Thèses soutenues 2025

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.