Thèse Système Cognitif Multi-Agents Fondé sur les Llm pour l'Analyse Proactive des Signaux Faibles dans la Logistique 5.0 H/F - Institut National Polytechnique de Toulouse

Établissement : Institut National Polytechnique de Toulouse
École doctorale : SYSTEMES
Laboratoire de recherche : LGP - Laboratoire Génie de Production
Direction de la thèse : Raymond HOUE NGOUNA ORCID 0000000324683283
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-31T23:59:59

Cette thèse s'inscrit dans le domaine de la supervision intelligente et de la résilience des systèmes industriels, à la croisée de l'intelligence artificielle cognitive et de la logistique prédictive. Elle vise à concevoir un système cognitif multi-agents fondé sur des Large Language Models (LLM), capable de détecter, d'interpréter et d'expliquer les signaux faibles de perturbation au sein des chaînes logistiques 5.0. L'objectif est de renforcer la continuité opérationnelle et la capacité d'adaptation des systèmes en intégrant à la fois les données issues des systèmes opérationnels (ERP, MES, IoT) et celles provenant de sources non structurées telles que les rapports, messages et notes de terrain. Les travaux de recherche porteront sur la modélisation des indicateurs sentinelles de continuité, la fusion sémantique de données multimodales, ainsi que sur la coopération entre agents intelligents spécialisés dans la perception, la corrélation, l'explication et l'interaction.
Un LLM spécialisé sera utilisé pour interpréter les informations textuelles et soutenir un assistant conversationnel explicatif facilitant la prise de décision humaine. L'approche proposée sera validée à travers le développement d'un service de jumeau numérique cognitif de la chaîne logistique, permettant la détection précoce des perturbations et l'évaluation de la robustesse du système. Cette recherche contribuera à l'émergence d'une logistique prédictive et explicable, où l'intelligence artificielle et l'humain collaborent pour anticiper les dérives et renforcer la résilience industrielle.

L'évolution vers la Logistique 5.0 marque une nouvelle étape dans la transformation des systèmes de production et d'approvisionnement. Elle se distingue de la logique purement automatisée de l'Industrie 4.0 en réaffirmant le rôle de l'humain, désormais intégré aux systèmes intelligents dans une approche de coopération cognitive. Dans ce paradigme, la logistique devient prédictive, durable et résiliente : il ne s'agit plus simplement d'exécuter des flux, mais de détecter de manière proactive les perturbations (ruptures d'approvisionnement, arrêts de ligne, incidents de maintenance, écarts qualité) et d'assister la prise de décision grâce à l'intelligence artificielle. Malgré la numérisation, les goulets d'étranglement de la production et de la chaîne logistique demeurent fragmentés entre plusieurs systèmes :
- ERP (Enterprise Resource Planning) pour la planification,
- MES (Manufacturing Execution System) pour la supervision de la production,
- WMS/TMS (Warehouse/Transport Management Systems) pour la gestion des stocks et du transport,
- et les plateformes IoT pour la surveillance en temps réel des équipements.
Parallèlement, un volume important d'informations non structurées - rapports d'incidents, échanges de courriels, fiches d'intervention, notes numériques ou retours d'opérateurs - contient des signaux faibles souvent précurseurs de perturbations, mais encore sous-exploités.
Ce décalage entre les systèmes opérationnels quantitatifs et la connaissance documentaire qualitative limite la capacité des organisations à anticiper les défaillances et à garantir une continuité opérationnelle robuste.

La thèse poursuit les objectifs scientifiques suivants :
(1) Définir et formaliser les indicateurs sentinelles de continuité (IS-C) en combinant les données opérationnelles quantitatives (ERP, MES, IoT) avec les informations qualitatives non structurées (rapports, messages, journaux).
(2) Concevoir une architecture cognitive multi-agents capable de surveiller en continu les flux d'informations, de détecter les déviations potentielles et d'interpréter leur signification opérationnelle. Chaque agent sera spécialisé dans une fonction donnée : perception, corrélation, diagnostic, explication ou interaction avec l'humain.
(3) Intégrer un modèle de langage de grande taille (LLM) spécialisé, adapté aux contextes industriels, en exploitant les techniques de Retrieval-Augmented Generation (RAG) et de fine-tuning pour favoriser la compréhension sémantique et l'explication conversationnelle.
(4) Développer un cadre de fusion sémantique multimodale reliant les données structurées (ERP/MES/IoT) et non structurées (documents, communications) au sein d'un graphe de connaissances dynamique, capturant les interdépendances, la temporalité et la causalité des événements logistiques.
(5) Valider expérimentalement le cadre proposé à travers un démonstrateur de jumeau numérique cognitif, permettant d'évaluer la détection précoce des perturbations, les capacités explicatives et les indicateurs de résilience (proactivité, fiabilité, confiance).

La méthodologie repose sur les composantes suivantes :
- la couche de données intègre les sources structurées et non structurées au sein d'une mémoire sémantique (Neo4j/RDF) ;
- la couche cognitive relie des agents spécialisés - agents techniques (DL/ML/GNN), agent interprète (LLM + RAG) et agent médiateur (CrewAI) ;
- et la couche d'interaction permet aux utilisateurs d'émettre des requêtes, de recevoir des alertes liées aux signaux faibles et de consulter un tableau de bord dynamique.

Cette architecture établit une boucle cognitive continue - allant de la perception des données et du raisonnement à l'interprétation centrée sur l'humain - posant ainsi les bases d'un jumeau numérique cognitif d'un système logistique résilient.

L'approche méthodologique proposée combine des techniques de détection d'anomalies temporelles (LSTM, Autoencoders, Prophet), des cadres de fusion sémantique et de graphes de connaissances (Neo4j, RDF/OWL, LlamaIndex), ainsi que des environnements conversationnels multi-agents (LangGraph, CrewAI) dédiés à la coordination, au raisonnement et au dialogue homme-IA.

Le(la) candidat(e) devra être titulaire d'un Master 2 ou d'un diplôme d'ingénieur dans l'un des domaines suivants :
- Intelligence artificielle, Data Science ou Informatique industrielle,
- Génie industriel, automatique ou systèmes complexes,
- ou équivalent, avec une forte appétence pour l'apprentissage automatique, la modélisation cognitive et la conception de systèmes distribués intelligents.
Une première expérience en programmation scientifique (Python, R ou MATLAB) et en manipulation de données issues de systèmes opérationnels (ERP, MES, IoT) est souhaitée.
Une expérience antérieure en développement de systèmes multi-agents (SMA) comme JADE, LangGraph ou CrewAI, ainsi qu'en simulation comme AnyLogic, serait un atout majeur.
Le(la) candidat(e) devra également démontrer un intérêt marqué pour les problématiques de continuité, de résilience et de décision augmentée dans les environnements industriels.