Portrait de Amine Mhedhbi

Amine Mhedhbi

Membre académique associé
Professeur adjoint, Polytechnique Montréal, Département de génie informatique et génie logiciel
Sujets de recherche
Données tabulaires
Opérations d'apprentissage automatique (MLOps)
Recherche d'information
Science des données
Systèmes d'apprentissage automatique
Systèmes informatiques
Site web
Google Scholar
LinkedIn
X

Biographie

Amine Mhedhbi est professeur adjoint au Département de génie informatique et logiciel de Polytechnique Montréal, où il dirige le groupe Data and AI Systems (DAIS). Il est également membre académique associé à Mila – Institut québécois d’intelligence artificielle, et titulaire de la chaire FRQ-IVADO en ingénierie des données multimodales.

Ses intérêts de recherche couvrent tous les aspects de la gestion des données et de l’information, avec un accent particulier sur les architectures de systèmes de données analytiques et pilotés par l’IA. Ses travaux portent notamment sur les questions de performance, la débogabilité, la conception d’interfaces et les applications des données.

Amine a obtenu son doctorat à l’Université de Waterloo, où il a reçu le prix de la thèse distinguée en informatique et a été boursier doctoral de Microsoft.

Étudiants actuels

Nour Shaheen
Maîtrise recherche - Polytechnique
Superviseur⋅e principal⋅e :
Sarath Chandar
Github
Google Scholar

Publications

Semantic Commit: Helping Users Update Intent Specifications for AI Memory at Scale
Priyan Vaithilingam
Munyeong Kim
Frida-Cecilia Acosta-Parenteau
Daniel Lee
Amine Mhedhbi
Elena L. Glassman
Ian Arawjo
2025-04-12
ArXiv (prépublication)
arxiv.org
arxiv.org
Semantic Commit: Helping Users Update Intent Specifications for AI Memory at Scale
Priyan Vaithilingam
Munyeong Kim
Frida-Cecilia Acosta-Parenteau
Daniel Lee
Amine Mhedhbi
Elena L. Glassman
Ian Arawjo
2025-04-01
arXiv (publié)
doi.org
arxiv.org
Towards Optimizing SQL Generation via LLM Routing
Mohammadhossein Malekpour
Nour Shaheen
Foutse Khomh
Amine Mhedhbi
Text-to-SQL enables users to interact with databases through natural language, simplifying access to structured data. Although highly capabl… (voir plus)e large language models (LLMs) achieve strong accuracy for complex queries, they incur unnecessary latency and dollar cost for simpler ones. In this paper, we introduce the first LLM routing approach for Text-to-SQL, which dynamically selects the most cost-effective LLM capable of generating accurate SQL for each query. We present two routing strategies (score- and classification-based) that achieve accuracy comparable to the most capable LLM while reducing costs. We design the routers for ease of training and efficient inference. In our experiments, we highlight a practical and explainable accuracy-cost trade-off on the BIRD dataset.
2024-11-06
ArXiv (prépublication)
doi.org
arxiv.org
Towards Optimizing SQL Generation via LLM Routing
Mohammadhossein Malekpour
Nour Shaheen
Foutse Khomh
Amine Mhedhbi
Text-to-SQL enables users to interact with databases through natural language, simplifying access to structured data. Although highly capabl… (voir plus)e large language models (LLMs) achieve strong accuracy for complex queries, they incur unnecessary latency and dollar cost for simpler ones. In this paper, we introduce the first LLM routing approach for Text-to-SQL, which dynamically selects the most cost-effective LLM capable of generating accurate SQL for each query. We present two routing strategies (score- and classification-based) that achieve accuracy comparable to the most capable LLM while reducing costs. We design the routers for ease of training and efficient inference. In our experiments, we highlight a practical and explainable accuracy-cost trade-off on the BIRD dataset.
2024-11-06
ArXiv (prépublication)
doi.org
arxiv.org