Mouhamadou Lamine Ndao

Mouhamadou Lamine Ndao

Auto-generated profile, based on publicly available information

Mouhamadou Lamine Ndao

Recherche et Innovation LINEACT CESI, IDFC Nanterre France

Research Focus & Metrics

Academic Career Length

10Years (2017-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
30 January 2025 in Engineering Applications of Artificial Intelligence
Verified
Journal Article
Open access
MNMouhamadou Lamine Ndao
Mouhamadou Lamine Ndao
Genane YOUNESSGenane YOUNESS
Genane YOUNESS
NNNdeye Niang
Ndeye Niang
GSGilbert Saporta
Gilbert Saporta

13 May 2024 in The International FLAIRS Conference Proceedings
Verified
Journal Article
Open access
PDF file
MNMouhamadou Lamine Ndao
Mouhamadou Lamine Ndao
Genane YOUNESSGenane YOUNESS
Genane YOUNESS
NNNdèye Niang
Ndèye Niang
GSGilbert Saporta
Gilbert Saporta
In predictive maintenance, the complexity of the data often requires the use of Deep Learning models. These models, called “black boxes”, have proved their worth in predicting the Remaining Useful Life (RUL) of industrial machines. However, the inherent opacity of these models requires the incorporation of post-hoc explanation methods to enhance transparency. The quality of the explanations provided is then assessed using so-called evaluation metrics. Modeling is a whole process that includes an important data preprocessing phase, with parameter selection such as time window, smoothing parameter, or rectified RUL when dealing with multivariate time series dataset. We propose to analyze the impact of these preprocessing methods on the quality of explanations provided by the local post-hoc models LIME, KernelSHAP, and L2X, utilizing six evaluation metrics: stability, consistency, congruence, selectivity, completeness, and acumen. This analysis will be based on NASA's Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset with the LSTM model. Our findings reveal that the choice of specific pre-processing parameters can significantly improve predictive performance. Furthermore, the quality of explanations depends on the selection of explicability methods. In addition, a factorial analysis of the evaluation metrics reveals that they do not all point in the same direction.Indeed, understanding the nuanced relationships between evaluation metrics is essential for a comprehensive and accurate assessment of explainability methods.

31 December 2018 in Revue des Maladies Respiratoires
Verified
Journal Article
Closed access
YKY. Dia Kane
Y. Dia Kane
KTK. Thiam
K. Thiam
MDM. Diallo
M. Diallo
ENE.H.M. Nidaye
E.H.M. Nidaye
MCM.F. Cissé
M.F. Cissé
NTNafissatou Oumar TOURE
Nafissatou Oumar TOURE

10 June 2026
Verified
Thesis
Closed access
MNMouhamadou Ndao
Mouhamadou Ndao
Cette thèse porte sur la maintenance prédictive et cherche à allier performance et explicabilité dans la prédiction de la durée de vie résiduelle (RUL) des systèmes industriels, en intégrant l’explicabilité des modèles dès les étapes pre-, in- et post-traitement. Elle s’inscrit dans un contexte industriel marqué par une forte automatisation des systèmes. Celle-ci, combinée à la multiplication des sources de données, entraîne une disponibilité accrue de données souvent complexes. Celles-ci sont notamment utilisées en maintenance, où l’une des principales approches consiste à prédire la RUL à partir de modèles d'apprentissage et des données disponibles pour gérer les pannes. Cependant, la complexité de ces données oblige à utiliser des modèles non interprétables de type boîte noire pour prédire la RUL. Ainsi, on note un besoin d’outils améliorant l’explicabilité de ces modèles afin de garantir la transparence des décisions prises par les opérateurs humains. Pour ce faire, le domaine de l’Intelligence Artificielle eXplicable (XAI) a été créé pour une meilleure transparence des algorithmes d’apprentissage. Il soulève les questions d’explicabilité et d’interprétabilité pour une IA de confiance grâce aux méthodes d’explicabilité (XAI). Celles-ci permettent de générer des explications pour les modèles boîtes noires.Cependant, ces méthodes XAI ont besoin d’un cadre d’évaluation pour assurer leur fiabilité. Ce cadre permettra d’évaluer la qualité des explications qu’elles fournissent et de comparer deux méthodes d’explicabilité. À ce propos, l’approche functionally-grounded evaluation, qui évalue quantitativement le respect d’un certain nombre de propriétés que les méthodes XAI doivent respecter via de nombreuses métriques d’évaluation proposées dans la littérature, est largement utilisée.Pour une meilleure organisation de ce cadre d’évaluation, nous proposons, dans ce travail, une taxonomie de ces métriques en les liant aux propriétés explicatives qu’elles mesurent. Par la suite, nous utilisons ces métriques pour étudier l'effet, sur la qualité des explications des méthodes XAI, des choix de prétraitement (taille de la fenêtre temporelle, seuil de RUL, niveau de lissage) et de la complexité du modèle (in-processing) de type LSTM auquel on s'est particulièrement intéressé. Cela permet de prendre en compte la qualité des explications dès le début du processus de recherche d’un modèle optimal. Nous nous sommes intéressés à trois méthodes XAI locales post hoc populaires : LIME, SHAP et L2X.Ensuite, pour prévenir le biais potentiel dans les explications fournies par les méthodes XAI post hoc lié à la présence de multicolinéarité et réduire la complexité des entrées en termes de nombre de variables actives, nous avons proposé, dans nos recherches, une méthode de réduction de dimension interprétable appelée IDFC (Interpretable Divisive Feature Clustering). Appliquée à des données de maintenance comme CMAPSS et PRONOSTIA-FEMTO, IDFC permet une sélection non supervisée de variables à l’entrée des LSTM, améliorant à la fois la gestion de la multicolinéarité, la prédiction et l'explicabilité. Enfin, face aux limites des méthodes post hoc classiques comme SHAP dans un contexte de données séquentielles, dans ce travail, nous proposons une amélioration de la méthode SHAP : SegSHAP. Cette méthode adapte SHAP aux données temporelles en intégrant une détection automatique des périodes homogènes de temps au regard des données, ce qui permet de produire des explications mieux alignées avec des données de type séries temporelles.À travers ces contributions, cette thèse propose une feuille de route rigoureuse de l’explicabilité appliquée à la maintenance prédictive, où chaque étape de la modélisation est pensée selon des critères d’explicabilité.

1 January 2020 in Revue des Maladies Respiratoires Actualités
Verified
Journal Article
Closed access
FMF.B.R. Mbaye
F.B.R. Mbaye
FCF. Koudessi Comabani
F. Koudessi Comabani
KTK. Thiam
K. Thiam
MNM. Ouetty Nguessie
M. Ouetty Nguessie
MCM.F. Cissé
M.F. Cissé
NTNafissatou Oumar TOURE
Nafissatou Oumar TOURE

4 March 2026 in Applied Stochastic Models in Business and Industry
Verified
Journal Article
Open access
MNMouhamadou Lamine Ndao
Mouhamadou Lamine Ndao
Genane YOUNESSGenane YOUNESS
Genane YOUNESS
NNNdèye Niang
Ndèye Niang
GSGilbert Saporta
Gilbert Saporta
Accurate prediction of remaining useful life (RUL) is critical for effective predictive maintenance. While models like long short‐term memory (LSTM) are effective, they often lack interpretability, even when using explainable artificial intelligence (XAI) methods such as shapley additive explanations (SHAP). This is particularly true when these models are trained on high‐dimensional, redundant features. To tackle this issue, we introduce the interpretable divisive feature clustering (IDFC) algorithm. This unsupervised dimensionality reduction method combines the advantages of divisive clustering and ‐means‐like clustering to group highly correlated features into unidimensional clusters. Additionally, it selects representative features to maintain semantic meaning. By doing so, the reliability of post hoc explanation methods like SHAP is improved by reducing multicollinearity. When IDFC is combined with a one‐layer LSTM model on the C‐MAPSS dataset, it achieves competitive remaining useful life (RUL) prediction performance with significantly fewer features. This leads to a lower prediction error compared to principal component analysis (PCA)‐based approaches. Additionally, the quality of explanations provided by SHAP, assessed using several functionally grounded metrics such as coherence, stability, and acumen, is enhanced when IDFC is applied, as opposed to using all features. Finally, utilizing IDFC reduces explanation time by 41% compared to the baseline model that includes all features. These findings confirm that IDFC improves both the predictive accuracy and explanatory power of deep models in complex industrial environments.