Digital continuity based on learning transformation models : A model-driven approach to interoperability
La continuité numérique basée sur l’apprentissage de modèles de transformation : Une approche d'interopérabilité dirigée par les modèles
Résumé
The digital transformation of industry is forcing companies to improve digital continuity within their organization by enhancing the ability of their distributed systems to communicate and coordinate their activities to ensure complex tasks, such as smart planning, anomaly detection, and ecological footprint reduction. In an unstable and highly heterogeneous digital environment that is constantly evolving both technically with the emergence of new technologies and organizationally with the increased demands for agility and adaptation of production chains, establishing and maintaining interoperability between systems is a crucial task. Model transformations (MT), the cornerstone of Model-Driven Architecture (MDA), could provide a concrete solution to the requirements of dynamic and sustainable interoperability between systems. A new paradigm using machine learning techniques could simplify the creation and maintenance of MT by automatically learning transformation rules between models. The two contributions in this manuscript are: (1) An application of the Reinforcement Learning (RL) principles, in particular Q-learning, is used to automatically derive transformation rules and learn reusable MT as interoperability functions between metamodels; (2) An experimental protocol to evaluate the ability of approaches to automatically construct MT and meet the requirements of Industry 4.0. A benchmark of existing approaches concludes this work, showing the effectiveness of RL techniques in learning the transformation rules that connect two domain modelling languages.
La transformation numérique de l'industrie oblige les entreprises à améliorer la continuité numérique au sein de leur organisation en renforçant la capacité de leurs systèmes distribués à communiquer et à coordonner leurs activités, afin d'assurer des tâches complexes, telles que la planification intelligente, la détection d'anomalies, ou encore, la réduction de l'empreinte écologique des processus industriels. Dans un environnement numérique instable et fortement hétérogène, en constante évolution tant sur le plan technique avec l'émergence de nouvelles technologies que sur le plan organisationnel avec les exigences accrues en matière d'agilité et d'adaptabilité des chaînes de production, l'établissement et le maintien de l'interopérabilité entre les systèmes est une tâche cruciale. Les transformations de modèles, pierre angulaire de l'Architecture Dirigée par les Modèles, pourraient apporter une solution concrète aux exigences d'une intéropérabilité dynamique et durable entre les systèmes. D'autant plus qu'un nouveau paradigme, utilisant des techniques d'apprentissage automatique, pourrait simplifier la création et la maintenance des modèles de transformation en apprenant automatiquement les règles de transformation entre les modèles. Deux contributions sont présentées dans de ce manuscrit: (1) Une application des principes de l'apprentissage par renforcement pour dériver automatiquement les règles de transformation et apprendre des modèles de transformation réutilisables en tant que fonctions d'interopérabilité entre les métamodèles ; (2) Un protocole expérimental pour évaluer et valider la capacité de l'approche proposée à automatiquement inférer des modèles de transformation tout en respectant les spécifications de l'Industrie 4.0. Un benchmark des approches existantes conclut ce travail, montrant l'efficacité des techniques d'apprentissage par renforcement dans l'apprentissage des règles de transformation qui relient deux métamodèles différents.
| Origine | Version validée par le jury (STAR) |
|---|