Forecasting pour l'innovation technologique duale dans les écosystèmes stratégiques

Forecasting for Dual Technological Innovation in Strategic Ecosystems

• Auteur / Autrice : Ariane Beaudoin-bussières
• Direction : Rob Vingerhoeds, Elise Vareilles
• Type : Projet de thèse
• Discipline(s) : Génie Industriel et Informatique
• Date : Inscription en doctorat le 26/08/2024
• Etablissement(s) : Université de Toulouse (EPE ; 2025-...)
• Ecole(s) doctorale(s) : École doctorale Systèmes
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA DECISIO DECIsion, Supervision et Interaction pour l'Opération de systèmes complexes
• Partenaire(s) de recherche : Equipe de recherche : ISAE/DISC/EDSYS/DECISIO Département d'Ingéniérie des Systèmes Complexes
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut supérieur de l'aéronautique et de l'espace (Toulouse ; 2007-....)

Mots clés

Mots clés libres

Ingénérie système

Prédiction

Approche holistique

Prise de décision

Moélisation

System Engineering

Prediction

Holistic Approach

Decision Making

Modelisation

Résumé

Anticiper les évolutions et innovations techniques et prévoir les problèmes d'obsolescence sont des enjeux déterminant pour les organisations publiques et privées travaillant dans le domaine de l'innovation duale. Pour être les meilleurs, les entreprises ont pour nécessiter d'identifier et d'appréhender les tendances futures avant les autres. Beaucoup d'entreprises s'appuient à la fois sur l'intuition des experts et des outils et méthodes quantitatives comme la veille technologique et scientifiques. Les directions stratégiques et/ou les directions générales ont alors la charge d'analyser des scenarii potentiels et permettent ainsi d'alimenter mais surtout d'éclairer la prise de décision stratégique. Un certain nombre de méthodes quantitatives d'anticipation technologique sont fondées sur l'analyse des données historiques et sont pensées pour permettre aux décideurs d'identifier un certain nombre d'évolutions types. A ce titre, on pense naturellement aux méthodes d'extrapolation des tendances. Ces méthodes ont, en effet, un avantage important par rapport aux méthodes purement qualitative d'anticipation : elles sont exemptes de biais subjectifs. Par ailleurs, pouvant être modélisé mathématiquement, ces méthodes peuvent faire l'objet d'outils automatisés à la portée des profils de décideurs non scientifiques. Bien que particulièrement développées dans le domaine industriel et de la défense, ces méthodes rencontrent un certain nombre de limites qui sont d'autant plus importantes que nous faisons face à un phénomène d'accélération des évolutions technologiques. L'inconvénient principal de ce type des méthodes réside dans sa simplicité. Tout d'abord, il y a toujours le risque (très fort) de l'émergence d'événements inconnus qui ont pour conséquence de faire changer de manière profonde les phénomènes d'évolutions technologique (les innovations de rupture, les crises économiques...). La solution, par nécessité, est alors l'intervention humaine pour ajuster le modèle mathématique. Ceci introduit, du même coup, de nouveaux biais... Dans l'ingénierie, les enjeux et problèmes de conceptions sont formulées souvent comme des problèmes d'optimisation, où les choix de conception sont codés sous forme d'évaluations de variables de décision et les mérites relatifs de chaque choix sont exprimés via une fonction utilité/coût sur les variables de décision. Dans la plupart des situations d'optimisation réelles, cependant, cette fonction de coût est multidimensionnelle. Une approche consiste à définir une fonction agrégée coût/utilité unidimensionnelle en prenant une somme pondérée des différents coûts. Chaque choix d'un ensemble de coefficients pour cette somme conduit à une solution optimale pour le problème unidimensionnel qui est une solution de Pareto pour le problème initial. D'autres modèles sont fondés sur la recherche heuristique et en particulier les algorithmes génétiques/évolutifs. Le principal problème de ces modèles repose sur la difficulté à trouver des éléments de mesures significatifs pour évaluer les solutions qu'ils se proposent de fournir. Les méthodes de forecasting (on utilise ici le terme d'anticipation) font l'objet de recherche dans différents domaines. Les travaux de Heidenberger et Stummer (1999) donnent un aperçu des méthodes quantitatives de sélection des projets de R&D et d'allocation des ressources. Ils décrivent les approches de la théorie des jeux comme celles qui est la plus optimale pour appréhender une organisation dans un écosystème stratégique où les compétiteurs co-agissent et ont, par le fait même de leurs actions pour survivre et/ou l'emporter, un effet sur eux-mêmes, sur l'écosystèmes et donc leurs concurrents. Cependant, l'écart reste important entre la complexité de la prise de décision dans la vie réelle et ce modèle. En 2017, Xiong et ses collègues ont proposé un modèle qui associe la théorie des jeux et le modèle de réseau afin d'appréhender la prise de décision stratégique en matière de système de systèmes d'armes (WSoS). En effet, avec le développement de l'armement, la planification en matière de systèmes de systèmes d'armes évolue dans un environnement de compétitions avec ce qu'on nomme la coévolution compétitive. Dans le vocabulaire de la théorie des jeux, on considère qu'il n'existe pas de solution optimale unique mais plutôt qu'il existe un ensemble de solutions efficaces ou solutions de Pareto qui sont caractérisées par le fait que leur coût ne peut être amélioré dans une dimension sans être dégradé dans une autre. L'ensemble de toutes les solutions de Pareto, le front de Pareto, représente les compromis du problème. Le fait de pouvoir échantillonner cet ensemble de manière représentative en tant que méthode de forecasting est un outil qui peut se révéler très précieux à l'anticipation stratégique. Une nouvelle approche en mathématiques appliquées est proposée au management, fondée sur l'estimation stochastique de l'évolution des frontières efficaces de Pareto à n dimensions. Avec une combinaison d'approches basées sur l'optimisation stochastique et l'intelligence artificielle, nous pourrons obtenir des résultats optimaux. Notre modélisation innovante prend en compte les interactions stimulées par la compétition inter-organisations dans un environnement stratégique ciblé. Nous prenons comme exemple principal le forecasting pour l'innovation dans les écosystèmes stratégiques de l'industrie aéronautique. Nous ciblons ainsi un écosystème avec lequel nous avons travaillé et avec des technologies duales que nous connaissons. Au plus près des attentes opérationnelles et industrielles, nous proposons un modèle dynamique prenant en compte la pleine complexité d'un écosystème stratégique fondamental pour la souveraineté française. La méthode interdisciplinaire se place dans le champ du management de projet et des outils qui y sont associés.

Anticipating technical developments and innovations, as well as foreseeing obsolescence issues, are critical challenges for public and private organizations working in the field of dual-use innovation. To be the best, companies need to identify and understand future trends before others do. Many companies rely on both the intuition of experts and quantitative tools and methods such as technological and scientific monitoring. Strategic management and/or general management are then responsible for analyzing potential scenarios, thus informing and guiding strategic decision-making. Several quantitative methods of technological forecasting are based on the analysis of historical data and are designed to help decision-makers identify various types of trends. In this regard, extrapolation methods naturally come to mind. These methods have a significant advantage over purely qualitative forecasting methods: they are free from subjective biases. Furthermore, since they can be mathematically modeled, these methods can be implemented in automated tools accessible to non-scientific decision-makers. Although these methods are particularly developed in the industrial and defense sectors, they face several limitations that become more significant as we encounter accelerated technological changes. The main drawback of these methods lies in their simplicity. Firstly, there is always a high risk of unforeseen events emerging, profoundly altering the technological evolution phenomena (disruptive innovations, economic crises...). The solution, by necessity, is human intervention to adjust the mathematical model, which introduces new biases. In engineering, design challenges and issues are often formulated as optimization problems, where design choices are encoded as evaluations of decision variables and the relative merits of each choice are expressed through a cost/utility function on the decision variables. In most real-world optimization scenarios, however, this cost function is multidimensional. One approach is to define a one-dimensional aggregate cost/utility function by taking a weighted sum of the different costs. Each choice of a set of coefficients for this sum leads to an optimal solution for the one-dimensional problem, which is a Pareto solution for the initial problem. Other models are based on heuristic search, particularly genetic/evolutionary algorithms. The main problem with these models is the difficulty in finding significant measurement elements to evaluate the solutions they propose. Forecasting methods are researched in various fields. The work of Heidenberger and Stummer (1999) provides an overview of quantitative methods for R&D project selection and resource allocation. They describe game theory approaches as the most optimal for understanding an organization in a strategic ecosystem where competitors co-act, and by their actions to survive and/or win, affect themselves, the ecosystem, and thus their competitors. However, there remains a significant gap between the complexity of real-life decision-making and this model. In 2017, Xiong and colleagues proposed a model that combines game theory and network models to understand strategic decision-making in weapon systems of systems (WSoS). With the development of armaments, planning for weapon systems of systems evolves in a competitive environment with what is called competitive coevolution. In game theory terminology, it is considered that there is no single optimal solution but rather a set of efficient solutions or Pareto solutions, characterized by the fact that their cost cannot be improved in one dimension without being degraded in another. The entire set of Pareto solutions, the Pareto front, represents the trade-offs of the problem. Being able to sample this set representatively as a forecasting method can be a very valuable tool for strategic anticipation. A new approach in applied mathematics is proposed for management, based on the stochastic estimation of the evolution of n-dimensional efficient Pareto frontiers. With a combination of approaches based on stochastic optimization and artificial intelligence, we can achieve optimal results. Our innovative modeling takes into account the interactions stimulated by inter-organizational competition in a targeted strategic environment. We use as a primary example forecasting for innovation in the strategic ecosystems of the aerospace industry. We target an ecosystem with which we have worked and with dual-use technologies that we know. Close to operational and industrial expectations, we propose a dynamic model that takes into account the full complexity of a strategic ecosystem fundamental to French sovereignty. The interdisciplinary method is placed in the field of project management and its associated tools.