Recherche

Mes travaux se situent à l’intersection des graphes de connaissances, des LLMs & TAL, de l’apprentissage sur graphes et des systèmes de recommandation.
Un fil conducteur est l’utilisation de données structurées et de l’apprentissage sur graphes pour répondre à des problèmes concrets qui demandent à la fois de bonnes performances et une explicabilité réelle.

Je collabore avec des partenaires académiques et industriels sur des applications en recrutement, aide à la décision médicale et marchés financiers.

Thèmes de recherche

Graphes de connaissances

Je travaille sur la construction de graphes de connaissances et leur utilisation dans des problèmes de machine learning.
Je m’intéresse en particulier aux façons d’extraire, nettoyer et organiser des connaissances issues de sources hétérogènes, puis de les rendre exploitables dans des systèmes d’IA.

LLM & TAL

J’utilise des outils de traitement automatique du langage (TAL) et des LLMs pour construire et enrichir des graphes de connaissances, ainsi que des approches hybrides combinant LLMs et apprentissage sur graphes.
Cela inclut l’extraction de connaissances structurées, le raisonnement sur ces connaissances et l’interaction avec les utilisateurs, tout en conservant un lien fort avec des représentations explicites sous forme de graphes.

Apprentissage sur graphes

Je fais du machine learning sur graphes (en particulier sur des graphes de connaissances) pour résoudre des problèmes réels qui nécessitent à la fois des performances élevées et une explicabilité.
Cela va de la définition de représentations de graphes à la conception de modèles capables de tirer parti de la structure, du temps et de la sémantique.

Systèmes de recommandation

Je conçois des systèmes de recommandation et de ranking, souvent basés sur des modèles de graphes.
Un axe important est la recommandation dans des contextes où les données sont hétérogènes, temporelles et parcellaires (par exemple en situation de cold start, ou avec des profils qui évoluent rapidement).

Projets sélectionnés

Recommandation d’emploi avec données hétérogènes

J’ai dirigé une collaboration avec une entreprise, dans le cadre de laquelle je co-encadrais un doctorant CIFRE. Nous avons conçu un système de recommandation basé sur un graphe hétérogène temporel et des LLMs pour assister des recruteurs professionnels.

• Recommandation d’offres d’emploi sur graphe hétérogène temporel
• Intégration de représentations issues de LLMs pour les profils et les offres
• Focus sur le cold start, les usages réels des recruteurs et le déploiement

Publications associées (sélection) :

• Tackling cold start for job recommendation with heterogeneous graphs
• TIMBRE: Efficient job recommendation on heterogeneous graphs for professional recruiters

Les références complètes sont disponibles sur la page Publications.

Temporalité dans les données médicales

Je dirige une collaboration avec une start-up médicale qui développe des outils d’aide à la décision pour les médecins, avec un doctorant CIFRE.
Nous étudions comment intégrer la dimension temporelle des données médicales dans le raisonnement avec des LLMs, afin de mieux ingérer et résumer les informations pertinentes issues de l’historique d’un patient.

• Modélisation temporelle de données médicales structurées et non structurées
• Raisonnement avec des LLMs sur l’historique des patients
• Aide à la décision pour les professionnels de santé

Les premières publications liées à ce projet sont en préparation.

Prédiction explicable de séries temporelles financières à partir de sources exogènes

Il s’agit d’un projet de recherche que j’ai initié, financé par une bourse IMT Futur & Ruptures, avec un doctorant.
Nous étudions comment raisonner conjointement sur des séries temporelles et des articles de presse pour mieux comprendre les perturbations sur les marchés financiers.

• Modélisation conjointe de séries temporelles financières et de textes de presse
• Prédictions explicables et attribution des mouvements de marché à des événements
• Combinaison de modèles temporels, de TAL et de raisonnement structuré

Les premières publications liées à ce projet sont en préparation.

Philosophie de recherche

Quelques principes guident ma façon de faire de la recherche :

• Recherche éthique. Je vise une recherche qui soit utile à la société, sans triche ni raccourcis douteux, et honnête sur ses limites. Cela inclut l’autocritique de nos propres résultats et la mise en avant de résultats négatifs lorsqu’ils sont instructifs.
• Recherche ouverte. Autant que possible, je publie code, articles, données et, lorsque c’est envisageable, reviews. J’ai signé l’initiative No free view? No review! (https://nofreeviewnoreview.org/).
• La qualité avant la quantité. Dans un contexte où le nombre de soumissions et de publications en IA explose, je pense qu’il est important de résister à la tentation de soumettre des travaux inachevés, peu reproductibles ou à faible impact uniquement pour augmenter un compteur de publications.

Ces valeurs influencent fortement ma manière d’encadrer, de choisir des projets et de collaborer.

Collaborations

Je suis ouvert à différents types de collaborations, principalement autour de la recherche :

• projets de recherche communs (académiques ou industriels),
• encadrement de thèses et de masters,
• collaborations de recherche appliquée avec des entreprises ou des acteurs publics,
• missions de conseil autour de l’IA, des graphes de connaissances, des LLMs et des systèmes de recommandation sur graphes.

N’hésitez pas à me contacter par e-mail si vous souhaitez échanger ou collaborer.