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

Benefits of semi-supervised learning techniques in recovering traceability links between design artifacts

• Auteur / Autrice : Emma Effa Bella
• Direction : Marie-Pierre Gervais, Reda Bendraou
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 28/10/2019
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Fabrice Kordon
• Jury : Examinateurs / Examinatrices : Reda Bendraou, Stephen Creff, Laurent Wouters
• Jury : Rapporteurs / Rapporteuses : Mireille Blay-Fornarino, Marianne Huchard

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Systèmes complexes

Traitement automatique du langage naturel

Traçabilité

Mots clés libres

Traçabilité

Hétérogénéité

Exigences

Modèles

Systèmes complexes

Machine learning

Traitement automatique des langues

Traceability

Heterogeneity

Requirements

Models

Complex systems

Machine learning

Automatic language processing

Résumé

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, il est crucial de gérer l’impact des différents changements se produisant dans les différents espaces de conception. La traçabilité 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. 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 syntaxiques et sémantiques. 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.

During the development of complex systems, several enterprises exchange a large number of heterogeneous models and requirements. During the phases of the system’s life cycle, these artifacts, linked to each other and derived from different modelling tools, are constantly evolving. In such environment, it is necessary to manage the impact of the different changes occurring in the different design spaces. Traceability meets this need. However, establishing links between requirements and models in complex systems engineering requires dealing with a large volume of artifacts. For example, a specification of an autonomous vehicle with 3,000 requirements and 400 model elements, it would theoretically be necessary to check about one million of potential links. Although several approaches have been proposed for identifying traceability links, the validation process is always time-consuming and error-prone. This is mainly due to the predominance of manual operations during this process. In this thesis, we propose a semi-supervised approach that learns through a probabilistic model to recognize links or no links from similarity measures and scores. This approach provides a quantitative confidence measure on each candidate link. This measure allows the expert in the validation phase to optimize his verification effort while reducing the risks of error. The evaluation's result show that our approach have better results than state-of-the-art traceability methods. We obtain a reduction of no links (false positive) of about 80% compared to state-of-the-art methods in industrial cases, while, keeping a number of links (true positive), up to 75%, at the same time.