Extraction et gestion de la connaissance client par des méthodes d’apprentissage non supervisées

Customer Knowledge Extraction and Management through Unsupervised Learning Methods

• Auteur / Autrice : Axel Guerin
• Direction : Frédéric Saubion, Pierre Chauvet
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 08/04/2021; Soutenance le 19/01/2026
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes)
• Partenaire(s) de recherche : Equipe de recherche : LERIA - Laboratoire d'Etude et de Recherche en Informatique d'Angers
• Partenaire(s) de recherche : Entreprise : Sté OCTAVE

Mots clés

Mots clés libres

Self-Organizing Maps

Optimisation

Cma-es

Segmentation

Intelligence artificielle

Données hétérogènes

Self-Organizing Maps

Optimization

Cma-es

Segmentation

Artificial intelligence

Heterogeneous data

Résumé

Cette thèse explore de nouvelles approches pour améliorer les cartes autoorganisatrices (Self-Organizing Maps, SOM) dans un contexte industriel de forte hétérogénéité des données. Après une étude approfondie des fondements théoriques et des méthodes d’optimisation, plusieurs contributions sont proposées : une gestion unifiée des données manquantes, qualitatives, textuelles et temporelles ; un ensemble cohérent de métriques normalisées pour évaluer la qualité topologique et quantitative des cartes ; et une approche d’hyperparamétrage automatique via l’algorithme SMAC. La thèse introduit ensuite un paradigme alternatif : les SOM génératives continues, où les poids de la carte sont produits par une fonction neuronale paramétrée, optimisée sans gradient par CMAES. Cette reformulation améliore la compacité, la stabilité et la scalabilité du modèle. Enfin, la validation industrielle a permis de développer une application, intégrant des enrichissements de données, ainsi que des modules de segmentation ABC, RFM et SOM. Les résultats démontrent la pertinence scientifique et opérationnelle des approches proposées, conciliant rigueur algorithmique et applicabilité dans des environnements réels de décision.

This thesis explores novel approaches to improve Self-Organizing Maps (SOM) within an industrial context characterized by highly heterogeneous data. Following an in-depth study of the theoretical foundations and optimization methods, several contributions are proposed: a unified framework for handling missing, qualitative, textual, and temporal data; a consistent set of normalized metrics for assessing both topological and quantitative map quality; and an automatic hyperparameter optimization approach based on the SMAC algorithm. The thesis then introduces an alternative paradigm: continuous generative SOMs, in which the map weights are produced by a parameterized neural function optimized without gradients using the CMA-ES algorithm. This reformulation enhances model compactness, stability, and scalability. Finally, an industrial validation led to the development of an application integrating data enrichments, as well as ABC, RFM, and SOM segmentation modules. The results demonstrate the scientific and operational relevance of the proposed approaches, successfully combining algorithmic rigor with practical applicability in realworld decision-making environments.