La continuité numérique au sein des systèmes d'informations basée sur une approche d'interopérabilité couplant l'ingénierie dirigée par les modèles et les algorithmes d'apprentissage par renforcement. Etude appliquée au suivi de chantiers navals et nucléa

Le laboratoire LISPEN des Arts et Métiers (Laboratoire d'Ingénierie des Systèmes Physiques et Numériques) concentre une partie de ses recherches depuis plusieurs années sur le développement d'approche d'interopérabilité dynamique, « plug and play » entre les systèmes. Les travaux les plus récents sont données dans la bibliographie à la fin du document et sont accessible en accès ouvert (https://github.com/GIS-S-mart/Benchmark-8_MBSE_Model_transformation_inference). Une approche « plug and play » permet automatiquement de connecter deux ou plusieurs systèmes, tout en minimisant l'intervention humaine.

En suivant les principes dictés par l'ingénierie dirigée par les modèles et les approches récentes d'apprentissage machine, l'idée principale de cette thèse de doctorat est de développer un connecteur capable :
• D'interfacer les systèmes les uns avec les autres par l'intermédiaire de leurs représentations conceptuelles (modèles) et ce, quelque soit le langage de modélisation utilisé (interopérabilité structurelle).
• D'interconnecter les concepts des différents modèles par l'intermédiaire de modèle de transformation qui spécifie les règles de conversion qui permettent de traduire la structure et la sémantique d'un modèle en fonction de la représentation structurelle et sémantique d'un autre système (interopérabilité sémantique). Un intérêt pourra être porté à la mise en œuvre automatique d'un modèle de transformation bidirectionnel.
• De propager les changements et les évolutions de modèles par l'intermédiaire de modèles de transformation incrémentaux capables de synchroniser les modifications à la fois horizontalement (entre différents domaines sémantiques) et verticalement (entre différents niveaux d'abstraction).

Le/La doctorant(e) devra s'appuyer sur les récentes avancées dans le domaine de l'apprentissage profond, notamment dans les domaines connexes de la traduction automatique du langage naturel (machines de traduction neuronales) et de l'apprentissage de représentation des données structurées sous forme de graphes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The LISPEN laboratory (Physical and Digital Systems Engineering Laboratory) has focused part of its research for several years on the development of a dynamic, “plug and play” interoperability approach between systems. The most recent works are given in the bibliography at the end of the document and is available in open access (https://github.com/GIS-S-mart/Benchmark-8_MBSE_Model_transformation_inference). A “plug and play” approach automatically connects two or more systems, while minimizing human intervention.

Following the principles dictated by model-driven engineering and recent machine learning approaches, the main idea of ​​this doctoral thesis is to develop a connector capable of:
• Interfacing systems with each other through their conceptual representations (models), regardless of the modeling language used (structural interoperability).
• Interconnecting the concepts of the different models via a transformation model which specifies the conversion rules which make it possible to translate the structure and semantics of a model according to the structural and semantic representation of another system ( semantic interoperability). There may be interest in the automatic implementation of a bidirectional transformation model.
• Propagating changes and model evolutions through incremental transformation models capable of synchronizing modifications both horizontally (between different semantic domains) and vertically (between different levels of abstraction).

The doctoral student will have to draw on recent advances in the field of deep learning, particularly in the related fields of automatic translation of natural language (neural translation machines) and representation learning of structured data in the form of graphs.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2024

Plan Investissement d'Avenir (Idex, Labex)

Arts et Métiers

432 SMI - Sciences des Métiers de l'Ingénieur

Diplôme d'ingénieur ou diplôme de Master dans les domaines du génie mécanique, du génie industriel, des mathématiques appliquées ou de l'informatique, avec un intérêt prononcé pour l'apprentissage machine. Des connaissances en développements dirigés par les modèles et en ingénierie système seront appréciés.
Engineering degree or Master's degree in the fields of mechanical engineering, industrial engineering, applied mathematics or computer science, with a strong interest in machine learning. Knowledge of model-driven development and systems engineering will be appreciated.