Fédération de modèles hétérogènes avec des vues sur les modèles assistées par l’apprentissage automatique

Federation of heterogeneous models with machine learning-assisted model views

• Auteur / Autrice : James William Pontes Miranda
• Direction : Massimo Tisi, Hugo Bruneliere, Gerson Sunyé
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/01/2025
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : NaoMod - Nantes Software Modeling Group - Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Daniel Varró
• Jury : Examinateurs / Examinatrices : Massimo Tisi, Hugo Bruneliere, Gerson Sunyé, Yves Ledru, Houari A. Sahraoui, Catia Trubiani
• Jury : Rapporteurs / Rapporteuses : Yves Ledru, Houari A. Sahraoui

Mots clés

Mots clés contrôlés

Ingénierie des systèmes

Réseaux neuronaux graphiques

Ingénierie dirigée par les modèles

Mots clés libres

Ingénierie dirigée par les modèles

Vues sur les modèles

Grands modèles de langage

Ingénierie des prompts

Réseaux de neurones en graphes

Apprentissage profond

Model-Driven engineering

Model views

Large language models

Prompt engineering

Graph neural networks

Deep learning

Résumé

L’Ingénierie Dirigée par les Modèles (IDM) promeut les modèles comme un élément clé pour répondre à la complexité croissante du cycle de vie des systèmes logiciel. L’ingénierie de systèmes avec l’IDM implique divers modèles représentant différentes aspects du système. Cette hétérogénéité nécessite des capacités de fédération de modèles pour intégrer des points de vue spécifiques à de multiples domaines. Les solutions de Vues sur les Modèles (Model Views) répondent à ce défi mais manquent encore de support à l’automatisation. Cette thèse explore l’intégration de l’Apprentissage Automatique (AA), notamment les Réseaux de Neurones en Graphes (GNN) et Grands Modèles de Langage (LLM), pour améliorer la définition et construction de telles vues. La solution proposée introduit une approche en deux volets dans la solution technique EMF Views. Cela a permis d’automatiser partiellement la définition des vues sur modèles à la conception, et de calculer dynamiquement les liens inter-modèles à l’exécution. Nos résultats indiquent que l’application de techniques d’apprentissage profond (DL), dans ce contexte spécifique de l’IDM, permet déjà d’atteindre un premier niveau d’automatisation intéressant. Plus globalement, cet effort de recherche contribue au développement actuel de solutions plus intelligentes pour l’IDM.

Model-driven engineering (MDE) promotes models as a key element in addressing the increasing complexity of the software systems’ lifecycle. Engineering systems with MDE involves various models representing different system aspects. This heterogeneity requires model federation capabilities to integrate viewpoints specific to multiple domains. Model View solutions address this challenge but still lack more automation support. This thesis explores the integration of Machine Learning (ML), notably Graph Neural Networks (GNNs) and Large Language Models (LLMs), in order to improve the definition and building of such views. The proposed solution introduces a twofold approach within the EMF Views technical solution. This allowed to partially automate the definition of model views at design time, and to dynamically compute inter-model links at runtime. Our results indicate that the application of Deep Learning (DL) techniques, in this particular MDE context, already allows to achieve a first relevant level of automation. More globally, this research effort contributes to the ongoing development of more intelligent MDE solutions.