Etudiant : ELBEKKALI AYMANE

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. SATORI KHALID

Annèe : 2026

Résumé : Dans les industries fortement réglementées telles que l’aéronautique, les audits qual ité génèrent d’importants volumes de constats textuels dont l’analyse reste large ment manuelle, lente et sensible à la variabilité entre analystes. Ce projet de fin d’études, réalisé au sein du département QBSR (Quality Upgrade and Lifecycle Ser vices) d’Airbus, conçoit et industrialise une chaîne de traitement automatique du lan gage naturel (TALN) de bout en bout pour l’analyse intelligente des constats qualité gérés sur la plateforme de données Skywise. La chaîne combine trois composants d’apprentissage automatique complémentaires, un module de recherche sémantique fondé sur le modèle Qwen3-Embedding-0.6B et un index FAISS, un classifieur de causes racines en apprentissage few-shot basé sur SetFit, et un détecteur d’anomalies temporelles couplant un auto-encodeur variationnel à un encodeur Transformer, ainsi qu’une couche d’analyse assistée par IA qui agrège leurs résultats. Le système est en traîné dans un Skywise Code Workspace et déployé sous la forme d’une application web full-stack (backend FastAPI, frontend React) capable de fonctionner sur un or dinateur portable sans GPU. Toutes les expériences reposent sur un jeu de données synthétique reproduisant la structure et le vocabulaire des constats Skywise réels. Sur ce jeu de données, la mise à niveau des embeddings améliore la séparation des clus ters de 310% par rapport à une référence bge-small-en-v1.5, le classifieur few-shot atteint un F1 macro de 0,999 ± 0,002 sur cinq tirages aléatoires (présenté explicite ment comme une borne supérieure gonflée par les données synthétiques), et le VAE Transformer, comparé aux références Mann-Kendall et Isolation Forest, détecte un motif non monotone qu’aucune des deux références ne repère