Soutenance de thèse de Abdelhak KHEMIRI

Aujourd’hui les processus métiers ont une place centrale dans les organisations et la question de leur fiabilité a attiré de plus en plus d’attention aussi bien du côté des industriels que du côté de la communauté scientifique. En effet, les organisations évoluent dans un environnement dynamique de plus en plus concurrentiel, une erreur ou un dysfonctionnement dans les modèles de production peut lourdement les fragiliser. Ce risque se voit exacerbé par l’importance grandissante que prennent l’automatisation et l’informatisation des processus au sein des entreprises. Ainsi, cette thèse s’intéresse aux problématiques liées à la vérification et la validation des processus et modèles de production d’une usine manufacturière. Les processus sont généralement considérés selon plusieurs perspectives, cependant certaines ont reçu moins d’attention, notamment en ce qui concerne l’impact des données sur les processus métiers. Pour répondre à ces besoins, deux approches ont été proposées dans le cadre de cette thèse. La première vise à améliorer le modèle informationnel des processus de production au travers d’une approche basée sur l’apprentissage automatique. Cette approche a permis d’une part d’extraire des règles déjà connues par les experts et d’autre part de découvrir de nouvelles règles qui correspondent au bon paramétrage du modèle informationnel. Une phase d’industrialisation est réalisée et les résultats obtenus montrent une amélioration du modèle de la maîtrise statistique des procédés dans une usine de fabrication de semi-conducteurs. La deuxième contribution quant à elle concerne l’impact des données dans la perspective fonctionnelle d’un processus métier. En effet, l’utilisation de méthodes classiques pour la vérification des processus métiers atteint ses limites lorsque les données associées au processus sont prises en compte. Dans cette optique, nous proposons une approche qui combine la simulation à événements discrets et le model-checking. La simulation permet de tirer profit des connaissances des experts dans le but d’identifier un sous-ensemble d’états où une propriété donnée est plus susceptible d’être insatisfaite. Ce qui permet au model-checking de se concentrer sur ce sous-ensemble. L’approche est testée et validée sur un modèle de réseaux sur puces.

Today business processes have a central place in organizations and the question of their reliability is attracting more and more attention from both industry and the scientific community. Indeed, organizations evolve in a dynamic and increasingly competitive environment, and an error or malfunction in production models can seriously weaken them. This risk is amplified by the growing importance of the automation and computerization of processes within companies. Thus, this thesis focuses on issues related to the verification and validation of processes and production models of a manufacturing plant. Processes are generally considered from several perspectives, however, some have received less attention, especially regarding the impact of data on business processes. To address these needs, two approaches have been proposed in this thesis. The first one aims at improving the informational model of production processes through an approach based on machine learning. This approach allowed on the one hand to extract rules already known by the experts and on the other hand to discover new rules that correspond to the right configuration of the informational model. An industrialization phase is carried out and the results obtained are presented. The second contribution concerns the impact of data in the functional perspective of a business process. Indeed, the use of classical methods for the verification of business processes reaches its limits when the data associated with the process is taken into account. With this in mind, we propose an approach that combines discrete-event simulation and model-checking. Simulation makes it possible to take advantage of expert knowledge in order to identify a subset of states where a given property is more likely to be unsatisfied. This allows model-checking to focus on this subset. The approach is tested and validated on a network-on-chip model.