Gustavo Rodrigues dos Reis

Résumé de la thèse : 
Les modèles d’apprentissage profond (DL) constituent des outils puissants pour l’analyse des données, mais face à la multitude de modèles disponibles, il peut être difficile de déterminer lequel est le mieux adapté à un cas d’utilisation spécifique. Ce travail de thèse adapte les processus issus de la méthodologie du raisonnement à partir de cas (RàPC), qui cherche à résoudre de nouveaux problèmes en identifiant des problèmes similaires déjà résolus par le passé.Dans le contexte de cette thèse, un modèle DL est considéré comme une solution à un problème spécifique. L'approche conçue exploite ensuite les descriptions des métadonnées des modèles DL et des ensembles de données pour aider les utilisateurs à identifier, parmi les modèles existants, ceux qui sont pertinents pour leur cas d'utilisation. Compte tenu de l'évolution rapide du domaine, la conception du système proposé a donné la priorité à la modularité et à l'orchestration agile. La modularité est nécessaire pour intégrer de nouvelles architectures de modèles, de nouveaux ensembles de données et de nouveaux algorithmes de comparaison à mesure qu'ils sont développés, tandis que l'orchestration agile l'est pour isoler les composants logiciels, permettant ainsi d'échanger plus efficacement des modèles ayant des besoins d'exécution différents. Les composants de cette approche ont donc été prototypés au sein d'une plateforme hybride « no-code/low-code » dans le cadre d'une collaboration industrielle avec NAVER LABS Europe.

 

Mot clés : Raisonnement à partir de cas (RàPC), apprentissage profond, réutilisation d'artefacts logiciels, agilité des pipelines, modularité des composant logiciels, Curriculum Learning, Optimisation des hyperparamètre