Judith Le Roy
Intéréssée par l'Intelligence Artificielle Explicable
M2 Mathématiques & IA | Université Paris-Saclay | Stage LIP6
(elle/she)
Email | LinkedIn | GitHub | CV
Recherche de thèse CIFRE (Oct. 2026)
Je recherche une thèse CIFRE dans le domaine de l’explicabilité des systèmes d’IA hétérogènes, avec un focus sur les méthodes d’audit inter-modèles pour garantir la cohérence et la fiabilité des décisions algorithmiques.
Secteurs visés : Banque-Assurance, Santé, Tech (IA de confiance)
Recherche actuelle
Stage M2 : Explicabilité Inter-Modèles pour l’IA Éducative
LIP6, Sorbonne Université | Avril - Sept. 2026
Encadrement : M.J. Lesot (LFI) & S. Lallé (MOCAH)
Développement de méthodes XAI model-agnostic pour analyser les disparités entre modèles d’IA prédisant le même phénomène (réseaux Bayésiens vs. réseaux de neurones). Application au student modeling en AIED.
Contributions :
- Revue de littérature sur l’XAI inter-modèles (domaine émergent)
- Framework open-source d’audit de cohérence multi-modèles
- Méthodes pour quantifier et expliquer les désaccords entre modèles
Projets de recherche
Stage M1 - Framework HMM pour ADN ancien dégradé
LISN, Université Paris-Saclay | 2025
Face aux limitations des outils existants (Admixfrog, DAISEG), développement d’une pipeline de génération de datasets synthétiques avec paramètres de dégradation contrôlés. Framework permettant la validation robuste d’algorithmes sur données génomiques bruitées.
Publications & Communications
(Section en préparation - Stage M2 )
Formation
M2 Mathématiques & Intelligence Artificielle (2025-26)
Université Paris-Saclay
Cours : Probabilistic Generative Models, Sequential Learning, Aspects théoriques du Deep Learning
M1 Mathématiques & IA (2024-25)
Université Paris-Saclay | Mention Assez Bien
Spécialisation : Apprentissage supervisé/non-supervisé, Deep Learning, Optimisation
CPGE B/L (2019-22)
Lycée Janson de Sailly | Lycée Henri IV
16/20 au concours ENS en mathématiques
Compétences techniques
Machine Learning
PyTorch, Scikit-learn, Modèles Bayésiens, HMM, Transformers, XAI (SHAP, LIME)
Programmation
Python (avancé), R, SQL, Git/GitHub, LaTeX, Calcul distribué (Slurm)
Mathématiques
Probabilités avancées, Optimisation, Traitement du signal, Statistiques inférentielles
Intérêts de recherche
- Explicabilité inter-modèles : Cohérence et audit de systèmes multi-modèles
- IA de confiance : Robustesse, fairness, conformité réglementaire
- Applications critiques : Santé, finance, éducation