Thèses soutenues 2025

Le Fog Computing décentralise le Cloud en rapprochant les services de calcul, de stockage et de réseau de la périphérie du réseau. Cette approche réduit la latence, l’utilisation de la bande passante et améliore le traitement en temps réel. Cependant, la complexité et l’hétérogénéité des systèmes Fog rendent leur gestion difficile et coûteuse. Identifier les erreurs en phase d’exécution nécessite souvent de revenir aux étapes de conception, ce qui entraîne des coûts élevés en temps et en ressources. La vérification pré-déploiement est donc essentielle pour garantir fiabilité et efficacité. Les systèmes Fog, utilisés dans des domaines variés (santé, automobile, villes intelligentes), ajoutent de la complexité aux processus de vérification et de déploiement. Pour y répondre, nous proposons une approche générique et personnalisable basée sur un processus de vérification en deux étapes, combinant les phases de conception et de pré-déploiement, tout en automatisant les activités de vérification et de déploiement. Notre solution repose sur un langage de modélisation Fog adaptable, la vérification des propriétés non fonctionnelles à la conception (sécurité, énergie), et la génération de configurations de déploiement indépendantes des outils. La vérification pré-déploiement associe outils de déploiement et solutions QoS pour garantir la conformité aux critères définis avant le déploiement final. Validée par trois cas d’usage (campus intelligent, parking intelligent, hôpital intelligent), cette approche réduit les coûts, simplifie la gestion des systèmes Fog et garantit leur QoS. En intégrant des pratiques DevOps, elle répond aux exigences des environnements industriels et académiques modernes.

Cette thèse s’inscrit au croisement entre les théories de l’apprentissage et de la commande, proposant une méthodologie basée données, pour la modélisation et le contrôle des systèmes dynamiques nonlinéaires. En s’appuyant sur la théorie de la stabilité absolue et sur une représentation générale des modèles d’état neuronaux, plusieurs théorèmes de stabilité pour les réseaux de neurones sont présentés. Face aux limitations des approches traditionnelles d’optimisation sous contraintes LMI, nous développons un cadre théorique complet pour la paramétrisation des réseaux de neurones, compatible avec les algorithmes de gradient et les outils de différentiation automatique classiques. A l’aide de la théorie sur la linéarisation par bouclage, l’apprentissage en une seule étape d’un contrôleur approximativement linéarisant et d’un modèle de référence aux propriétés de stabilité garanties est présentée. Les résultats théoriques sont validés sur des exemples académiques d’atténuation de perturbations, ouvrant la voie à une utilisation plus systématique des réseaux de neurones dans la conception de lois de commande.

La réalité virtuelle se présente comme un outil prometteur pour le traitement de l’anxiété sociale notamment à travers des thérapies d’exposition en réalité virtuelle. Dans ces thérapies, les utilisateurs sont confrontés à des situations stressantes et apprennent progressivement à ajuster leurs réactions affectives. Cela nécessite un certain niveau de stress essentiel à la réussite de l’entraînement. La littérature montre que les applications de réalité virtuelle sont capables de provoquer du stress ; toutefois, la manière dont les concepteurs peuvent contrôler avec précision ce niveau de stress reste floue. Pour répondre à ce problème, nous proposons un modèle décrivant un mécanisme permettant de contrôler le stress durant une évaluation sociale en réalité virtuelle. Ce modèle suggère que le stress est influencé par l’amicalité et la dominance des agents virtuels, et que la présence sociale joue un rôle médiateur dans leur impact sur le stress. Afin de tester ce modèle, nous avons mené trois études expérimentales impliquant 141 participants dans des tâches sociales telles que la prise de parole en public et les entretiens d’embauche. Les résultats montrent que le niveau de stress est impacté par le niveau d’amicalité et de dominance des agents virtuels, toutefois, des analyses supplémentaires sont nécessaires afin remédier aux limitations rencontrées et valider le modèle.

L’Ingénierie Dirigée par les Modèles (IDM) promeut les modèles comme un élément clé pour répondre à la complexité croissante du cycle de vie des systèmes logiciel. L’ingénierie de systèmes avec l’IDM implique divers modèles représentant différentes aspects du système. Cette hétérogénéité nécessite des capacités de fédération de modèles pour intégrer des points de vue spécifiques à de multiples domaines. Les solutions de Vues sur les Modèles (Model Views) répondent à ce défi mais manquent encore de support à l’automatisation. Cette thèse explore l’intégration de l’Apprentissage Automatique (AA), notamment les Réseaux de Neurones en Graphes (GNN) et Grands Modèles de Langage (LLM), pour améliorer la définition et construction de telles vues. La solution proposée introduit une approche en deux volets dans la solution technique EMF Views. Cela a permis d’automatiser partiellement la définition des vues sur modèles à la conception, et de calculer dynamiquement les liens inter-modèles à l’exécution. Nos résultats indiquent que l’application de techniques d’apprentissage profond (DL), dans ce contexte spécifique de l’IDM, permet déjà d’atteindre un premier niveau d’automatisation intéressant. Plus globalement, cet effort de recherche contribue au développement actuel de solutions plus intelligentes pour l’IDM.

Le taux d'erreur mot reste la métrique principale pour évaluer les systèmes de reconnaissance automatique de la parole (RAP), mais il ne reflète pas toujours la perception humaine. Cette thèse propose des métriques alternatives pour évaluer non seulement l'orthographe, mais aussi la grammaire, la sémantique et la phonétique. À travers le corpus HATS, annoté par 143 francophones, nous avons mesuré la corrélation entre ces métriques et les choix humains. Les résultats montrent que SemDist, basée sur les représentations sémantiques de BERT, est la plus pertinente, tandis que le taux d'erreur mot se révèle peu performant. Une analyse des hyperparamètres des systèmes de RAP révèle que chaque métrique évalue des aspects distincts, soulignant l'importance d'une évaluation multi-métrique. Enfin, pour rendre les métriques sémantiques plus compréhensibles, nous avons développé la méthode minED, qui identifie la gravité des erreurs et améliore l’interprétation des scores, offrant des outils précieux pour évaluer et perfectionner les systèmes RAP.

Cette thèse traite de l’optimisation des processus de découpe dans l’industrie manufacturière, en particulier la menuiserie industrielle. Elle vise à réduire les pertes de matière par le réemploi, principe de base de l’économie circulaire, répondant ainsi aux enjeux environnementaux, économiques et législatifs contemporains. Cette thèse s’appuie sur un état de l’art approfondi du Cutting Stock Problem with Usable Leftovers (CSPUL), un problème centré sur la réutilisation des chutes. La méthode employée combine la génération de colonnes avec des heuristiques de type diving pour affiner les solutions et garantir leur faisabilité dans des contextes industriels. Les modèles développés démontrent qu’une réutilisation même limitée des chutes peut générer des gains significatifs. Ces approches ont été intégrées au logiciel REEVERSE, qui fournit aux industriels des outils pour diagnostiquer les pertes, optimiser la production, et valoriser les matières de seconde vie. Les résultats expérimentaux valident ces solutions, montrant qu’elles permettent d’améliorer substantiellement le rendement matière tout en répondant aux attentes croissantes en matière de durabilité et de compétitivité. Cette contribution représente une avancée majeure dans l’optimisation durable des ressources industrielles.

L’apprentissage fédéré permet d’entraîner des modèles d’apprentissage automatique sur plusieurs ensembles de données décentralisés sans partager les données brutes, répondant ainsi aux préoccupations critiques en matière de confidentialité dans le domaine de la santé. Les réseaux bayésiens (RB) sont des modèles probabilistes qui ont prouvé leur valeur dans la modélisation de dépendances complexes. Ils ont la particularité d’être grandement interprétables, ce qui est crucial lors du traitement de données médicales, car cela permet aux experts médicaux de comprendre facilement les modèles construits. Cette thèse étudie l’intégration des réseaux bayésiens dans un cadre d’apprentissage fédéré, en mettant l’accent sur la préservation de la confidentialité. Une première proposition combine les réseaux bayésiens avec des préoccupations statistiques en apprentissage fédéré telles que l’apprentissage multitâches et l’apprentissage par transfert. Elle consiste en une extension d’un algorithme efficace de découverte de structure RB, MMHC, à un contexte multi-tâches (MT). Pour évaluer cette approche, nous proposons une procédure pour générer des benchmarks MT à partir de n’importe quel modèle de référence. Enfin, nous considérons les contraintes de confidentialité différentielle pour rendre l’algorithme d’apprentissage des RBs respectueux de la vie privée.