Thèse : Systematic Linking of Innovation Problems with pluridisciplinary Solution concepts based on Heterogeneous Multi-Domain Data Sources Using AI and TRIZ

Soutenance de thèse : Iliass AYAOU

Titre : Systematic Linking of Innovation Problems with pluridisciplinary Solution concepts based on Heterogeneous Multi-Domain Data Sources Using AI and TRIZ

La présentation sera en anglais et est également accessible en visioconférence.

Date et heure : Vendredi 19 Décembre 2025, à 9h00.

Lieu : Amphi De Dietrich, INSA Strasbourg, 24 Bd de la Victoire, 67000 Strasbourg, France.

Jury :

Directeur de thèse :

• Pr Denis CAVALLUCCI, Professeur, INSA Strasbourg

Rapporteurs :

• Pr Mauricio CAMARGO, Professeur, Université de Lorraine
• Pr Hervé PANETTO, Professeur, Université de Lorraine

Examinateurs :

• Pr Caterina RIZZI, Professeure, Università degli Studi di Bergamo
• Dr Jean-Charles LAMIREL, Maître de conférences (HDR), Université de Strasbourg
• Dr Hicham CHIBANE, Maître de conférences (HDR), INSA Strasbourg
• Dr Ahmed SAMET, Maître de conférences (HDR), INSA Strasbourg

Résumé :
Cette thèse étudie comment exploiter efficacement les données issues des brevets pour soutenir l’innovation systématique, malgré des corpus volumineux, hétérogènes et difficiles à analyser. Elle propose un ensemble cohérent de contributions couvrant la création de benchmarks,le développement de modèles d’analyse de brevets et la conception d’un système interactif pour explorer des solutions techniques entre domaines. Le benchmark DAPFAM permet d’évaluer clairement les performances en contexte intra-domaine et inter-domaine, montrant que la recherche de solutions analogues entre domaines reste nettement plus difficile. La suite d’évaluation PatenTEB et les modèles patembed explorent l’apport de l’apprentissage multi-tâches pour améliorer la généralisation externe. Sur ces bases, le système PatentSpark combine recherche automatique, expertise humaine et synthèse par modèles de langage afin de soutenir l’exploration et la génération de concepts techniques avec traçabilité complète. L’intégration de certaines étapes d’ARIZ-85C montre l’intérêt d’un raisonnement structuré pour obtenir des propositions plus inventives. Enfin, deux études de cas industrielles illustrent des workflows complets, depuis l’analyse du problème jusqu’à la production de prototypes physiques.

Mots clés : Extraction de brevets, extraction interdomaines, TRIZ, ARIZ, embeddings de brevets, systèmes à intervention humaine, Recherche d’information, Apprentissage multi-tâches, LLM