Thèses soutenues 2025
James William Pontes Miranda, Fédération de modèles hétérogènes avec des vues sur les modèles assistées par l’apprentissage automatique ►
Fédération de modèles hétérogènes avec des vues sur les modèles assistées par l’apprentissage automatique
Auteur : James William Pontes Miranda
Mots-clés : Ingénierie dirigée par les modèlesVues sur les modèlesGrands modèles de langageIngénierie des promptsRéseaux de neurones en graphesApprentissage profond
Résumé
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.
Date de soutenance : 24-01-2025
Président du jury : Massimo Tisi
Jury :
- Daniel Varró [Président]
- Yves Ledru [Rapporteur]
- Houari A. Sahraoui [Rapporteur]
- Catia Trubiani