Mathilde Mougeot

Mathilde Mougeot est professeure affiliée en mathématiques à l'ENS Paris-Saclay et professeure des universités en science des données à l'ENSIIE (École Nationale Supérieure d'Informatique pour l'Industrie et l'Entreprise).
Elle est titulaire de la chaire "Industrial Data Analytics & Machine Learning - IdaML" (Atos/Bertin Technologies/CEA/ENS Paris-Saclay/ENSIIE) depuis 2018. Elle enseigne la statistique et l'apprentissage machine (machine learning) en master, encadre des doctorants sur des problématiques d'apprentissage machine et s'intéresse à leurs applications dans l'industrie.

Également chargée de mission pour la valorisation auprès de l'Insmi/CNRS (Institut national des sciences mathématiques et de leurs interactions), Mathilde Mougeot sensibilise et accompagne les chercheurs mathématiciens sur des projets de valorisation de leurs travaux.

Son parcours

• Depuis 2016 , elle est professeure affiliée à l'ENS Paris-Saclay, titulaire de la chaire "Industrial Data Analytics & Machine Learning" (IdAML), professeur en science des données à l'ENSIIE et chargée de mission pour la valorisation à l'Insmi/CNRS
• 2015 : habilitation à diriger les recherches "Contribution to statistics and Data Science for industrial applications : from neural networks to spare linear models"
• 2005-2009 : maître de conférences à l'Université Paris La Défense puis à l'Université Paris Diderot
• 1999-2005 : expert en statistique et consultante pour le compte de la société Miriad Technologies
• 1992-1999 : maître de conférences à l'Université Paris La Défense
• 1992 : doctorat en science mathématique "Méthodes connexionnistes assistée à la compression d'images et à l'auto-organisation du système visuel des mammifères" sous la direction de Robert Azencott
• 1988-1991 : ingénieur Thomson-Csf
• 1987 : diplômée d'AgroParisTech

Axes de recherche

Le domaine de recherche de Mathilde Mougeot s’inscrit dans la sphère du machine learning pour le développement de l’intelligence artificielle. Il s’articule autour de la mise au point de modèles prédictifs à des fins de surveillance, de diagnostic et d’aide à la décision, dans des contextes d’applications variés.
Elle travaille en particulier sur des problématiques d’agrégation de modèles : il s’agit de combiner différents modèles prédictifs dans un contexte où les données et les modèles adéquats évoluent rapidement.

Elle travaille également sur des méthodes d’apprentissage par transfert, afin de capitaliser sur un modèle performant déjà calibré dans un domaine source et de transférer les connaissances à un nouveau domaine cible. "Lorsque les données sont peu nombreuses, une intelligence artificielle ne peut calibrer correctement des modèles. L’apprentissage par transfert résout ce problème."

Ces travaux de recherche en mathématiques appliquées répondent à de grands défis industriels.

En 1999, Mathilde Mougeot opère un tournant dans son cheminement et obtient une mise en disponibilité pour participer, avec son directeur de thèse Robert Azencott, à la création de la société Miriad Technologies, qui développe des algorithmes d’aide à la décision pour le secteur industriel. "Cette évolution professionnelle était très atypique à l’époque, car les ponts entre le monde économique et académique ne faisaient pas encore partie de la culture universitaire. Sans compter que je prenais un certain risque en termes de gestion de ma carrière professionnelle."

La chercheuse s’aventure pourtant sur cette trajectoire durant six ans, au cours desquels elle prend la responsabilité de réaliser des études de faisabilité pour de nombreuses industries. De la chimie à l’aérospatial, en passant par la pharmacie, elle effectue de nombreuses preuves de concept pour développer des logiciels qui utilisent des méthodes d’apprentissage statistique. Elle conçoit par exemple un modèle de détection automatique de surconsommation de compresseurs pour Air Liquide, qui est déployé dans l’un de ses établissements au Texas. Mathilde Mougeot ajoute : "Au cours de cette expérience aux allures de start-up, j’ai aussi endossé des rôles pour lesquels je n’avais pas d’expérience. J’ai été amenée à effectuer des tâches liées à l’activité commerciale, avant-vente, ou encore marketing. Cette multifonctionnalité, ajoutée à la variété des projets scientifiques, m’ont procuré une bonne dose d’adrénaline !".

Une nouvelle manière d’enseigner et de mener des travaux

La recherche est aussi une source d’exaltation pour Mathilde Mougeot, qui retrouve son poste à l’université de Paris Nanterre en 2006. Elle aborde ses travaux de recherche en statistique et méthode d’apprentissage avec un nouveau regard, fortement motivé par des objectifs d’applications concrètes. "J’ai réalisé qu’en axant mes recherches en fonction d’usages réels, je me les appropriais beaucoup plus, car je m’inspirais de problématiques de terrain. Ce qui a grandement changé ma manière d’aborder mon métier."

Cette double compétence académique et industrielle, et cette nouvelle perspective lui valent de nombreuses sollicitations. Notamment pour la mise en place du master PRO ISIFAR au sein de l’Université Paris-Nanterre, d’un cours de data mining à CentraleSupélec et d’un cours d’outils statistiques à destination des étudiants littéraires de l’ENS de Paris. "Mon mode d’enseignement intègre désormais systématiquement des perspectives d’applications réelles que j’adapte à mon public et aux concepts que j’expose."

En 2009, elle poursuit ses recherches académiques au Laboratoire de probabilités, statistique et modélisation de l’Université Paris Diderot, où elle enseigne et obtient son habilitation à diriger des recherches en 2015.

En 2017, la chercheuse obtient un poste de professeure en science des données à l'ENSIIE, puis en 2018 de professeure affiliée à l'ENS Paris-Saclay où elle devient titulaire de la chaire "Industrial Data Analytics & Machine Learning" (IdAML) du centre Borelli (Université Paris-Saclay, CNRS, ENS Paris-Saclay, Université de Paris, SSA).

Dans ce cadre, elle poursuit ses travaux en apprentissage par transfert et travaille notamment en partenariat avec la multinationale Tarkett, spécialisée dans les revêtements de sols et surfaces de sports.

Elle supervise, en collaboration avec Nicolas Vayatis, directeur du Centre Borelli, des modèles de détection automatique de chute de personnes âgées, grâce à des données collectées sur des expériences faites avec des personnes jeunes. "Recueillir des données de chutes pour des personnes vulnérables est très difficile et très long. Nous utilisons donc des connaissances sources issues de données relatives aux chutes de personnes bien portantes et les transférons à un nouveau domaine."

En collaboration avec le CEA et l’entreprise Michelin, la chercheuse commence aujourd’hui à travailler sur des modèles hybrides, c’est-à-dire des modèles d’apprentissage qui intègrent également des connaissances modélisées issues de la science physique (mécanique des fluides et des solides, ou phénomènes météorologiques).

Faire le pont entre le monde académique et industriel : une vocation

De 2016 à 2019, Mathilde Mougeot est chargée de mission pour la valorisation à l’Institut national des sciences mathématiques et de leurs interactions (INSMI) du CNRS. Au cours de cette expérience, elle accompagne la création de la première structure commune de recherche en mathématiques dans le cadre du programme « LabCom » » initié par l’Agence nationale de recherche (ANR) : le LabCom I3M, qui réunit le CNRS, l’Université et le CHU de Poitiers et l’entreprise Siemens.

Depuis 2019, la chercheuse est directrice-adjointe de la Fondation Mathématiques Jacques Hadamard de l’Université Paris-Saclay et directrice déléguée de la Graduate School de mathématiques de l’Université. Elle y anime et tisse des relations pour favoriser les échanges entre les étudiants, les étudiantes et le milieu économique. "Après un parcours atypique durant lequel je me suis éloignée de l’Université pour ensuite mieux y revenir, je m’attèle aujourd’hui à marier ces deux mondes. Initier des rapprochements et promouvoir tous leurs bénéfices s’inscrivent exactement dans mon ADN", conclut la chercheuse.