208 - Applications de l’apprentissage profond aux problématiques du génie logiciel et de la numérisation des processus industriels : enjeux et opportunités

Dans cette présentation, il sera question du défi—plate mais à mon sens fondamental–que représente la construction de logiciel, à partir d’un ensemble d’exigences. Ce sera une sorte de rétrospective historique partielle et biaisée du conférencier, permettant de: 1) situer ses travaux des 25 – 30 dernières années dans cette perspective, et 2) critiquer certaines “tendances lourdes” de recherche en génie logiciel, dont les patrons de conception et la recherche empirique en génie logiciel.

Récemment, une attention accrue a été accordée aux techniques de détection d'anomalies dans les systèmes informatiques basées sur le traçage des logiciels et l'intelligence artificielle. Ces techniques peuvent contribuer à de nombreuses tâches allant de la prédiction des bogues à la cybersécurité. Dans cette présentation, on commencera par passer en revue les techniques de détection d’anomalies. Par la suite, on présentera les résultats de deux projets de recherche qui portent sur plusieurs aspects de cette problématique, des techniques d’abstraction de données, à la combinaison des méthodes d’apprentissage profond. On parlera des décisions de conception auxquelles on a été confronté et les solutions qu’on a proposées. À la fin de la présentation, nous aborderons les tendances futures et les défis à relever.

La mise en œuvre d’une solution logicielle pour combler des besoins d’affaires est un processus complexe qui comporte trois grandes étapes, typiquement, une étape de description des besoins dans un cahier des charges, une étape de traduction des besoins en modèle et une étape de production de code. La deuxième étape est une phase critique du processus puisque c’est elle qui permet de passer d’un langage naturel à un langage formel, ce qui autorise ensuite l’automatisation de la troisième étape. Le problème de l’automatisation de cette deuxième étape a déjà été adressé depuis une quinzaine d’années. Les approches reposent sur des principes communs qui impliquent des phases d’analyse lexicale, syntaxique et sémantique puis l’application de règles sur ces résultats préliminaires afin de déceler des sous-structures de modèles UML. Ces études ont généralement recours à des restrictions sur le niveau d’automatisation du processus, sur la complexité des phrases employées, sur le recours à des modules externes, et les résultats obtenus sont encore perfectibles. Nous proposons une nouvelle approche basée sur l’apprentissage profond pour découvrir des modèles formels à partir de cahiers des charges écrits en langage naturel, sans restriction de langage, sans étape préliminaire et sans recours à des modules externes. L’approche s’attache à découvrir les mentions d’intérêts dans le texte et à extraire les relations entre celles-ci afin de produire un modèle UML de manière automatique.

Plusieurs pays dans le monde ont développé une stratégie numérique pour accroître la visibilité de la marque de leurs pays dans les réseaux sociaux. Cependant, cette stratégie reste insuffisante puisque les nouvelles attentes des clients demandent de plus en plus l’exploitation de IA dans le secteur du tourisme. En effet, l’IA peut être exploitée par exemple comme outil de recommandation ou comme assistants personnels.

En appliquant le concept d’intelligence pour répondre aux besoins des voyageurs avant, pendant et après leur voyage, les destinations pourraient accroître leur compétitivité. Ceci demande le développement d’applications mobiles offrant des fonctionnalités pour un tourisme intelligent. Le développement de ce genre d’applications mobiles demande un investissement en ressources humaines avec des expertises non seulement en développement logiciel, mais aussi en IA. 

Une des solutions possibles pour réduire le coût de cet investissement est la construction d’une usine de logiciels pour le développement de ce genre d'applications.

Dans cette présentation nous allons présenter les enjeux rencontrés dans le développement d’applications mobiles pour un tourisme intelligent. Par la suite nous allons présenter une ébauche de notre vision d’une usine logicielle permettant de réduire l’effort de développement de ce genre d’applications.

L'évolution des systèmes hérités est une des préoccupations majeures du génie logiciel. C’est une activité rendue complexe par les années d’évolution mal documentées des fonctionnalités, la disparition de certaines technologies et de l’expertise qui l’accompagne. Pour remédier à ce problème, l’OMG a proposé l’approche ADM (Modernisation dirigée par une architecture de modèles), qui consiste à extraire du code les modèles nécessaires pour une approche d’ingénierie dirigée par les modèles (IDM).

La détection de clones est un des moyens pouvant être utilisés pour réaliser l’extraction de fonctionnalités similaires à partir du code source. La difficulté de détection de clones varie beaucoup en fonction des variations présentes dans les différents clones. Il s’avère que pour les types de clones complexes impliquant les méthodes basées sur les graphes de dépendance sont celles qui offrent une meilleure précision. 

Les travaux réalisés sur l’utilisation de l’apprentissage profond pour la détection de clones à partir d’arbre syntaxique ont démontré l’intérêt de l’utilisation de plongements pour identifier et classifier les clones. Cependant, la portée de ces expériences n’a pas permis de comparer l’efficacité de cette méthode. 

L’objectif de cette recherche est de développer une nouvelle approche permettant d’identifier et de classifier rapidement les différents clones contenus dans le code d'une application afin d’extraire les modèles nécessaires à l’application d’un processus IDM.