Contribution à la prédiction de l'obsolescence : approches basées sur les techniques d'apprentissage automatique et les statistiques

Contribution to obsolescence prediction : approaches based on machine learning techniques and statistics

• Auteur / Autrice : Imen Trabelsi
• Direction : Marc Zolghadri, Maher Barkallah, Besma Zeddini, Mohamed Amine Haddar
• Type : Thèse de doctorat
• Discipline(s) : STIC (sciences et technologies de l'information et de la communication) - ED SI
• Date : Soutenance le 09/05/2022
• Etablissement(s) : CY Cergy Paris Université en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Quartz (Saint-Ouen, Seine-Saint-Denis) - Systèmes et applications des technologies de l'information et de l'énergie (Gif-sur-Yvette, Essonne ; 2002-....)
• Jury : Président / Présidente : Claude Baron
• Jury : Examinateurs / Examinatrices : Marc Zolghadri, Maher Barkallah, Besma Zeddini, Mohamed Amine Haddar, Anis Chelbi, Ali Akrout, Frédéric Kratz
• Jury : Rapporteurs / Rapporteuses : Claude Baron, Anis Chelbi

Mots clés

Mots clés libres

Prédiction

Obsolescence

Apprentissage automatique

Statistiques

Prediction

Obsolescence

Machine learning

Statistics

Résumé

L'obsolescence est aujourd'hui un concept familier pour les consommateurs. Toutefois, les industriels le connaissent depuis bien longtemps dû notamment aux problèmes qu'elle génère. L'amplification récente du phénomène est liée directement à la pénétration intensive de nouvelles technologies dans tous les secteurs d'activité (transport, domotique, etc.) et par conséquent dans tous les produits que nous utilisons. Ce qui conduit le consommateur à modifier ses habitudes et/ou les produits qu'il utilise. Plus largement, l'obsolescence crée de nouveaux défis commerciaux, techniques et scientifiques. Dans ce contexte, de nombreux travaux ont cherché à déterminer les méthodes et techniques d'une gestion efficace de l'obsolescence. Ils ont ainsi démontré que la prédiction de l'obsolescence conduit à une gestion plus efficace de risques.Cependant, les techniques de prédiction proposées déterminent la probabilité d'occurrence de l'obsolescence à un moment donné sans aucune indication quant à son évolution possible dans le temps. Ce qui réduit grandement les possibilités d'exploitation de ladite prédiction pouvant être qualifiée de "statique".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 technique d'IA pour améliorer la qualité de prédiction.Après avoir défini mathématiquement le degré d'obsolescence, noté "OD", 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, noté "OD(t)". Néanmoins, la formulation mathématique du degré d'obsolescence ne tient pas compte de nombreux facteurs dont leurs impacts sont complexes à modéliser. Aussi, nous avons eu recours aux techniques de l'intelligence artificielle afin d'accroître la qualité des prédictions.La qualité de toute prédiction dépend des phénomènes qu'il est nécessaire de modéliser. L'évolution du degré de l'obsolescence d'un produit est influencée par sa structure interne (ses architectures physique et fonctionnelle) mais aussi par la dynamique du marché concurrentiel pour lequel il est destiné. Nos travaux ont été alors focalisés uniquement sur le deuxième aspect. Nous avons étudié l'évolution de l'obsolescence en fonction de l'introduction de nouveaux produits. 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, produits emblématiques de l'un des marchés les plus dynamiques de produits manufacturés et soumis à l'évolution la plus fréquente des technologies et par conséquent obsolescences très régulières. Ce choix a permis de valider les techniques de prédiction mises au point pour le cas des smartphones. Aussi, sans avoir apporté des preuves formelles des dépendances citées plus haut, les conclusions de ces études peuvent être considérées comme des hypothèses de départ pour des études de l'obsolescence d'autres types de produits et de systèmes.

Obsolescence is now a familiar concept for consumers. However, manufacturers have been aware of it for a long time due to the problems it generates. The recent amplification of the phenomenon is directly linked to the intensive penetration of new technologies in all sectors of activity (transport, home automation, etc.) and consequently in all the products we use. This leads consumers to change their habits and/or the products they use. More broadly, obsolescence creates new commercial, technical and scientific challenges. In this context, many studies have sought to determine the methods and techniques for effective obsolescence management. They have shown that obsolescence prediction leads to more efficient risk management.However, the proposed prediction techniques determine the probability of occurrence of obsolescence at a given time without any indication of its possible evolution in time. This greatly reduces the possibilities of exploitation of the said prediction which can be qualified as "static".The main objective of this thesis is to propose a dynamic prediction methodology allowing to predict as precisely as possible the occurrence of obsolescence and its evolution in time. To achieve this objective, three main contributions have been made: (i) the mathematical formalization of the degree of obsolescence, (ii) the prediction of its evolution in time, and (iii) the application of AI techniques to improve the quality of prediction.After having mathematically defined the degree of obsolescence, noted "OD", 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 degree of obsolescence as a function of time, noted "OD(t)". Nevertheless, the mathematical formulation of the degree of obsolescence does not take into account many factors whose impacts are complex to model. Therefore, we used artificial intelligence techniques to increase the quality of the predictions.The quality of any prediction depends on the phenomena that need to be modeled. The evolution of the degree of obsolescence of a product is influenced by its internal structure (its physical and functional architectures) but also by the dynamics of the competitive market for which it is intended. Our work was then focused only on the second aspect. We studied the evolution of obsolescence according to the introduction of new products. 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 evidence 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 the obsolescence of a product. The quality of any prediction technique can be judged by comparing predicted results with reality. To illustrate our work, we were interested in smartphones, emblematic products of one of the most dynamic markets of manufactured products and subject to the most frequent evolution of technologies and therefore very regular obsolescence. This choice allowed us to validate the prediction techniques developed for the case of smartphones. Also, without having provided formal proof of the dependencies mentioned above, the conclusions of these studies can be considered as starting hypotheses for studies of obsolescence of other types of products and systems.