Sujet de Thèse
Titre :
Intégration dynamique des données hétérogènes et formalisation de clusters sémantiques via l'IA dans les systèmes intelligents
centrés sur l'humain
Dates :
2025/11/01 - 2028/10/31
Etudiant :
Encadrant(s) :
Autre(s) encadrant(s) :
TORRES Diego (diego.torres@lifia.info.unlp.edu.ar)
Description :
L'industrie logistique est confrontée à des défis croissants liés à l'intégration de données hétérogènes provenant de systèmes ERP
(Enterprise Resource Planning), MES (Manufacturing Execution Systems) et CRM (Customer Relationship Management). Ces
systèmes utilisent des structures, formats et interprétations sémantiques variés, créant des silos d'information qui freinent l'efficacité
opérationnelle et la prise de décision éclairée.
Cette thèse vise à développer un cadre avancé basé sur l'Intelligence Artificielle (IA) pour l'intégration dynamique de sources de
données hétérogènes et la formalisation de clusters sémantiques dans des systèmes intelligents centrés sur l'humain. Grâce à
l'utilisation de l'apprentissage automatique, de l'analyse formelle de concepts (FCA) et des technologies sémantiques, la recherche
vise à harmoniser les formats de données disparates et à relever des défis clés tels que l'hétérogénéité sémantique, la scalabilité et la
formalisation de clusters sémantiques.
Objectifs :
1. Hétérogénéité sémantique : Développer des méthodologies pour identifier et résoudre les incohérences sémantiques entre les
sources de données, y compris les variations de terminologie, de représentation des données et d'interprétations contextuelles.
2. Scalabilité : Concevoir un cadre d'intégration capable de gérer de grands volumes de données diversifiées tout en maintenant les
performances, en prenant en charge les mises à jour en temps réel et l'accès simultané.
3. Formalisation des clusters sémantiques : Proposer des méthodes innovantes pour identifier et formaliser des clusters de données
sémantiquement liées, en s'adaptant dynamiquement aux évolutions des motifs de données.
Méthodologie :
La recherche s'appuiera sur des techniques avancées d'IA, notamment :
⬢ L'apprentissage automatique pour la transformation et l'intégration des données.
⬢ L'analyse formelle de concepts (FCA) pour l'analyse sémantique et la formalisation des clusters.
⬢ L'ingénierie ontologique pour établir une base sémantique cohérente.
⬢ La modélisation dynamique des données pour répondre aux exigences évolutives des entreprises et des marchés.
Les résultats attendus incluent :
⬢ Un prototype de cadre d'intégration capable d'assurer l'intégration en temps réel des données hétérogènes et l'analyse des
clusters sémantiques.
⬢ Des méthodologies améliorées pour optimiser la gestion des stocks et les opérations logistiques.
⬢ Des contributions académiques sous forme de publications et de présentations.
Ce projet soutiendra directement les objectifs de recherche et développement de MG-IB, offrant des outils pratiques pour améliorer
l'efficacité opérationnelle et la satisfaction client, tout en répondant à des défis plus larges dans le secteur de la logistique.
(Enterprise Resource Planning), MES (Manufacturing Execution Systems) et CRM (Customer Relationship Management). Ces
systèmes utilisent des structures, formats et interprétations sémantiques variés, créant des silos d'information qui freinent l'efficacité
opérationnelle et la prise de décision éclairée.
Cette thèse vise à développer un cadre avancé basé sur l'Intelligence Artificielle (IA) pour l'intégration dynamique de sources de
données hétérogènes et la formalisation de clusters sémantiques dans des systèmes intelligents centrés sur l'humain. Grâce à
l'utilisation de l'apprentissage automatique, de l'analyse formelle de concepts (FCA) et des technologies sémantiques, la recherche
vise à harmoniser les formats de données disparates et à relever des défis clés tels que l'hétérogénéité sémantique, la scalabilité et la
formalisation de clusters sémantiques.
Objectifs :
1. Hétérogénéité sémantique : Développer des méthodologies pour identifier et résoudre les incohérences sémantiques entre les
sources de données, y compris les variations de terminologie, de représentation des données et d'interprétations contextuelles.
2. Scalabilité : Concevoir un cadre d'intégration capable de gérer de grands volumes de données diversifiées tout en maintenant les
performances, en prenant en charge les mises à jour en temps réel et l'accès simultané.
3. Formalisation des clusters sémantiques : Proposer des méthodes innovantes pour identifier et formaliser des clusters de données
sémantiquement liées, en s'adaptant dynamiquement aux évolutions des motifs de données.
Méthodologie :
La recherche s'appuiera sur des techniques avancées d'IA, notamment :
⬢ L'apprentissage automatique pour la transformation et l'intégration des données.
⬢ L'analyse formelle de concepts (FCA) pour l'analyse sémantique et la formalisation des clusters.
⬢ L'ingénierie ontologique pour établir une base sémantique cohérente.
⬢ La modélisation dynamique des données pour répondre aux exigences évolutives des entreprises et des marchés.
Les résultats attendus incluent :
⬢ Un prototype de cadre d'intégration capable d'assurer l'intégration en temps réel des données hétérogènes et l'analyse des
clusters sémantiques.
⬢ Des méthodologies améliorées pour optimiser la gestion des stocks et les opérations logistiques.
⬢ Des contributions académiques sous forme de publications et de présentations.
Ce projet soutiendra directement les objectifs de recherche et développement de MG-IB, offrant des outils pratiques pour améliorer
l'efficacité opérationnelle et la satisfaction client, tout en répondant à des défis plus larges dans le secteur de la logistique.
Mots clés :
Intelligence Artificielle, Clusters Sémantiques, Intégration des Données, FCA, Logistique, Ontologie
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Publications :
