Maître de conférences, Université Savoie Mont Blanc, IUT d’Annecy
Contact :
Courriel : khadija.arfaoui –@– univ-smb.fr
Téléphone : +33(0) 4 50 09 65 59
Bureau : A 222
Adresse : LISTIC – Polytech Annecy-Chambéry, BP 80439 – Annecy le Vieux – 74944 ANNECY Cedex, France
Thèmes de recherche:
Mes intérêts de recherche portent sur le calcul parallèle, le calcul distribué et les communications informatiques. J’ai principalement travaillé sur l’optimisation des performances des systèmes intensifs en données, tels que l’ordonnancement des workflows scientifiques dans le Cloud et la conception et le traitement des entrepôts de données Big Data. Je travaille actuellement sur l’optimisation de l’architecture des réseaux de neurones convolutionnels (CNN) afin de réduire la consommation énergétique et d’améliorer les performances.
Encadrements :
Thèses :
2021-2024 : Asma Dhaouadi (soutenue le 11/12/2024)
Thème : Modélisation du Data Warehousing dans le contexte du Big Data
Résumé :
Dans l’ère du Big Data, la rapide évolution des technologies rend le choix des outils adapté aux besoins des experts complexe. Les études existantes sur le stockage et l’analyse de données Big Data sont souvent limitées et spécifiques. Pour surmonter ces limites, cette thèse propose une approche de modélisation générique, inspirée de l’architecture dirigée par les modèles, pour guider le choix technologique à chaque étape. Un cadre interactif aide à modéliser un pipeline personnalisé et à vérifier l’interopérabilité des outils, avec recommandations de connecteurs. Ce cadre a été validé à travers des études de cas sur le COVID-19 et la Coupe du Monde 2022. Les retours des utilisateurs sont satisfaisants (85 % de satisfaction).
Stages:
2023 : William Paccoud, stage M2, analyse des performances des outils d’entreposage de données Big Data
2022 : Moenes Ben Soussia, stage M2, Équilibrage dynamique de charge des serveurs Cloud basé sur des techniques d’apprentissage automatique
2021 : EZ-ZAROUALY AZIZA stage M1, Étude et extension des mécanismes d’orchestration des pipelines de traitement de flot de
données scientifiques pour la plateforme MUST
Mots clés:
Cloud Computing, load balancing, Reinforcement Learning, MUST, Ordonnancement, workflows scientifiques, environnements distribués, Entreposage de données, Big Data, Aide à la Décision, Apprentissage automatique, Interopérabilité, Green Computing, CNN, Neural Networks.
Publications:
Voici le lien vers mes publications sur HAL : ici
Voici le lien vers mes publications à jour à partir de Google Scholar : ici
Commités de lecture:
Revues internationales:
- IEEE Transactions on Industrial Informatics
- Intelligent Decision Technologies
- International Journal of Computing
- IEEE Transactions on Neural Networks and Learning Systems
- Journal of King Saud University – Computer and Information Sciences
- Jordanian Journal of Computers and Information Technology
Conférences internationales:
- International Conference on Software Engineering Advances (ICSEA 2024, 2022)
-
International Conference on Control, Decision and Information Technologies (CoDIT 2024, 2023)
- International Conference on the Sciences of Electronics, Technologies of Information and Telecommunications
(SETIT’18) - international conference on Sciences and Techniques of Automatic control and computer engineering
(STA’19)
Enseignement:
| Informations sur le Module | Description |
| Nom : Méthodes d’optimisation pour l’aide à la décision
Volume horaire : 15H Niveau : BUT 3 – tous parcours |
Ce module vise à initier les étudiants aux principes fondamentaux des méthodes d’optimisation utilisées dans la prise de décision et la gestion des ressources. Les cours couvriront des techniques telles que la programmation linéaire, la programmation non linéaire, ainsi que les approches heuristiques et méta-heuristiques adaptées à des problématiques complexes. Les applications incluent des domaines variés tels que la logistique, la planification de projets, et l’analyse de scénarios en entreprise. |
| Nom : Méthodes d’optimisation : initiation à l’apprentissage automatique
Volume horaire : 15H Niveau : BUT 2
|
Ce module offre une introduction aux concepts et outils fondamentaux de l’apprentissage automatique (machine learning) pour des étudiants en deuxième année de BUT. Les objectifs principaux sont :
· Comprendre les bases de l’apprentissage automatique, y compris la classification, la régression, et le clustering. · Découvrir les liens entre optimisation et apprentissage automatique, tels que l’optimisation des fonctions de coût et l’ajustement des hyperparamètres. |
| Communication et fonctionnement bas niveau
Volume horaire : 50H Niveau BUT 1 |
Ce module initie les étudiants aux bases de la communication entre machines. Il couvre :
|
| Nom : Architecture des Réseaux
Volume horaire : 50 H Niveau : BUT 2, semestre 3 |
Ce module approfondit les concepts de structuration et d’organisation des réseaux informatiques. Il inclut :
|
| Nom : Réseaux Avancés
Volume horaire : 18H Niveau : BUT 2, semestre 4 |
Ce module explore les technologies et problématiques avancées dans les réseaux modernes :
|
| Nom : Théorie des graphes
Volume horaire : 22H Niveau : BUT 1 |
|
| Nom : Automates et langages
Volume horaire : 22H Niveau : BUT2, semestre 4 |
|
Parcours professionnel:
Depuis 2020 : Maître de conférences à l’IUT d’Annecy
- Université : Université Savoie Mont Blanc
- Laboratoire : LISTIC, École Polytechnique d’Annecy
- Equipe de recherche : Représentation, Gestion et Traitement des Données pour les Humains (ReGaRD)
2019 – 2020 : Stage post-doctoral à LAMSADE
- Sujet : Optimisation multi-objective de l’ordonnancement des workflows scientifiques intensifs dans un environnement Cloud Computing, guidée par la localisation des données.
- Lieu : LAMSADE, Université Paris Dauphine, Paris, France
2018 – 2020 : Attachée Temporaire d’Enseignement et de Recherche (ATER), Université de Paris Nanterre, UFR SEGMI.
2013 – 2017 : Thèse de doctorat, Laboratoire RIADI-GDL, la Mannouba, Tunisie
- Sujet : Approche scalable pour l’ordonnancement des workflows scientifiques dans un environnement Cloud Computing, guidée par la qualité de service (QoS) et la consommation énergétique.
- Lieu : Faculté des sciences de Tunis, Université de Tunis El Manar
- Laboratoire de recherche : RIADI-GDL, Université de la Manouba, Tunisie
- Soutenue en 2017
2010 – 2013 : Ingénieur en conception et développement C/C++
- Entreprise : EUROGICIEL Ingénierie, Tunisie
- Mission : Conception et développement d’applications embarquées en C/C++.
- Clients : SAGEM Défence, THALES, EURODOC
2009 – 2010 : Ingénieur en conception et développement C/C++
- Entreprise : SAGEM COMMUNICATION
- Mission : Développement d’applications embarquées en C/C++.
- Clients : SAGEM COMMUNICATION, Bouygues Télécom
2011 : Master de recherche en informatique, génie logiciel et aide à la décision
-
- Laboratoire de recherche : RIADI-GDL, Université de la Manouba, Tunisie.
2008 : Diplôme d’ingénieur en informatique
-
- Institution : École nationale des sciences de l’informatique (ENSI), Tunisie.
2003 : Baccalauréat, option Mathématiques