Déploiement automatisé et optimisé piloté par l'IA des Workloads Cloud-Native sur le continuum Device–Edge–Cloud

cette thèse aborde trois problèmes de recherche étroitement couplés, à l'intersection de l'Intelligence Artificielle et des opérations Cloud-Native sur le continuum Device–Edge–Cloud. Le premier problème concerne la génération automatisée d'artefacts Infrastructure-as-Code et de flux de déploiement, en s'appuyant sur une IA agentique reposant sur des Grands Modèles de Langage (LLM). Bien que les avancées récentes des LLM orientés code (par exemple Codex, CodeLlama, StarCoder et les modèles de la famille GPT) aient produit des résultats prometteurs en synthèse logicielle [14], [15], leur application aux langages d'infrastructure déclaratifs (YAML, HCL, charts Helm, opérateurs Kubernetes, playbooks Ansible) demeure immature, avec des taux d'erreur syntaxiques et sémantiques élevés, des ressources hallucinées et des politiques non vérifiées [6], [16]. Le deuxième problème porte sur l'optimisation pilotée par l'IA du déploiement des charges de travail dans des domaines fédérés multi-fournisseurs, en considérant conjointement l'état d'exécution des ressources device, edge et cloud (CPU, mémoire, énergie, bande passante réseau, disponibilité des accélérateurs et objectifs de niveau de service - SLO) capturé en continu via une télémétrie en temps réel [17], [18]. Les ordonnanceurs et stratégies de placement existants reposent soit sur des heuristiques statiques, soit sur des modèles d'apprentissage par renforcement qui se généralisent mal à un continuum hautement dynamique et hétérogène ; ils sont en outre incapables d'opérer à travers plusieurs domaines administratifs et traitent les considérations de fédération comme de nouveaux objectifs aux côtés des SLO traditionnels, ce qui élargit considérablement à la fois l'espace de recherche et la complexité calculatoire du problème de placement [19], [20]. Le troisième problème s'attaque à la confiance (trustworthiness) des artefacts d'infrastructure et de déploiement générés par des LLM, ainsi qu'aux systèmes agentiques qui les instancient et les orchestrent. Cela englobe la correction, la sécurité, la robustesse, l'explicabilité et la conformité aux politiques opérationnelles dans des environnements fédérés et multi-fournisseurs, propriétés indispensables avant toute adoption en production [21], [22], [23]. École doctorale : Sciences et Technologies de l'Information et de la Communication Direction : Ilhem FAJJARI Financement : Autre type de financement - Autre type de financement,