Contribution à la définition d'une méthodologie couplant le traitement automatique du langage naturel et l'apprentissage automatique pour réagir aux perturbations de production.

par Juan pablo Usuga Cadavid

Projet de thèse en Informatique-traitement du signal

Sous la direction de Samir Lamouri et de Bernard Grabot.

Thèses en préparation à Paris, HESAM , dans le cadre de École doctorale Sciences des métiers de l'ingénieur , en partenariat avec LAMIH - Laboratoire d'Automatique, de Mécanique, d'Informatique industrielles et Humaines (laboratoire) et de Paris, ENSAM (établissement de préparation de la thèse) depuis le 10-09-2018 .


  • Résumé

    Entrant dans l'ère de la digitalisation, il est important de transformer les données en connaissances et utiliser celles-ci pour fournir des pistes d'amélioration industrielle. La transformation de données en connaissances pour optimiser la production est aujourd'hui un défi industriel majeur. Nous adresserons les problématiques de l'ordonnancement, de la planification et de l'équilibrage de charges sur et entre les lignes de production. D'un point de vue système, ces aspects sont aujourd'hui considérés comme portés par l'ERP (Enterprise Resource Planning). Les ERP sont des outils présentant une forte rigidité dans leur structure et dans leur fonctionnement, imposant cette rigidité aux organisations. Cette recherche est consacrée à l'utilisation des techniques d'Apprentissage Automatique et du Traitement Automatique du Langage Naturel pour faire passer la « fonction planification » des ERP vers un mode prédictif. Notre partenaire la société iFAKT, experte en équilibrage de charges nous accompagnera dans ce projet de thèse. Cette thèse aborde deux axes de travail principaux : l'un portant sur l'intégration du Traitement Automatique du Langage Naturel, l'Apprentissage Automatique et l'outil d'équilibrage de charges et l'autre les actions à entreprendre par rapport à cette intégration. Pour la mise en place de ces deux grandes activités, nous contribuerons à la création de méthodologies couplant les techniques et outils cités ci-dessus dans le cadre de l'industrie 4.0

  • Titre traduit

    Contribution to the development of a methodology coupling natural language processing and machine learning for reacting to production disturbances.


  • Résumé

    As we enter the era of digitalization, it is important to transform data into knowledge and use it to provide avenues for industrial improvement. The transformation of data into knowledge to optimize production is today a major industrial challenge. We will address the issues of scheduling, planning and load balancing on and between production lines. From a system point of view, these aspects are now considered as supported by ERP (Enterprise Resource Planning). ERPs are tools that are highly rigid in their structure and operation, imposing this rigidity on organizations. This research is devoted to the use of machine learning and natural language processing to improve the predictive capabilities of the ERP's "planning function". Our partner, iFAKT, an expert in load balancing, will support us in this thesis project. This thesis addresses two main areas of work: one on the integration of natural language processing, machine learning and a load balancing tool and the other on the actions to be taken in relation to this integration. For the implementation of these two major activities, we will contribute to the creation of methodologies combining the techniques and tools mentioned above within the framework of industry 4.0