Organisateurs de CADO — Contrôle et Analyse basées DOnnées

Les profils ci-dessous reprennent l’ordre figurant dans la note CT-CADO et mettent en avant les affiliations, thématiques de recherche et liens personnels des porteurs de cette initiative structurante de la SAGIP.

Pauline Kergus

CR CNRS · LAPLACE · INP Toulouse · Université Paul Sabatier

Contrôle, théorie des systèmes, réduction de modèles et approches orientées données pour la modélisation, la commande et l’analyse.

Pauline Kergus est chercheuse CNRS au LAPLACE, au sein du groupe CODIASE. Ses travaux portent sur la théorie du contrôle, l’identification, la réduction de modèles et des stratégies data-driven avec un intérêt affirmé pour les systèmes énergétiques.

Son parcours inclut un postdoctorat en commande automatique à Lund ainsi qu’une thèse à l’ONERA, consacrée à une technique de synthèse de commande orientée données dans le domaine fréquentiel.

Contrôle Systèmes énergétiques Réduction de modèles Stratégies data-driven

Site personnel Atelier 2025 Session SAGIP 2026

Matteo Tacchi-Bénard

CR CNRS · GIPSA-lab · Grenoble INP · Université Grenoble Alpes

Optimisation et contrôle basés modèles et données, robustesse des processus d’apprentissage et systèmes incertains.

Matteo Tacchi-Bénard est chercheur CNRS au GIPSA-lab, dans l’équipe MODUS. Ses intérêts incluent l’optimisation convexe pour le contrôle, les contributions données–modèles, la robustesse et la résilience des processus d’IA et d’apprentissage, ainsi que les systèmes énergétiques.

Avant de rejoindre Grenoble, il a été postdoctorant à l’EPFL au sein de l’Automatic Control Laboratory, après une thèse au LAAS-CNRS. Son profil apporte au CT une forte articulation entre théorie, optimisation et garanties.

Optimisation convexe Contrôle basé données Robustesse Systèmes incertains

Site personnel Atelier 2025 Session SAGIP 2026

Mayank S. Jha

Maître de conférences · CRAN · Polytech Nancy · Université de Lorraine

Safe reinforcement learning, apprentissage fiable pour systèmes dynamiques, pronostic et health monitoring fondés sur les données.

Mayank S. Jha est enseignant-chercheur à Polytech Nancy et chercheur au CRAN. Ses travaux récents portent notamment sur le safe reinforcement learning, l’apprentissage avec garanties pour systèmes dynamiques et des approches d’analyse et de monitoring basées données.

Il contribue à faire le lien entre automatique, apprentissage et sûreté des systèmes, avec une forte orientation vers les garanties formelles, les systèmes non linéaires et les applications à la surveillance et au pronostic.

Safe RL Systèmes dynamiques Prognostics Garanties formelles

Site personnel Atelier 2025 Session SAGIP 2026

Besoin d’une version plus courte ? Cette page peut facilement être condensée si vous préférez un site encore plus minimal, avec seulement les affiliations, les photos et les liens institutionnels.