Thèses

Matthieu Delahaye (2023-) "Intelligence artificielle explicable et non biaisée : vers une compréhension et représentation des phénomènes de sécurité urbaine"

Encadrement : Philippe Lenca, Lina Fahed & Florent Castagnino

Récemment, le déploiement des modèles d’IA, souvent qualifiés comme boîtes noires, dans des secteurs sensibles tel que la sécurité urbaine a déclenché la nécessité d’explication pour tous les acteurs impliqués dans le processus d’aide à la décision de ces modèles. Ce projet de thèse rentre dans le cadre de l’amélioration de la réflexivité que les acteurs de sécurité urbaine peuvent avoir sur leur propre pratique en améliorant leur compréhension de l’évolution des phénomènes de sécurité urbaine. L’objectif principal de la thèse réside dans (i) la détection et la correction des biais pouvant survenir tout au long du processus de développement du modèle d’IA, (ii) la proposition d’un modèle d’apprentissage automatique pour la détection et la prédiction de l’évolution de ces phénomènes. Ce modèle doit être interprétable et explicable avec différents formats d’explications adaptés au contexte et aux connaissances du décideur.

 

Yann Jourdin (2023-) "Décision de groupe : modélisation, apprentissage et interprétabilité"

Direction : Patrick Meyer, Arwa Khannoussi et Alexandru-Liviu Olteanu

L'aide à la décision multi-critère vise à aider un décideur à prendre des décisions plus éclairées grâce à l'utilisation de modèles représentant ses préférences. L'objectif de cette thèse est d'adapter un modèle de préférence utilisant des profils de références (RMP) dans le cas où un groupe de décideurs doit trouver un compromis. Pour cela, ce problème est divisé en trois étapes : la première s'intéresse à la création d'une variante du modèle RMP prenant en compte la complexité des interactions entre les décideurs ; la seconde se concentre sur l'apprentissage de ce modèle à partir des préférences des décideurs ; et enfin la dernière porte sur la génération automatique d'une interprétation de la recommandation finale du modèle. 

 

Joseph Thompson (2023-) "Intégration de méthodes d'apprentissage automatique dans des méta-heuristiques : un système de sélection-coopération d'algorithmes pour résoudre des problèmes d'optimisation combinatoire"

Joseph Thompson est un étudiant au doctorat en cotutelle avec Polytechnique Montréal et IMT Atlantique. Le sujet de sa recherche est l'incorporation de l'apprentissage automatique et des métaheuristiques pour résoudre les problèmes d'équilibrage de lignes d'assemblage à modèle mixte avec des travailleurs ambulants (MMABP-W). Ce problème concerne la planification de lignes de production avec plusieurs types de produits, que l'on trouve couramment dans les secteurs de l'automobile et de l'électronique. Le nombre de configurations possibles de travailleurs, d'équipements et de tâches rend le MMABP-W difficile à résoudre avec des méthodes exactes, telles que la programmation linéaire en nombres entiers mixtes. Joseph travaille sur des algorithmes approximatifs capables de résoudre de grandes instances de problèmes avec une mémoire et un traitement limité.

 

Matthieu Bachelot (2022-) " Fouille de données temporelles et hétérogènes pour la modélisation et la détection des informations fallacieuses"

L’objectif principal de ce projet de recherche est d’identifier les motifs récurrents accompagnant la propagation d’une information fallacieuse. Notre approche inédite se base sur des données en Français, en combinant différentes sources d'informations, à savoir des articles de presse en ligne et des posts Twitter. La première partie de la thèse porte sur la création et la validation du jeu de données en conduisant des analyses statistiques exhaustives, et de comparer ces résultats avec ceux de la littérature anglo-saxonne. Cela permet d'apporter les éléments déterminant pour la détection des informations fallacieuses via des méthodes d'apprentissage automatiques sur graphes. Ceci permettra de travailler sur la détection précoce de ces fausses informations, voir même la modélisation de la propagation d'information fallacieuse "générique".

 

Owein Thuillier (2022-) " Intelligence artificielle pour la configuration de réseaux de sonars multistatiques"

Dans le cadre de la lutte anti-sous-marine aéroportée, les sonars constituent l'un des moyens les plus efficaces de l'arsenal disponible afin de mener des actions de recherche, de pistage et de détection de cibles sous-marines. L'objectif de ce travail de thèse en collaboration avec Thales "Defence and Mission Systems (DMS)" s'articule ainsi autour de l'optimisation de la configuration spatiale et temporelle d'un réseau de sonars afin de maximiser la probabilité de détection d'une cible sous-marine (i.e. insonification idéale de la zone). Plus particulièrement, cette thèse se focalise sur les réseaux de sonars multistatiques composés d'un ensemble de systèmes sonars actifs, i.e. avec émission et réception d'une onde acoustique. De tels systèmes peuvent être en configuration monostatique et/ou bistatique. Un système sonar est dit monostatique lorsque l'émetteur et le récepteur sont colocalisés et bistatique lorsqu'ils sont délocalisés, c'est-à-dire situés à deux endroits géographiques distincts et potentiellement sur deux plans d'immersion disjoints. Finalement, le cas d'application retenu concerne les bouées acoustiques, également appelées "sonobuoys". Ces dernières sont déployées et parachutées depuis un porteur aérien tel qu'un avion de patrouille maritime, un hélicoptère ou encore un drone sur la zone d'intérêt. À l'impact avec la surface de l'eau, ces dernières s'immergent à une profondeur prédeterminée et commencent leur cycle de vie pendant une durée donnée (émission/réception et communication UHF/VHF avec le porteur). En outre, elles peuvent-être émettrices-seulement (Tx), réceptrices-seulement (Rx) ou encore éméttrices-réceptrices (TxRx).

 

Bachtiar Herdianto (2022-) "Combiner Machine Learning et Matheuristiques pour des problèmes de logistique urbaine"

Ces derniers temps, l'utilisation d'algorithmes d'apprentissage pour améliorer les méthodes d'optimisation est devenue de plus en plus intéressante. Par exemple, le problème d'acheminement des véhicules (VRP) auquel les entreprises de logistique peuvent être confrontées quotidiennement. Le problème principal se pose lorsque les itinéraires de livraison ne sont pas optimaux, ce qui entraîne une augmentation des coûts de livraison. Pour réduire ces coûts, il faut optimiser l'itinéraire de livraison. Cependant, la plupart des algorithmes d'optimisation résolvent toujours le problème à partir de zéro, même pour le même type de problème, et rien d'utile n'est extrait des solutions antérieures. Or, les données historiques pourraient être utiles pour obtenir des solutions de manière efficace et efficiente. En termes d'algorithme d'optimisation, l'utilisation de l'intelligence artificielle (IA) pour résoudre le VRP promet d'apprendre des solutions antérieures ou en temps réel, puis de guider l'algorithme pour résoudre le problème. En outre, l'algorithme d'optimisation peut apprendre de ses propres décisions et ajuster son comportement en conséquence pour obtenir de meilleurs résultats. Par conséquent, l'objectif de cette recherche est divisé en deux buts : (1) comprendre le lien entre la qualité des solutions, leurs caractéristiques et les instances de problèmes associées, et (2) développer un processus d'apprentissage efficace consolidé avec un algorithme d'optimisation puissant pour résoudre les problèmes rapidement et efficacement.

 

Dubon Rodrigue (2022-) "Simplification de l'architecture des réseaux énergétiques par agrégation de nœuds à base d'IA"

Le réseau de chauffage urbain facilite l'intégration des producteurs de chaleur renouvelable et permet un transport efficace de l'énergie avec un pilotage optimal. Pour profiter de ces avantages, il est nécessaire d'optimiser et de simuler le réseau, ce qui est coûteux en temps de calcul. Dubon a rejoint l'équipe du Lab-STICC DECIDE en octobre 2022. A partir de la formulation du réseau de chaleur sous forme de graphe connecté, dans sa thèse, Dubon étudie une nouvelle méthode pour réduire ce coût de simulation en agrégeant des nœuds consommateurs similaires en utilisant les architectures les plus récentes en Intelligence Artificielle. Son objectif est de développer deux modèles complémentaires : un modèle non supervisé pour identifier des nœuds consommateurs similaires et un modèle supervisé dépendant du temps pour apprendre la dynamique physique de ces nœuds consommateurs.

 

Erwan Alincourt (2022-) "Cartographie, détection d’anomalies et réaction suite à une détection sur des systèmes industriels : application aux navires militaires et civils"

Directeurs : Yvon Kermarrec et Philippe Lenca. Encadrant : CC Xavier.

Les bateaux modernes sont beaucoup plus performants que leurs ancêtres du 19e ou du 20e siècle. À l'instar des usines, ces améliorations ont été permises par la forte automatisation des systèmes. Ces systèmes, hybrides entre informatique et mécanique sont appelés systèmes cyber physiques. Les automates (ICS / SCADA) qui pilotent les machines, les systèmes de navigation, comme l'AIS sont quelques exemples de ces CPS. Comme tous les systèmes informatiques, ils sont vulnérables aux attaques cyber, mais un dysfonctionnement sur ces systèmes peut conduire à une catastrophe dans le monde réel. En outre, il est très difficile de modifier ces systèmes afin de les rendre "cyber by design". C'est pourquoi il est important de pouvoir détecter rapidement la survenue d'une attaque cyber sur ces systèmes. Plusieurs méthodes permettent de le faire : des bases de signature, des règles expert ou encore l'IA. Les questions de recherche identifiées à ce stade sont les suivantes : Quelle est la place de l'IA pour la détection d'attaque sur des systèmes cyber physiques des bateaux ? Comment évaluer les performances d'un algorithme de détection d'attaque cyber dans un contexte de CPS maritime ? Comment permettre au décideur de choisir l'algorithme ou la combinaison d'algorithme la plus efficiente dans ce contexte ?

 

Julien Mercier (2020-2024) "Apports et limites de la réalité augmentée géolocalisée pour l’apprentissage de la biodiversité"

Encadrants: Erwan Bocher, Olivier Ertz

Dans un contexte d’accélération du déploiement des technologies digitales à l’école, il convient de vérifier avec des données scientifiques que leur utilisation se fait au bénéfice des apprenant·e·s et qu'elle poursuit les objectifs d’apprentissage préalablement fixés. Dans le cadre de l’apprentissage de la biodiversité, ces objectifs peuvent comprendre l’acquisition de connaissances théoriques, mais aussi la compréhension de concepts complexes ou encore le développement d’attitudes favorables à sa protection. Dans le contexte de ce projet de recherche appliquée, on tente de répondre à la question de savoir si la réalité augmentée basée sur la géolocalisation présente un intérêt particulier pour l’enseignement de la biodiversité en contexte. Les objectifs principaux sont de: i) Avec une approche centrée sur l’humain, concevoir et développer une plateforme web pour la création d’environnements d’apprentissage augmentés basés sur des points d’intérêt géolocalisés; ii) Evaluer l’utilisabilité de l’interface de réalité augmentée géolocalisée en comparant différentes méthodes de géolocalisation, mais aussi en développant des méthodes d’analyse de données d’eye tracking mobile pour quantifier l’interaction des participant·e·s avec l’écran; iii) Evaluer les apports et limites de la réalité augmentée géolocalisée dans le cadre d’une activité d’apprentissage de la biodiversité en extérieur auprès d’élèves de 12 à 15 ans, en la comparant avec une modalité non digitale. Cette dernière étude interdisciplinaire est conduite en collaboration avec une doctorante en science de l’éducation. Grâce aux données récoltées auprès de plus de 270 participant·e·s, le projet de thèse cherche à contribuer au débat actuel sur la place des technologies mobiles dans l’éducation.

 

Antoine Mallégol (2020-2023) "Optimisation multi-objectif de systèmes énergétiques couplés"

L'objectif du travail de thèse d'Antoine Mallégol est de proposer une méthode d'optimisation d'un système énergétique couplé, composé d'un réseau électrique et d'un réseau de chaleur pouvant interagir entre eux. Le principal défi de ce travail est la résolution d'un modèle complexe avec un long horizon temporel. Différentes méthodes de modélisation et d'optimisation sont proposées : programmation linéaire en nombres mixtes, heuristique, et métaheuristique. Une approche multi-objectif permet d'améliorer les coûts et l'impact environnemental du système.

 

Fred Gonsalves (2020-2023) "Fouille de données et aide à la décision pour la supervision et la prévision court-terme de l'efficacité énergétique d'un paquebot"

Intégré à l'équipe DECIDE du Lab-STICC depuis 2020 et à l'équipe ECORIZON des Chantiers de l'Atlantique depuis 2019, Fred Gonsalves mène une thèse centrée sur la réduction de la consommation énergétique et l'empreinte environnementale des paquebots de croisière. Les défis scientifiques de son travail comprennent l'intégration de données issues de diverses sources (capteurs, archives météorologiques, données fournies par les fournisseurs, etc.), l'application de techniques d'apprentissage automatique, la modélisation des systèmes et sous-systèmes constituant le paquebot, et le développement d'outils d'aide à la décision, du design à l'opération. Son travail s'effectue dans le cadre d'une thèse CIFRE, en partenariat avec l'IMT Atlantique et les Chantiers de l'Atlantique.

 

Quentin Perrachon (2020-) "Ordonnancement intelligent pour l'industrie du futur"

Quentin Perrachon est en thèse CIFRE dans le cadre d'une collaboration entre l'équipe DECIDE du Lab-STICC à l'Université Bretagne Sud et la société Herakles basée à Vannes. Herakles développe et distribue un logiciel ERP-GPAO et souhaite proposer un outil complémentaire proposant des solutions à des problèmes d'ordonnancement d'atelier de manufacture de petite à moyenne taille. Une modélisation générique est proposée pour résoudre les problèmes d'une grande variété d'industries, cette modélisation est basée sur le flexible job shop scheduling problem à laquelle est ajoutées plusieurs contraintes industrielles telles que par exemple des indisponibilité de ressource ou la nécéssité potentiellement partielle de ressources pour certaines opérations. L'objectif étant de ne maintenir qu'un modèle et outil capable de répondre aux demandes de différentes industries. Issue du domaine de la recherche opérationelle, des approches exacte et metaheuristiques basées sur des techniques de voisinages sont explorées et proposées pour résoudre ce problème.

 

Hadi M. Y. Khalilia (2019-) Génération de ressources lexico-sémantiques multilingues tenant compte de la diversité

Encadrants : Fausto Giunchiglia (University of Trento), Gábor Bella (IMT Atlantique)

Les langues sont connues pour décrire le monde de diverses manières. Alors que les linguistes étudient depuis longtemps les phénomènes liés à la diversité lexicale, de tels résultats ne sont presque jamais utilisés dans les applications informatiques. L'objectif de la thèse est d'explorer ces phénomènes à travers les langues, et de proposer des méthodologies pour une création systématique et à grande échelle de ressources linguistiques informatiques liées à la diversité. Les méthodologies sont de nature hybride, impliquant la réutilisation de résultats existants issus de la linguistique, d'algorithmes automatisés, ainsi que de contributions de locuteurs natifs. Pour cette raison, bien que la thèse se situe principalement dans le domaine de l’informatique, elle est interdisciplinaire avec des éléments issus de la linguistique, de la science participative et de l’intelligence artificielle.

 

Kobina Piriziwè (2019-2022) "Nouvelles visualisations 3D collaboratives de graphes pour l'exploration de relations intra et inter communautés"

Direction : Thierry Duval, Laurent Brisson

L’objectif de cette thèse était d’étudier les contributions de la visualisation 3Dimmersive par rapport à la visualisation classique 2D afin d’améliorer l’exploration et l’analyse des relations intracommunautés et intercommunautés représentées sous forme de graphes. Après une analyse de l’état de l’art sur la théorie des graphes et ses applications à l’analyse des réseaux sociaux et sur des méthodes de visualisation de graphes, nous avons proposé deux approches de visualisation de graphes : une visualisation exocentrique, qui permet à un utilisateur de manipuler un graphe comme un objet, pour permettre de visualiser intuitivement la centralité des nœuds et une visualisation égocentrique, spécialement adaptée à l’exploration d’un graphe en environnement immersif, où notre mécanisme de rétractation de l’espace d’affichage du graphe permet à un utilisateur d’avoir une vision d’ensemble du graphe tout en restant en mode égocentrique. Les applications de ces travaux sont tout aussi civiles que militaires.

 

Mohadese Basirati (2019-2022) "Zoning management in marine spatial planning : multi-objective optimization and agent-based conflict resolution"

Direction : Romain Billot, Patrick Meyer

Le défi de cette thèse est de développer un système d'aide à la décision spatiale pour localiser et allouer des zones d'espace marin à de multiples acteurs, malgré des objectifs et des contraintes initiaux potentiellement conflictuels. Pour répondre à cette question, dans cette thèse, nous nous concentrons sur trois exigences différentes comme suit : 1) Modéliser le problème dans un cadre SIG réaliste et formuler un modèle mathématique pour le résoudre, 2) Être capable de proposer des solutions pour des problèmes à grande échelle, 3) Développer un processus de prise de décision qui aide les multiples acteurs à résoudre les conflits possibles en parvenant à un compromis. En fonction de ces objectifs, cette thèse propose un système multi-agents multi-objectifs (MOMAS) qui simule les processus décisionnels multi-niveaux de la gestion du zonage spatial des usages marins avec trois contributions principales : 1) Programmation linéaire en nombres entiers multi-objectifs (MOILP), 2) Algorithmes évolutionnaires multi-objectifs (MOEA), 3) Processus de décision coopératif avec des systèmes multi-agents (SMA) et des méthodes heuristiques. Cette thèse propose une approche formelle et exécutable pour traiter le problème de gestion du zonage de l'espace avec des objectifs et des acteurs multiples. En cas de conflit, différents scénarios de coopération sont comparés et classés. Les résultats expérimentaux sur des jeux de données synthétiques mettent en évidence le fait que de bons compromis peuvent être atteints lorsque les acteurs acceptent de coopérer. Les travaux proposés ouvrent la voie à de futurs outils d'aide à la décision en ligne appliqués à des cas réels.

 
Maryam Karimi-Mamaghan (2019-2022) "Hybridizing metaheuristics with machine learning for combinatorial optimization : a taxonomy and learning to select operators"

Direction : Patrick Meyer, encadrement Bastien Pasdeloup, Mehrdad Mohammadi

Cette thèse intègre des techniques d'apprentissage automatique dans des méta-heuristiques pour résoudre des problèmes d'optimisation combinatoire. Cette intégration guidera les méta-heuristiques vers la prise de meilleures décisions et par conséquent à rendre les méta-heuristiques plus efficaces. Cette thèse, tout d'abord, fournit une revue complète mais technique de la littérature et propose une taxonomie unifiée sur les différentes manières d'intégration. Pour chaque type d'intégration, une analyse et une discussion complètes sont fournies sur les détails techniques, y compris les défis, les avantages, les inconvénients et les perspectives. Nous nous concentrons ensuite sur une intégration particulière et abordons le problème de la sélection adaptative des opérateurs dans les méta-heuristiques utilisant des techniques d'apprentissage par renforcement. Plus précisément, nous proposons un cadre général qui intègre l'algorithme Q-learning dans l'algorithme de recherche locale itérée afin de sélectionner de manière adaptative les opérateurs de recherche les plus appropriés à chaque étape du processus de recherche en fonction de leur historique de performance. Le cadre proposé est appliqué à deux problèmes d'optimisation combinatoire, le problème du voyageur de commerce et le problème d'ordonnancement de type flowshop de permutation. Dans les deux applications, le cadre proposé est plus performant en termes de qualité de solution et de taux de convergence qu'une sélection aléatoire d'opérateurs. De plus, nous observons que le cadre proposé montre un comportement d’état de l’art lors de la résolution du problème d'ordonnancement des flux de permutation.

 

Mounir Haddad (2018-2022) "Embedding de graphes temporels : temporalisation de méthodes statiques et alignement".

Thèse CIFRE co-dirigée par Philippe Lenca, Cécile Bothorel, IMT Atlantique and Dominique Bedart, DSI Global Services. L'apprentissage de représentation est un prétraitement de données qui les modélise sous forme de vecteurs dans un espace latent à faible dimension. Ce travail de thèse s’est attaché à l’étude du cas de l’embedding de graphes temporels. Un premier axe a consisté en la conception de méthodes d’embedding temporelles : dans un premier temps, une méthode "exhaustive", puis une autre méthode couplant la notion des marches aléatoires à un mécanisme de lissage temporel entre vecteurs d’embedding consécutifs. Aussi, nous avons conçu une variante "task-specific" utilisant en partie les labels des nœuds en entrée pour améliorer les tâches de classification. Dans le second volet du travail de thèse, nous avons conçu une approche générique de "temporalisation" d'une catégorie de méthodes d'embedding statiques (les autoencodeurs), améliorant significativement les performances des tâches d'inférence sensibles à la dimension temporelle. Enfin, le dernier axe a été consacré à l’étude de l’alignement temporel des embeddings, i.e.les potentiels décalages entre les espaces d'embedding des différents pas de temps, et à son impact sur la consistance des représentations latentes apprises.