Direction de recherche : Marie-Pierre GERVAIS

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

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 hétérogène et volatil, il est crucial de gérer l’impact des différents changements se produisant dans les différents espaces de conception. La traçabilité telle que définie par l’International Council on Systems Engineering (INCOSE) 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. Ceci est principalement dû à la prépondérance d’opérations manuelles lors de ce processus.
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 et de scores de similarité. 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.
Nous avons évalué notre approche à la fois sur des jeux de données de référence utilisés dans la littérature de la traçabilité et sur des cas d’étude industriels. Nous avons montré la pertinence de notre approche pour l’identification des liens de traçabilité par rapport à des méthodes de traçabilité de l’état de l’art. Nous obtenons en effet une réduction des faux positifs d’environ 80% par rapport aux méthodes de l’état de l’art dans les cas industriels. Dans le même temps, nous conservons un nombre de liens valides (vrai positif), allant jusqu’à 75%. Le prototype mis en place, appelé Aggregation Trace Links Support (ATLaS), est testé par les partenaires de l’Institut de Recherche SystemX dans le cadre du projet Éco-mobilité par Véhicules Autonomes (EVA).

Publications 2017-2019

• 2019
  • E. Effa Bella : “Apports des techniques d’apprentissage semi-supervisées dans l’établissement de liens entre artefacts de conception”, thèse, soutenance 28/10/2019, direction de recherche Gervais, Marie-Pierre (2019)
  • E. EFFA BELLA, S. Creff, M.‑P. Gervais, R. Bendraou : “ATLaS: A Framework for Traceability Links Recovery Combining Information Retrieval and Semi-supervised Techniques”, 23RD IEEE INTERNATIONAL EDOC CONFERENCE - THE ENTERPRISE COMPUTING CONFERENCE, Paris, France (2019)
• 2018
  • E. EFFA BELLA, L. Wouters, M.‑P. Gervais, A. Koudri, R. Bendraou : “Semi-supervised Approach for Recovering Traceability Links in Complex Systems”, ICECCS 2018 - 23^rd International Conference on Engineering of Complex Computer Systems, Melbourne, Australia (2018)
• 2017
  • L. Wouters, S. Creff, E. EFFA BELLA, A. Koudri : “Towards Semantic-Aware Collaborations in Systems Engineering”, 24^th Asia-Pacific Software Engineering Conference (APSEC), Nanjing, China (2017)