Student Supervision

In my role as follow-up supervisor (tuteur de suivi), I monitor the activities of interns within external industrial organizations and mentor end-of-study graduation projects (PFE, projets de fin d'étude).

Following are some of the students I have supervised.

Research internships supervised/co-supervised at LISIC, listed in reverse chronological order.

Research project: Towards an explainable conversational recommendation system using LLM: integrating embeddings, XAI, and chatbot.

Intern: Zaheer Ahmed
Period: April 1 – September 30, 2026
Role: Master – PFE / Research Engineer

Building upon work carried out in 2025 on developing an intelligent conversational system for assisting with CPS configuration, this internship proposes an extension aimed at enhancing the intelligence of the recommendation engine and its explainability.

Chatbots and large language models (LLMs) have generated growing interest due to their ability to understand user intent and formulate interactive and personalized responses. The integration of these technologies enables the envisioning of a new generation of conversational recommendation systems, capable of adapting in real-time to the context and evolving needs expressed during the interaction. From this perspective, this project aims to develop an LLM-based recommendation system, capable of understanding natural language queries and producing relevant recommendations through fine-tuning and vector representations (embeddings). The work will first involve defining and preparing an application domain by building a structured dataset comprising components, scenarios, and performance criteria, then generating the necessary embeddings to populate a vector database. The intern will then conduct a comparative analysis of available open-source language models, select the one offering the best compromise between performance and the laboratory's technical constraints, and implement realistic adaptation methods such as LoRA, instruction tuning, or a RAG approach.

Subsequently, they will develop an explainable recommendation engine capable of establishing a semantic match between user queries and the vector database, selecting items based on explicit criteria such as compatibility, accuracy, or cost, and generating explanations based on vector similarity, business rules derived from the team's current work, and technical metadata. Although models like BERT and its derivatives offer excellent performance in natural language understanding, their use in recommendation systems often remains opaque. The originality of this project thus lies in the integration of advanced explainable AI (XAI) mechanisms to make the system's operation interpretable without sacrificing its performance. The final objective is to propose a system capable of generating recommendations that are not only relevant but also accompanied by understandable explanations, thereby enhancing transparency, trust, and user adoption.

Research project: Explicabilité, modélisation sémantique et IA distribuée (explainability, semantic modeling, and distributed AI).

Intern: Aya Touhaf
Period: June 1 – July 17, 2026
Role: Travail d'Étude et de Recherche (TER) — M1 informatique

La montée en complexité des modèles d'intelligence artificielle, en particulier avec l'essor des architectures profondes, a considérablement accru les défis liés à leur transparence et à leur explicabilité. Cette complexité est aujourd'hui identifiée comme un frein majeur à l'adoption dans des domaines critiques tels que la santé ou la finance. Le domaine de l'Explainable Artificial Intelligence (XAI) s'est structuré autour de méthodes visant à rendre les décisions compréhensibles, incluant des approches post-hoc telles que LIME et SHAP, ainsi que des modèles intrinsèquement interprétables. Toutefois, ces méthodes restent souvent locales, approximatives et peu alignées avec les mécanismes internes de raisonnement des modèles.

Par ailleurs, plusieurs travaux ont exploré la représentation des connaissances à travers des structures symboliques et géométriques, notamment les graphes de connaissances et les espaces d'embedding. Ces approches permettent de capturer des relations sémantiques entre concepts, mais souffrent d'une intégration limitée avec les modèles d'apprentissage profond. Les approches cognitives, telles que les espaces conceptuels, offrent des représentations interprétables, mais leur exploitation dans des systèmes complexes reste encore marginale.

Dans ce contexte, la modélisation de l'espace d'état fonctionnel (FSS) s'inscrit dans une continuité de travaux portant sur les systèmes dynamiques et les graphes d'états. Ces approches modélisent les processus décisionnels comme des trajectoires dans un espace structuré. Toutefois, elles restent souvent soit trop abstraites, soit difficilement intégrables dans des architectures modernes d'apprentissage.

En parallèle, les systèmes multi-agents et l'intelligence distribuée ont suscité un intérêt croissant pour modéliser des environnements complexes. Les graphes classiques sont largement utilisés, mais présentent des limites pour représenter des interactions de haut niveau impliquant plusieurs entités. Les hypergraphes constituent une alternative prometteuse, permettant de capturer des relations multi-aires et complexes. Cependant, leur utilisation pour améliorer l'explicabilité reste encore peu explorée.

Un autre axe de recherche concerne l'intégration de la sémantique dans les processus d'apprentissage. Les approches classiques basées sur la rétropropagation optimisent des fonctions de perte numériques sans intégrer explicitement des structures sémantiques. Plusieurs travaux en neuro-symbolique et en apprentissage contraint tentent d'introduire des connaissances explicites dans l'apprentissage, mais rencontrent des limitations en termes de scalabilité et de cohérence globale. Des méthodes d'explication telles que LRP et Integrated Gradients illustrent ces limites.

Dans le domaine de la santé, l'IA explicable est devenue un enjeu central, notamment pour les systèmes de diagnostic et de surveillance. Les approches existantes exploitent des données issues de capteurs et de signaux physiologiques, mais restent souvent opaques pour les utilisateurs finaux. Les études montrent que l'intégration de mécanismes explicatifs améliore significativement la confiance et la compréhension des décisions par les experts humains.

Les approches récentes en intelligence distribuée, telles que la fusion multi-capteurs et l'apprentissage fédéré, permettent de traiter des données hétérogènes à grande échelle. Néanmoins, elles introduisent de nouveaux défis en matière de cohérence, d'explicabilité et de coordination entre agents. Les travaux sur les graphes explicables soulignent les limites actuelles et la nécessité de nouveaux cadres unifiés.

Au regard de ces travaux, la littérature met en évidence un manque de cadres unifiés capables de combiner : (i) une représentation sémantique interprétable, (ii) des mécanismes d'apprentissage intégrant explicitement cette sémantique, et (iii) une modélisation des interactions complexes dans des systèmes distribués.

Research project: Towards a predictive and semantic approach to software change impact analysis.

Researcher: Mme Chahira CHERIF
Period: September 14 – September 30, 2025
Role: Post-doc research engineer

Driven by artificial intelligence, software engineering is undergoing a profound transformation in how change impacts are assessed. Going beyond traditional syntactic analysis, AI adds a semantic and predictive dimension: it draws on modification history to anticipate the hidden repercussions of a change in XML files (XSD, WSDL) and surpasses static code analysis by detecting subtle anomalies while generating highly targeted test scenarios. This proactive approach turns risk management into a genuine strategic decision-making tool. However, for developers to fully adopt this technology, AI explainability (XAI) is essential. By opening the "black box" to clearly justify its alerts and explain its probabilistic reasoning, AI builds trust and enables engineers to validate its suggestions with full understanding.

Research project: Development of an explainable recommendation system for cyber-physical systems (CPS), integrating an intelligent chatbot, data semantics, and vector databases, to propose personalized and transparent configurations adapted to user needs.

Intern: NAJIB ALAOUI Chaima
Period: May 15 – September 12, 2025
Institution: Laboratoire d'Informatique Signal et Image de la Côte d'Opale (LISIC), Université du Littoral Côte d'Opale (ULCO), France
Role: Assistant engineer internship

This internship focused on developing an explainable recommendation system applied to cyber-physical systems (CPS). The objective was to design an intelligent conversational agent capable of understanding user needs through natural language processing, and to propose personalized and transparent CPS configurations. The work involved fine-tuning NLP models, implementing a chatbot, integrating recommendation algorithms, and structuring a vector database. Experiments validated the relevance and explainability of the generated recommendations, paving the way for broader adoption of CPS in varied contexts.

Research project: Towards a probabilistic approach for change management in information systems.

Intern: CHERIF Chahira
Institution: Laboratoire d'Informatique Signal et Image de la Côte d'Opale (LISIC), ULCO, Calais, France

Work from this research internship evolved and became an integral part of the doctoral thesis defended on October 31, 2024. Research continues as a thesis at the RIIR laboratory (Laboratoire de Recherche Informatique Industrielle et Réseaux), Université Oran 1 Ahmed Ben Bella, Oran, Algeria. This internship contributed to three publications in international conferences and one journal publication.

View related doctoral thesis →

Research project: Simplified inference engine in TensorFlow 2 for an ontologically explainable classifier.

Intern: BOURICHI Akram
Period: March 3 – October 1, 2021
Context: Co-supervision within the SysReIC team (in the context of the SysReIC team restructuring)