Objectifs :
Les systèmes organisationnels (hôpitaux, réseaux logistiques, sites industriels) sont régis par des centaines de règles de décision que leurs opérateurs formalisent rarement. Les acteurs savent comment les choses fonctionnent, mais ce savoir est tacite : il réside dans l'expérience, non dans la documentation. Cela rend la construction de modèles prédictifs précis de ces systèmes véritablement difficile.
Notre objectif est de construire des jumeaux numériques qui apprennent ces règles de manière itérative, en observant l'écart entre ce que le modèle prédit et ce qui se produit réellement, puis en posant les bonnes questions aux bonnes personnes au bon moment. Le défi scientifique réside dans la formalisation de cette boucle : comment détecter les divergences significatives, comment les classifier, comment structurer l'élicitation, comment intégrer les connaissances des praticiens dans un modèle cohérent, et comment savoir quand le travail est terminé.
La mise en œuvre de cette boucle nécessite des méthodes en ligne et efficaces, s'appuyant sur des techniques d'IA telles que l'apprentissage incrémental, la détection d'anomalies en flux continu et des modèles prédictifs légers, afin d'assurer une adaptation continue à la réalité opérationnelle en temps réel. Deux cas d'usage réels de parcours de soins serviront de terrain de validation tout au long de la thèse.

Jalons :
· Modélisation des processus organisationnels sous forme de systèmes à événements discrets
· Conception de métriques de divergence entre comportement simulé et comportement observé
· Développement de protocoles structurés d'élicitation des connaissances avec les praticiens
· Mise en œuvre de méthodes efficaces, s'appuyant sur des techniques d'IA, pour intégrer les règles élicitées dans les jumeaux numériques
· Validation de la méthodologie complète sur des environnements de soins réels

École doctorale : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication Direction : Olivier CARDIN Financement : Rémunération dédiée à la préparation du doctorat