Optimisation de la Gestion de l'Obsolescence en Environnement de Systèmes Critiques K-Shot par Modélisation Générative Profonde et Petits Modèles de Langage.

Deep Generative and Small Language Modeling for Obsolescence Management Optimization in K-Shot Critical Systems Environment

• Auteur / Autrice : Elie Saad
• Direction : Marc Zolghadri
• Type : Projet de thèse
• Discipline(s) : Stic - ed si
• Date : Inscription en doctorat le 03/10/2022; Soutenance le 15/01/2026
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Quartz (Saint-Ouen, Seine-Saint-Denis)

Mots clés

Mots clés libres

Intelligence Artificielle

Modélisation Générative

Petits Modèles de Langage

Apprentissage K-Shot

Obsolescence

Artificial Intelligence

Generative Modeling

Small Language Models

K-Shot Learning

Obsolescence

Résumé

Cette thèse aborde le défi industriel de l'obsolescence des composants dans les systèmes critiques à longue durée de vie opérationnelle, un problème ancré dans une inadéquation fondamentale des cycles de vie, où la durée de vie opérationnelle de plusieurs décennies des systèmes dépasse de loin les cycles de vie produits raccourcis de leurs composants électroniques constitutifs. Ce conflit temporel, conséquence directe d'une conception à haute fiabilité qui rend les événements d'obsolescence pour les composants spécialisés intrinsèquement rares, crée un environnement de rareté intrinsèque des données. Formellement caractérisé comme un problème d'apprentissage avec peu d'exemples (low K-shot learning), cet environnement a historiquement entravé le développement de modèles prédictifs robustes. Cette recherche répond au double impératif d'atteindre une prédiction de haute fidélité sous ces contraintes et d'assurer l'interprétabilité des modèles pour la prise de décision dans des contextes de sécurité critiques. L'étude se déploie selon une trajectoire méthodologique en plusieurs étapes. Initialement, un paradigme centré sur les données est proposé pour surmonter le problème K-shot à travers un cadre d'apprentissage semi-supervisé en trois étapes. Ce cadre intègre une réduction de dimensionnalité préservant l'information via des auto-encodeurs, une augmentation de données générative profonde utilisant une suite de modèles génératifs, et un nouvel algorithme d'apprentissage semi-supervisé basé sur le clustering, atteignant collectivement une précision prédictive de pointe. Reconnaissant les limites de cette approche centrée sur les données, à savoir son opacité et son incapacité à fonctionner dans des scénarios de vide de données absolu, la recherche pivote vers un paradigme centré sur la connaissance exploitant les modèles de langage. Cela aboutit à deux contributions majeures : premièrement, un cadre d'Apprentissage Zéro-Échantillon (ZSL) qui permet la prévision du risque d'obsolescence à partir de données tabulaires sérialisées sans aucun entraînement spécifique à la tâche, fournissant une solution au problème jusqu'alors insoluble du « démarrage à froid ». Deuxièmement, un cadre intrinsèquement interprétable est développé en utilisant de petits modèles de langage (SLMs) pour générer non seulement des prédictions, mais aussi des explications transparentes et étape par étape en Chaîne de Pensée (CoT). Ceci est accompli grâce à un paradigme enseignant-élève pour la distillation de CoT, aligné via l'Apprentissage par Renforcement à partir du Retour d'Information de l'IA (RLAIF) en utilisant l'algorithme d'Optimisation de Politique Relative de Groupe (GRPO). Finalement, cette thèse transcende les solutions appliquées pour apporter une contribution fondamentale à la méthodologie de l'IA. S'attaquant aux instabilités d'entraînement documentées de GRPO, ce travail présente une extension théorique formelle, GRPO-KD, qui intègre la Distillation de Connaissances Multi-Enseignants (MTKD) pour créer une nouvelle famille d'objectifs de réglage fin stables et efficaces, résolvant ainsi le problème d'effondrement de la politique de l'apprentissage par renforcement standard sans critique. Validée sur des données industrielles du secteur ferroviaire et sur des benchmarks publics, cette thèse fournit un pipeline méthodologique complet. Ce pipeline progresse du diagnostic empirique à l'augmentation centrée sur les données, au raisonnement centré sur la connaissance et à la fortification fondamentale de l'alignement de l'IA, offrant un schéma directeur complet pour le développement d'une intelligence artificielle de confiance dans les domaines industriels critiques.

This dissertation confronts the industrial challenge of component obsolescence in long-field-life critical systems, a problem rooted in a fundamental lifecycle mismatch where the multi-decade operational lifespan of systems far exceeds the compressed product life cycles of their constituent electronic components. This temporal conflict, a direct consequence of the high-reliability design that makes obsolescence events for specialized components inherently infrequent, creates an environment of intrinsic data scarcity. Formally characterized as a low K-shot learning problem, this environment has historically impeded the development of robust predictive models. This research addresses the dual imperatives of achieving high-fidelity prediction under these constraints and ensuring model interpretability for safety-critical decision-making. The investigation unfolds as a multi-stage methodological trajectory. Initially, a data-centric paradigm is advanced to overcome the K-shot problem through a three-stage semi-supervised framework. This framework integrates information-preserving dimensionality reduction via autoencoders, deep generative data augmentation using a suite of generative models, and a novel clustering-based semi-supervised learning algorithm, collectively achieving state-of-the-art predictive accuracy. Recognizing the limitations of this data-centric approach, namely its opacity and inability to function in absolute data-void scenarios, the research pivots to a knowledge-centric paradigm leveraging language models. This yields two major contributions: first, a Zero-Shot Learning (ZSL) framework that enables obsolescence risk forecasting from serialized tabular data without any task-specific training, providing a solution for the previously intractable ``cold start'' problem. Second, an inherently interpretable framework is developed using Small Language Models (SLMs) to generate not only predictions but also transparent, step-by-step Chain-of-Thought (CoT) explanations. This is accomplished through a teacher-student paradigm for CoT distillation, aligned via Reinforcement Learning from AI Feedback (RLAIF) using the Group Relative Policy Optimization (GRPO) algorithm. Finally, this thesis transcends applied solutions to make a foundational contribution to AI methodology. Addressing the documented training instabilities of GRPO, this work presents a formal theoretical extension, GRPO-KD, which integrates Multi-Teacher Knowledge Distillation (MTKD) to create a new family of stable and effective fine-tuning objectives, thereby resolving the policy collapse issue of standard critic-free reinforcement learning. Validated on industrial data from the railway sector and public benchmarks, this dissertation delivers a complete methodological pipeline. This pipeline progresses from empirical diagnosis to data-centric augmentation, knowledge-centric reasoning, and the foundational fortification of AI alignment, providing a comprehensive blueprint for the development of trustworthy artificial intelligence in critical industrial domains.