Thèse CIFRE VALEO

Système d'amélioration de la fiabilité opérationnelle pour l'industrie automobile : analyse multimodale des verbatims clients et des données d'analyses physiques.
Doctorant : Madame Oumeima REKLAOUI en co-tutelle
Directeur de thèse : Abdessamad KOBI et Kamal REKLAOUI (ENSA Tetouan)
Co-encadrant : Laurent SAINTIS
Encadrement industriel : Rémi LARONDE (VALEO)

Début de thèse : septembre 2026

Équipe : Sûreté De Fonctionnement et aide à la Décision

Contexte industriel

En tant qu’équipementier automobile, VALEO doit garantir la fiabilité opérationnelle de ses pièces sur le terrain. Les retours d’expériences et en particulier les retours clients via la base de données « verbatims » et les analyses physiques des pièces défaillantes constituent des sources disponibles pour comprendre les modes de défaillance. Toutefois, la diversité et l’hétérogénéité des sources de données imposent d’aller au-delà d’une simple concaténation des informations.

Cependant, la diversité et la complexité des données automobiles – qu’il s’agisse de verbatims clients ou de résultats d’analyses physiques – exigent des modèles capables de traiter simultanément ces flux hétérogènes. Le recours à l’intelligence artificielle, et plus particulièrement à l’apprentissage profond couplé à des méthodes de fusion de données, offre une opportunité inédite d’améliorer la fiabilité opérationnelle et d’approfondir la connaissance des performances des pièces sur le terrain.

Contexte scientifique

Les approches traditionnelles de suivi de la fiabilité reposent encore majoritairement sur des méthodes réactives ou des analyses statistiques basiques voire approches classiques centrées sur les capteurs, Les modèles pré-entraînés tels que BERT et XLM-RoBERTa ont considérablement fait progresser la compréhension du langage, y compris dans des contextes multilingues.

De récentes études montrent l’efficacité du transfert learning dans l’extraction d’informations pertinentes à partir de corpus techniques, notamment pour la correction orthographique, la détection de la tonalité et l’extraction de relations sémantiques

Dans le cas de pièces défaillantes, l’étude des résultats d’analyses physiques (par exemple, tests mécaniques, microscopie, mesures de dégradation) nécessite des approches adaptées aux données structurées et non structurées. Des travaux récents soulignent l’importance de relier ces observations physiques aux verbatims pour une compréhension plus fine des causes profondes de défaillance et pour améliorer la fiabilité opérationnelle

La littérature récente met en avant la nécessité d’intégrer des données hétérogènes pour bâtir des systèmes robustes d’évaluation de la fiabilité. Les techniques d’attention cross-modale et la gestion des données manquantes ou désynchronisées figurent parmi les approches émergentes pour combiner efficacement les informations textuelles et physiques.

Par ailleurs, l’IA explicable (XAI) et la quantification de l’incertitude gagnent en importance afin de répondre aux exigences de transparence et de confiance dans l’industrie.

Ce projet de thèse CIFRE, Franco-Marocain vise à développer un système intégré d’amélioration de la fiabilité opérationnelle dans l’industrie automobile. En combinant les données de retours d’expériences (clients et concessionnaires) via des modèles de traitement du langage naturel (NLP multilingue) avec l’analyse physique des pièces défaillantes (tests mécaniques, analyses de défaillance, microscopie). L’objectif est de classifier les modes de défaillance, de corréler les symptômes textuels avec les résultats des analyses et d’optimiser les processus d’analyse des risques s’appuyant sur des techniques avancées telles que la fusion multimodale, l’IA explicable et l’apprentissage actif.

Descriptif du projet

 Après avoir établi l’état de l’art sur une base bibliographique en croisant les différents mots clés cités précédemment et qu’on peut les lister ci-dessous d’une manière non exhaustive

✔     Analyse des risques

✔     Analyse des données de retours clients

✔     Fiabilité opérationnelle

✔     Fusion multimodale des données

✔     Apprentissage profond

✔     Traitement du langage naturel

✔     IA de confiance

✔     …

 Il est envisagé d’adopter une démarche qui s’articulera autour de trois phases :