Amélioration du processus de la conception inventive par l'utilisation de méthodes agiles et d'algorithmes d'apprentissage automatique.
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Hanifi, Masih
Date de soutenance : 29-09-2021

Directeur(s) de thèse : Houssin, Rémy - Cavallucci, Denis

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique - Génie Industriel
Classification : Informatique, Fabrication industrielle

Mots-clés libres : Conception inventive, TRIZ, Théorie du Lean, Vectorisation de documents, Classification de texte, Calcul de similarité
Mots-clés :
  • Conception innovante
  • Méthodes agiles (informatique)
  • Méthode TRIZ
  • Apprentissage automatique
  • Algorithmes évolutionnaires
Résumé : Au cours des dernières décennies, les entreprises sont constamment à la recherche d'approches qui les aident à réduire le temps du processus d'innovation. Parmi ces approches, on peut citer les processus de conception inventive basés sur TRIZ, tels que la Méthodologie de Conception Inventive (MCI). Néanmoins, une des critiques souvent formulées est que cette approche n'a pas l'agilité nécessaire. Par conséquent, il était nécessaire de combiner MCI avec d'autres méthodologies pour accroître son agilité. Dans cette thèse, une méthode basée sur le Lean a été développée pour ajouter les caractéristiques agiles à MCI. En outre, les méthodes PAH et AMDEC ont été intégrées au processus pour sélectionner le problème initial le plus important. De plus, les algorithmes d'apprentissage automatique et la méthode doc2vec ont été utilisés pour extraire les données essentielles du processus. Ces travaux de recherche visent à faciliter et à accélérer la conception inventive dans les entreprises.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD002
Type de ressource : Thèse