EFFA BELLA Emma

doctorant à Sorbonne Université
Équipe : MoVe
https://www.dogfinance.com/fr/p/emma-lucie-effa-bella

Direction de recherche : Marie-Pierre GERVAIS

Apports des techniques d’apprentissage semi-supervisées dans l’établissement de liens entre artefacts de conception

Dans un environnement collaboratif de développement de systèmes complexes, plusieurs entreprises doivent échanger un nombre important de modèles hétérogènes et d’exigences. Durant les phases du cycle de vie du système, ces artefacts, reliés les uns aux autres et issus de différents outils de modélisations, évoluent constamment. Dans un tel environnement hétérogène et volatil, il est crucial de gérer l’impact des différents changements se produisant dans les différents espaces de conception. La traçabilité telle que définie par l’International Council on Systems Engineering (INCOSE) répond à ce besoin.
Toutefois, établir des liens entre des exigences et des modèles en ingénierie des systèmes complexes suppose de faire face à une volumétrie importante des artefacts. Par exemple, pour une spécification d’un véhicule autonome comprenant 3 000 exigences et 400 éléments de modèles, il faudrait en théorie vérifier de l’ordre d’un million de liens potentiels. Bien que plusieurs approches aient été proposées pour l’identification des liens de traçabilité, le processus de validation des liens est toujours chronophage et générateur d’erreurs. Ceci est principalement dû à la prépondérance d’opérations manuelles lors de ce processus.
Dans cette thèse, nous proposons une approche semi supervisée qui permet d’apprendre via un modèle probabiliste à reconnaître des liens de traçabilité valides ou non valides à partir de mesures et de scores de similarité. Cette approche fournit ainsi une mesure quantitative de confiance sur chaque lien candidat. Cette dernière permet potentiellement à l’expert en phase de validation d’optimiser son effort de vérification des liens tout en maîtrisant les risques d’erreur.
Nous avons évalué notre approche à la fois sur des jeux de données de référence utilisés dans la littérature de la traçabilité et sur des cas d’étude industriels. Nous avons montré la pertinence de notre approche pour l’identification des liens de traçabilité par rapport à des méthodes de traçabilité de l’état de l’art. Nous obtenons en effet une réduction des faux positifs d’environ 80% par rapport aux méthodes de l’état de l’art dans les cas industriels. Dans le même temps, nous conservons un nombre de liens valides (vrai positif), allant jusqu’à 75%. Le prototype mis en place, appelé Aggregation Trace Links Support (ATLaS), est testé par les partenaires de l’Institut de Recherche SystemX dans le cadre du projet Éco-mobilité par Véhicules Autonomes (EVA).

Soutenance : 28/10/2019

Membres du jury :

BLAY Fornarino Mireille, Université de Nice, Laboratoire I3S-CNRS-UNS-UMR 6070-Rapporteur
HUCHARD Marianne, Université de Montpellier LIRMM UMR 5506 - Rapporteur
GERVAIS Marie-Pierre , Université Paris Nanterre LIP6- Directrice de thèse
BENDRAOU Reda, Université Paris Nanterre LIP6 - Co-directeur de thèse
KORDON Fabrice, Sorbonne Université LIP6 - Examinateur Président du jury
CREFF Stephen, IRT Système X - Examinateur
WOUTERS Laurent, Cenotelie President- Examinateur

Date de départ : 30/11/2019

Publications 2017-2019