Menu
fr / eng

Avis de soutenance – Imen Trabelsi

19 04 22
Sur un écran on peut lire : Thése, Contribution à la prédiction de l’obsolescence : approches basées sur les techniques d’apprentissage automatique et les statistiques

Lundi 9 mai 2022,  Mme Imen Trabelsi soutiendra publiquement à ISAE‑Supméca ses travaux de thèse intitulés Contribution à la prédiction de l’obsolescence : approches basées sur les techniques d’apprentissage automatique et les statistiques et dirigés par MM. Marc Zolghadri (ISAE‑Supméca) et Maher Barkallah (co-tutelle avec l’Université de Sfax ENIS-Tunisie).

 

Résumé

L’amplification récente du phénomène de l’obsolescence est liée directement à la pénétration intensive de nouvelles technologies dans tous les secteurs d’activité (transport, aéronautique, etc.) et par conséquent dans tous les produits que nous utilisons. L’objectif principal de cette thèse est de proposer une méthodologie de prédiction dynamique permettant de prédire aussi précisément que possible l’occurrence d’une obsolescence et son évolution dans le temps. Pour atteindre cet objectif, trois contributions principales ont été réalisées : (i) la formalisation mathématique du degré d’obsolescence, (ii) la prédiction de son évolution dans le temps, et (iii) l’application des techniques d’apprentissage automatique pour améliorer la qualité de prédiction. Après avoir défini mathématiquement le degré d’obsolescence, comme indicateur clé d’obsolescence nous avons poursuivi deux objectifs liés. En premier lieu, il a été possible de poser sans ambiguïté le problème d’obsolescence en se basant sur les ventes. Cette modélisation a permis de quantifier le degré d’obsolescence en fonction du temps. Néanmoins, la formulation mathématique du degré d’obsolescence ne tient pas compte de nombreux facteurs dont leurs impacts sont complexes à modéliser. Nous avons donc eu recours aux techniques de l’intelligence artificielle afin d’accroître la qualité des prédictions. En effet, même si une dépendance directe entre l’évolution des produits concurrents et leur obsolescence respective peut être supposée, à notre connaissance aucune étude n’a apporté, au mieux des preuves et au pire des présomptions, de son existence. Nous avons alors cherché, dans la dernière partie de nos travaux, à modéliser et à prédire l’influence des produits concurrents sur l’obsolescence d’un produit. La qualité de toute technique de prédiction pouvant être jugée en comparant des résultats prédits et la réalité, pour pouvoir illustrer nos travaux, nous nous sommes intéressés aux smartphones. Ce choix a permis de valider les techniques de prédiction mises au point pour le cas des smartphones.

 

Mots-clés :

#obsolescence  #prédiction  #apprentissage  #automatique  #statistiques

 

 

Abstract :

The recent amplification of the obsolescence phenomenon is directly linked to the intensive penetration of new technologies in all sectors of activity (transport, aeronautics, etc.) and consequently in all the products we use. The main objective of this thesis is to propose a dynamic prediction methodology allowing to predict as precisely as possible the occurrence of an obsolescence and its evolution in time. To achieve this objective, three main contributions have been made: (i) the mathematical formalization of the obsolescence degree, (ii) the prediction of its evolution over time, and (iii) the application of machine learning techniques to improve the prediction quality. After having mathematically defined the obsolescence degree, as a key indicator of obsolescence we pursued two related objectives. First, it was possible to unambiguously pose the obsolescence problem based on sales. This modeling allowed us to quantify the obsolescence degree as a function of time. Nevertheless, the mathematical formulation of obsolescence degree does not take into account many factors whose impacts are complex to model. We therefore used artificial intelligence techniques to increase the quality of the predictions. Indeed, even if a direct dependence between the evolution of competing products and their respective obsolescence can be assumed, to our knowledge no study has brought, at best proof and at worst presumptions, of its existence. In the last part of our work, we then tried to model and predict the influence of competing products on a product’s obsolescence. As the quality of any prediction technique can be judged by comparing predicted results with reality, to illustrate our work, we were interested in smartphones. This choice allowed us to validate the prediction techniques developed for the case of smartphones.

 

Key words

#obsolescence  #prediction  #machine learning  #statistics