04Perfectionner l’algorithme de notation (rating) : garantir une notation évolutive et pertinente malgré les changements constants

04 Expérience professionnelle

  1. Oct. 2026 – aujourd’hui

    Postdoctorat — Federated Learning

    CEA

    Federated Learning sous hétérogénéité des ressources

  2. Sept. 2024 – Sept. 2026

    Postdoctorat — IA

    Télécom SudParis

    • Gestion de projet ; coordination d’un workpackage du PEPR Cloud SPIREC. Intervention sur plusieurs autres projets : PEPR Cloud Taranis et projet Bpifrance (recherche et gestion).
    • Encadrement de doctorants (détection d’anomalies et gestion des SLA dans le Cloud-Edge-IoT continuum — techniques de knowledge distillation et IA agentique — systèmes de Security Ratings, évaluation de risques fournisseurs).
    • Encadrement d’un stagiaire sur la détection d’anomalies dans les graphes dynamiques par diffusion générative de graphes, inspirée de Stable Video Diffusion.
    • Recherche individuelle sur une nouvelle technique d’optimisation de l’entraînement de modèles sur des environnements contraints en ressources (Edge, IoT, embarqués, etc.).
  3. Sept. 2022 – août 2024

    Chef de projet R&D

    Sogeti, groupe Capgemini

    • Piloter des projets de recherche R&D en data science par des méthodes agiles ; assister et encadrer consultants, alternants et stagiaires.
    • Veille bibliographique, recherche et communication scientifique.
    • Construire des solutions de data science, ML, DL et RL : méta-modèle générant des réseaux de neurones par RL-GraphNAS, lutte anti-fraude via Graph Neural Networks, data imbalance, synthetic data generation.
  4. Déc. 2021 – mai 2022

    Ingénieur R&D

    Logpickr, iGraphx

    Prédiction des activités conséquentes dans un processus, en s’inspirant du NLP et de la computer vision.

05 Publications

Noms surlignésDoctorants dont les articles ont été rédigés sous mon co-encadrement PrépublicationsMasquées par défaut ; utiliser le bouton Prépublications pour les inclure CORE AClassement des conférences du portail CORE (ICORE2026) ; quartile des revues selon Scimago

06 Enseignement

Environ 230 heures d’enseignement en TD/TP à l’Université Paris-Dauphine-PSL pendant et après ma thèse.

AnnéeUnité d’EnseignementTypeVolume
2021–2022Bases de Données RelationnellesTD/TP52,5 h
2020–2021Systèmes d’ExploitationTD/TP40,5 h
C++TD/TP21,94 h
2019–2020Outils en InformatiqueTP24 h
Bases de Données RelationnellesTD/TP16,13 h
Programmation CTD/TP10,5 h
2017–2018Outils en InformatiqueTP12 h
Bases de Données RelationnellesTD/TP52,5 h

07 Encadrement

Doctorants · co-encadrement

SPIREC

Farah Abid

Science des données pour la supervision de ressources, la renégociation de SLAs et la détection d’anomalies dans le continuum CEI

SPIREC

Abderrahmane Boucenna

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

EVA

Nada Hanad

Système de notation contextuelle pour l’évaluation automatisée des infrastructures informatiques, intégrant des modèles d’IA

TARANIS

Wided Meflah

Orchestration automatique à travers le Cloud-Edge-IoT continuum

Étudiants en Master

M2 en alternance2022 – 2023

Neila Khermane

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

M2 en alternance2022 – 2023

Fatima Zahra Remmach

Master 2 Machine Learning for Data Science, Université Paris Cité

Détection de fraudes financières par des méthodes de Graph Neural Networks

Stage de M22024 – 2025

Sofien Mohamed

Master Professionnel en Informatique, Horizon School of Digital Technologies

Détection des anomalies dans les graphes dynamiques par diffusion générative de graphes

08 Service à la communauté

Organisation

Relecteur · Conférences

Relecteur · Revues

09 Formation

  1. 2021

    Docteur en Informatique

    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 ↗

  2. 2017

    Ingénieur d’État en Informatique, spécialisé en Systèmes Informatiques et Machine Learning

    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.

Certifications

Professional Scrum Master I (PSM I) Scrum.org · Vérifier l'authenticité ↗ (saisir l’adresse de contact)
TOEIC Score : 990/990

10 Compétences

Data science
Random forest, SVM, clustering, CNN, RNN, GNN, Transformers, auto-encoders, reinforcement learning, NLP, LLMs, computer vision, diffusion générative
Développement
Python (PyTorch, LangChain, NumPy, pandas, scikit-learn, Gym, CUDA), Java, C, C++, C#, VHDL, SQL, R, LaTeX, BPMN
Infrastructure
Docker, Vagrant, VMware, VirtualBox, AWS; GitLab, GitHub, SVN
Bases de données
MySQL, MongoDB, Oracle, PostgreSQL, Postgres-XL, Citus
Gestion de projet
SCRUM (PSM I certifié), Kanban
Langues
Arabe (langue maternelle), Kabyle (langue maternelle), Français (bilingue), Anglais (bilingue, TOEIC 990/990)

11 Contact

Une collaboration, un encadrement ou une relecture en perspective ? Parlons-en.

mehdi.acheli@gmail.com