• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2025ULILB035
• Type de thèse : Doctorat
• Date de soutenance : 21/11/2025

Résumé en langue originale

La convergence des technologies avancées - intelligence artificielle (IA), Internet des objets (IoT), cloud computing et analyse en périphérie - a accéléré la transformation de l'industrie manufacturière vers le paradigme numérique de l'Industrie 4.0. Au-delà de l'automatisation, la vision émergente de l'Industrie 5.0 met l'accent sur la durabilité, la conception centrée sur l'humain et la résilience des systèmes. Cette thèse contribue à cette évolution en développant des cadres robustes et explicables pour la surveillance, la détection des anomalies et la classification, adaptés aux deux domaines de la fabrication intelligente et de la santé.S'appuyant sur plus de dix ans d'expérience pratique en IA et alignée sur les objectifs stratégiques de la Chaire internationale en science des données et intelligence artificielle explicable (DS & XAI), cette recherche s'articule autour de trois piliers interconnectés. Premièrement, elle introduit des cadres adaptatifs et respectueux de la confidentialité pour la détection et la classification des anomalies, destinés aux applications de santé intelligentes, utilisant des techniques d'apprentissage fédéré et d'IA explicable. Ces modèles permettent une analyse décentralisée et en temps réel des données de santé sensibles, favorisant ainsi une prestation de soins prédictive et personnalisée.Dans un second temps, ces travaux favorisent l'intégration de l'IA dans les pratiques industrielles durables en améliorant la détection et le pronostic des anomalies dans la fabrication intelligente. En combinant l'apprentissage fédéré, la blockchain et les algorithmes d'apprentissage automatique, les systèmes proposés privilégient la sécurité, l'équité et la transparence - principes fondamentaux de l'Industrie 5.0 - tout en optimisant l'efficacité des processus et la résilience opérationnelle.Troisièmement, la thèse exploite le calcul statistique et les statistiques industrielles - notamment les cartes de contrôle et l'analyse de fiabilité pour améliorer la surveillance des processus, le contrôle qualité et la prise de décision dans les environnements industriels. Ces méthodologies contribuent à l'objectif plus large de relier la recherche théorique en IA à des mises en œuvre pratiques et efficaces.Ces recherches sont étroitement liées au projet REVALOTEX (2023-2026) et bénéficient de collaborations internationales entre l'Université Dong A (Vietnam) et l'ENSAIT-Université de Lille (France), sous l'égide de la Chaire internationale ‘International Research Institute for Artificial Intelligence and Data Science' hébergée à l'Université de Dong A au Vietnam. Elles renforcent la mission de la Chaire: promouvoir une IA fiable, transparente, éthique et centrée sur l'humain, tout en contribuant à la formation des futurs leaders en systèmes d'IA durables. En formalisant ce travail par la Validation des Acquis de l'Expérience (VAE) et la recherche doctorale, cette thèse établit une base pour diriger une innovation transdisciplinaire et pertinente à l'échelle mondiale à l'ère de l'Industrie 5.0.

Résumé traduit

The convergence of advanced technologies- artificial intelligence (AI), the Internet of Things (IoT), cloud computing, and edge analytics innovations catalyzed the transformation of manufacturing into the digital paradigm of Industry 4.0. Moving beyond automation, the emergent Industry 5.0 vision emphasizes sustainability, human-centered design, and resilient systems. This thesis contributes to this evolving landscape by developing robust and explainable frameworks for monitoring, anomaly detection, and classification, tailored to the dual domains of smart manufacturing and healthcare.Grounded in over a decade of practical experience in AI and aligned with the strategic objectives of the International Chair in Data Science and Explainable Artificial Intelligence (DS & XAI), the research unfolds across three interconnected pillars. First, it introduces adaptive, privacy-preserving anomaly detection and classification frameworks for smart healthcare applications using federated learning and explainable AI techniques. These models enable real-time, decentralized analysis of sensitive health data, supporting predictive and personalized healthcare delivery.Second, the work advances AI integration into sustainable industrial practices by enhancing anomaly detection and prognostics in smart manufacturing. By combining federated learning, blockchain, and machine learning algorithms, the proposed systems prioritize security, fairness, and transparency—core principles of Industry 5.0—while also optimizing process efficiency and operational resilience.Third, the thesis leverages statistical computing and industrial statistics, including control charts and reliability analysis, to improve process monitoring, quality control, and decision-making in industrial environments. These methodologies contribute to the broader goal of bridging theoretical AI research with practical, impactful implementations.This research is closely connected to the REVALOTEX (2023-2026) project and benefits from international collaborations between Dong A University (Vietnam) and ENSAIT-University of Lille (France), under the auspices of the International Chair's International Research Institute for Artificial Intelligence and Data Science, hosted in Dong A University, Vietnam. It reinforces the Chair's mission of fostering Trustworthy, Transparent, Ethical, and Human-Centered AI while contributing to the training of future leaders in sustainable AI systems. By formalizing this work through the Validation of Acquired Professional Experience (VPA) and doctoral research, this thesis establishes a foundation for leading transdisciplinary and globally relevant innovation in the Industry 5.0 era.