Dossier de travail · doctorat 2026-2027 · dernière mise à jour : 16 juillet 2026 · ne pas diffuser

Doctorat IA & Data Science — sujet retenu et plan de contact

Notes personnelles de préparation à la candidature (rentrée 2026-2027, CEDoc public, statut doctorant salarié). Synthèse des recherches de juin-juillet et état d'avancement du mini-projet.

✓ Décision du 14 juillet 2026

Sujet retenu : évaluation et benchmarking natifs des LLM et agents conversationnels en darija — construction d'un benchmark culturel natif (non traduit), étude de fiabilité du LLM-as-judge en arabe dialectal, extension agentique (tool use évalué en darija).

Piste de repli si l'encadrement ne suit pas : RAG agentique darija pour les cas d'usage administratifs et bancaires (appui sur DarijaBanking). Le choix définitif entre les deux se fera après le premier échange avec l'encadrant pressenti.

Encadrement cible : Imade Benelallam (INSEA, SI2M Lab — DarijaBERT) en priorité ; alternative : Ismail Berrada (UM6P) en co-encadrement si un montage avec un CEDoc public est possible. Collaboration communautaire visée : AtlasIA.

Justification

Pourquoi ce sujet gagne

Avantage comparatif maximal : le darija est le seul terrain où la recherche marocaine définit l'état de l'art mondial par construction — DarijaBERT (SI2M/AIOX), Atlas-Chat + DarijaMMLU (MBZUAI-Paris), GemMaroc (UM6P, SOTA avec 48 h de GPU seulement), communauté AtlasIA (Atlaset, Terjman, TerjamaBench).
La faille est béante et documentée : DarijaMMLU est traduit (biais de translationese) ; il n'existe ni benchmark culturel natif, ni validation du LLM-as-judge en darija, ni benchmark agentique dialectal. Trois lacunes publiables.
Zéro GPU : l'évaluation se fait par API et annotation — compatible avec un doctorat salarié autofinancé ; HPC-MARWAN gratuit en appoint si besoin.
Alignement national parfait : la feuille de route « Maroc IA 2030 » cite explicitement les modèles arabe/darija/amazigh → éligibilité PNARDI/Jazari, argument fort pour l'encadrant.
Premier papier rapide garanti : shared tasks NADI / ArabicNLP dès l'année 1 (co-localisé EMNLP), puis NeurIPS Datasets & Benchmarks ou LREC pour le benchmark complet.

Le projet

Les trois contributions visées (structure du mini-projet en cours)

#	Contribution	Livrable	Venue cible
C1	Benchmark culturel natif en darija (rédigé par des locuteurs, pas traduit) : connaissances, raisonnement, ancrage culturel marocain	Dataset public HF + papier ressource	LREC, NeurIPS D&B
C2	Fiabilité du LLM-as-judge en darija : accord juge-humains, biais dialectaux, calibration multi-juges	Protocole + étude empirique	ArabicNLP (EMNLP)
C3	Extension agentique : évaluation du tool use et du dialogue multi-tours en darija (premier benchmark agentique dialectal)	Suite d'évaluation + leaderboard	ArabicNLP, workshop agents

Chapitre « efficience » optionnel en fin de thèse : impact de la quantization sur les performances darija des SLMs (personne ne l'a mesuré — arXiv:2407.03211 montre la dégradation disparate sur les langues non latines).

Avancement

État au 16 juillet — prochaines actions

Cartographie de l'écosystème darija (DarijaBERT → Atlas-Chat → GemMaroc → AtlasIA) et vérification des lacunes — terminé début juillet
Décision emploi : je garde mon poste → CEDoc public, statut salarié déclaré (UM6P écartée malgré la deadline du 15/07)
Sujet arrêté le 14 juillet : évaluation/benchmarking natif darija (voir encadré)
Mini-projet de recherche (2-3 pages) — en rédaction, v0.3 : problème posé, état de l'art fait ; reste le calendrier 4-5 ans et le protocole d'annotation (taille d'échantillon, accord inter-annotateurs)
Constitution d'un premier pool d'annotateurs darija natifs (5-8 personnes, famille/amis instruits + appel AtlasIA à envisager)
Email de contact à I. Benelallam (INSEA) — envoi prévu fin juillet, une fois le mini-projet en v1
Relance / plan B : I. Berrada (UM6P, co-encadrement ?), A. Mourhir (Al Akhawayn, NLP darija appliqué)
Inscription NADI 2026 (shared task parole/dialecte) dès l'ouverture — premier papier d'année 1
Dossier administratif en août ; candidatures CEDoc en septembre (INSEA/UM5, USMBA 1-10 sept. en secours)

Point de vigilance : le protocole d'annotation est le nerf de C1 — budget annotation à estimer (rémunération symbolique des annotateurs ~50-80 DH/heure, ~200-300 h au total). Voir si le SI2M Lab a déjà un vivier. Ne pas sous-estimer la gouvernance du dataset (consentement, licence CC-BY-SA, charte AtlasIA).

Mémoire des choix

Pistes examinées et écartées (pour ne pas y revenir)

Piste	Verdict	Motif
Fiabilité / sécurité des systèmes multi-agents (MCP/A2A, taxonomies d'échec)	Écartée le 12/07	Concurrence mondiale écrasante (Berkeley, Tsinghua…), aucun ancrage marocain, tout le monde s'y engouffre depuis 2025 — impossible de se différencier en 5 ans à temps partiel. Trop risqué.
Automatisation de processus d'entreprise par agents LLM (RPA/BPM, tickets, workflows)	Écartée le 12/07	Sujet d'ingénierie plus que de recherche : les industriels (UiPath, Microsoft…) avancent plus vite que l'académique, données d'entreprise inaccessibles sans convention lourde, peu publiable dans des venues de rang. Cul-de-sac constaté.
Compression/quantization de SLMs multilingues comme cœur de thèse	Rétrogradée	Besoin GPU récurrent, course au matériel perdue d'avance ; gardée seulement comme chapitre optionnel d'efficience.
ASR/TTS darija comme cœur de thèse	Écartée le 13/07	Collecte audio coûteuse et lente pour un salarié ; le texte (benchmark natif) offre le même avantage darija sans le mur de la donnée vocale. NADI reste une porte d'entrée ponctuelle.