Intelligence artificielle au service d'une gouvernance des données conforme et transparente.
Ingénieure IA de formation, je conçois des systèmes multi-agents et des modèles séquentiels fédérés qui aident les organisations à gérer leurs données à grande échelle, dans le respect du RGPD et de l'AI Act européen.
Recherche doctorale en convention CIFRE, entre laboratoire et entreprise.
Gouverner des données réparties sans les centraliser.
La thèse croise deux programmes : des agents de gouvernance à autonomie bornée, encadrés par des politiques formelles, et des modèles graphiques probabilistes appris de façon fédérée sur des journaux d'activité qui ne quittent jamais leur organisation d'origine.
Architecture multi-agents à autonomie bornée pour une gouvernance des données contrainte par des politiques : ontologie des rôles (GRO), modèle formel d'autonomie (BAM), cinq agents spécialisés et un cadre d'évaluation dédié. Supervision humaine alignée sur l'article 14 de l'AI Act.
Modèles de Markov cachés fédérés pour l'analyse de données séquentielles décentralisées : variantes mono-modèle, personnalisées et à mélange de modèles, évaluées sur des journaux de gouvernance, des structures de protéines et des parcours de navigation web.
Y. Hemmati
Ontologie des rôles de gouvernance (GRO), modèle d'autonomie bornée (BAM) et cadre d'évaluation AGORABench.
Y. Hemmati, Y. Bennani
Pattern Recognition, Elsevier
Y. Hemmati, Y. Bennani
Soumission prévue à IJCNN
Formation et expériences, de la plus récente à la plus ancienne.
IA et gouvernance des données : agents à autonomie bornée et apprentissage fédéré de modèles séquentiels.
Chatbot simulant des stations d'examen pour étudiants en médecine : dialogues pilotés par un LLM Mistral affiné (LoRA) et une chaîne RAG adaptée au contexte médical (FAISS, BERT).
Analyse du comportement client et des transactions : détection de fraude et optimisation de l'attribution des plafonds de crédit (Python, SQL, Tableau).
Mémoire de fin d'études : détection des troubles du spectre autistique par apprentissage profond sur séries temporelles IRMf.
Travaux scientifiques menés pendant et avant le master.
Chaîne RAG d'extraction d'informations et graphe de connaissances reliant les entités extraites.
Agent conversationnel jouant le patient lors de stations d'examen, pour l'entraînement des étudiants.
Collecte par web scraping des formateurs des formations en France pour alimenter un système de recommandation.
Réduction de dimension de données génomiques et classification des gènes par t-SNE et apprentissage automatique.
Prédiction de scores médicaux de la maladie de Parkinson à partir de la voix, sur les données de la cohorte ICEBERG.
Détection des troubles du spectre autistique par apprentissage profond sur des séries temporelles IRMf.
Outils et méthodes pratiqués en recherche et en entreprise.
Contact
Artificial intelligence for compliant, transparent data governance.
An AI engineer by training, I design multi-agent systems and federated sequential models that help organisations manage their data at scale, in line with the GDPR and the EU AI Act.
Industrial PhD (CIFRE), shared between a research lab and a company.
Governing distributed data without centralising it.
The thesis brings together two research programmes: bounded-autonomy governance agents constrained by formal policies, and probabilistic graphical models learned in a federated way from activity logs that never leave their home organisation.
A bounded-autonomy multi-agent architecture for policy-constrained data governance: a Governance Role Ontology (GRO), a formal Bounded Autonomy Model (BAM), five specialised agents and a dedicated evaluation framework. Human oversight follows Article 14 of the EU AI Act.
Federated hidden Markov models for decentralised sequential data: single-model, personalised and mixture variants, evaluated on data-governance logs, protein secondary structure and web navigation sequences.
Y. Hemmati
Governance Role Ontology (GRO), Bounded Autonomy Model (BAM) and the AGORABench evaluation framework.
Y. Hemmati, Y. Bennani
Pattern Recognition, Elsevier
Y. Hemmati, Y. Bennani
Planned submission to IJCNN
Education and experience, most recent first.
AI and data governance: bounded-autonomy agents and federated learning of sequential models.
A chatbot that simulates clinical examination stations for medical students: dialogue driven by a fine-tuned Mistral LLM (LoRA) and a RAG pipeline adapted to the medical domain (FAISS, BERT).
Analysed customer behaviour and transactions to support fraud detection and optimise credit-limit allocation (Python, SQL, Tableau).
Final-year thesis: deep learning for autism spectrum disorder detection from fMRI time series.
Research projects carried out during and before the master's.
A RAG pipeline for information extraction and a knowledge graph linking the extracted entities.
A conversational agent that plays the patient in examination stations, for student training.
Web scraping of trainers across French training programmes to feed a recommender system.
Dimensionality reduction of genomic data and gene classification with t-SNE and machine learning.
Predicting Parkinson's disease clinical scores from voice, using data from the ICEBERG cohort.
Deep learning detection of autism spectrum disorder from fMRI time series.
Tools and methods used in research and industry.
Contact