Vers un apprentissage automatique fiable sous contrainte de changement de domaine et d'étiquetage coûteux. : Application à la conception produits

Dans le domaine de la conception de produits industriels, l'utilisation de modèles d'apprentissage automatique pour trouver des produits innovants pose des défis majeurs. L'efficacité des modèles d'apprentissage automatique a été démontrée lorsqu'ils sont entrainés et utilisés sur de grands ensembles de données d'observations distribuées de manière identique et indépendante. Cependant, dans le contexte de la conception produit, les modèles sont souvent déployés sur des distributions décalées, avec peu de données étiquetées disponibles. De plus, la fiabilité du modèle est fortement requise, car faire confiance à des prédictions erronées peut avoir des conséquences dommageables. Cette thèse relève le défi de fournir un modèle d'apprentissage automatique fiable sous les principales contraintes de la conception produit: le changement de domaine et l'étiquetage coûteux. En tirant parti de nouvelles contributions en adaptation de domaine, apprentissage actif et quantification d'incertitude, nous proposons une approche générique pour atteindre cet objectif. De plus, les contributions de cette thèse aux trois thèmes susmentionnés ont un impact au-delà du contexte industriel. Elles permettent d'atteindre des performances similaires ou meilleures avec moins de données et un temps de calcul réduit par rapport aux approches standards. En outre, la thèse fournit des outils accessibles à travers une bibliothèque d'adaptation de domaine et d'apprentissage par transfert appelée Adapt.