Thèse Intégration des Exigences de Durabilité pour l'Analyse et la Réingénierie Continue des Processus Métiers H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris Télécom SudParis École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux Direction de la thèse : Walid GAALOUL ORCID 000000030451532X Début de la thèse : 2026-11-01 Date limite de candidature : 2026-11-01T23:59:59 Cette thèse porte sur l'intégration des exigences de durabilité dans l'analyse, l'évaluation de la conformité et la réingénierie continue des processus métiers. Dans un contexte où les organisations doivent répondre à des exigences croissantes en matière de durabilité, notamment sous l'effet de nouvelles réglementations, il devient nécessaire de disposer de méthodes permettant de relier les exigences réglementaires aux processus métiers réellement exécutés.

L'objectif de la thèse est de proposer une approche agentique permettant d'extraire et de formaliser les exigences de durabilité issues de sources réglementaires, puis de les mettre en relation avec les modèles de processus et les traces d'exécution. Cette approche vise à permettre une évaluation multidimensionnelle de la conformité des processus, l'identification des risques et écarts par rapport aux exigences de durabilité, ainsi que la formulation de recommandations pour leur réingénierie continue.

La démarche scientifique s'appuiera sur la combinaison de plusieurs techniques : traitement automatique du langage naturel et analyse de textes pour l'extraction des exigences réglementaires, représentations sémantiques et graphes de connaissances pour leur formalisation et leur mise en relation avec les processus, process mining pour l'analyse des traces d'exécution, ainsi que règles métier, apprentissage automatique et grands modèles de langage pour le raisonnement et la génération de recommandations. Une attention particulière sera portée à la traçabilité des résultats, à la reproductibilité des analyses et à l'intervention d'experts humains dans la validation des exigences, des résultats d'analyse et des recommandations.

La thèse cherchera notamment à définir un métamodèle des exigences de durabilité, à construire une représentation des connaissances réglementaires et à établir des mécanismes d'alignement entre exigences, modèles de processus et données d'exécution. Elle développera ensuite des méthodes d'évaluation de la conformité et des risques, ainsi que des mécanismes permettant d'identifier et de proposer des évolutions des processus lorsque ceux-ci ne satisfont pas les exigences identifiées.

L'approche proposée vise ainsi à établir une chaîne intégrée et traçable reliant les sources réglementaires, les exigences de durabilité, les modèles de processus et leur exécution réelle. Les travaux contribueront à rapprocher les domaines du Business Process Management, du process mining, de l'intelligence artificielle, de l'analyse de textes et de la représentation des connaissances, afin de soutenir une évolution continue des processus métiers en réponse aux exigences de durabilité et à leur évolution réglementaire. Les entreprises s'appuient sur des processus métier pour organiser leurs activités et coordonner les personnes, les systèmes d'information et les équipements mobilisés. Le Business Process Management (BPM) vise à modéliser, analyser, piloter et améliorer ces processus. Parmi ses principales approches, le process mining exploite les traces numériques produites par les systèmes d'information pour reconstituer les processus tels qu'ils sont effectivement exécutés et comparer leur fonctionnement aux modèles ou aux objectifs attendus [15,16]. Ces traces comprennent généralement des données structurées, telles que les identifiants de dossiers, les dates, les actions et les statuts, mais aussi des informations textuelles, comme des commentaires, des comptes rendus ou des réclamations.

L'analyse des processus s'est traditionnellement concentrée sur des critères opérationnels et économiques [15,16], tels que les coûts, les délais, la productivité et les taux d'erreur. Bien qu'essentiels, ces critères ne suffisent pas à rendre compte de l'ensemble des effets et des risques associés aux activités des organisations. Les processus doivent également être évalués au regard d'exigences de durabilité, entendues ici dans une acception multidimensionnelle qui inclut notamment la protection de l'environnement, la santé et la sécurité des personnes, ainsi que la conformité réglementaire [9-14]. Selon le secteur et le processus considéré, ces exigences peuvent concerner, par exemple, la maîtrise des nuisances, la prévention des risques sanitaires, la gestion de substances dangereuses, la protection des riverains ou les conditions de travail. Ces exigences proviennent de sources diverses, (e.g. textes législatifs et réglementaires, normes, référentiels ou règles internes) qui sont souvent volumineuses, hétérogènes et susceptibles d'évoluer. Des référentiels tels que le Global Reporting Initiative (GRI) proposent notamment des indicateurs pour structurer l'évaluation des performances en matière de durabilité [8]. Leur prise en compte ne se limite pas à repérer des termes pertinents : elle suppose d'identifier la portée des obligations, les acteurs concernés, les conditions d'application, les seuils ou fréquences prescrits, ainsi que les éventuelles exceptions et conséquences d'un manquement [7]. En parallèle, les traces d'exécution sont dispersées entre plusieurs systèmes et peuvent contenir des informations incomplètes ou non structurées. Les commentaires en langage naturel sont notamment susceptibles de signaler des écarts, des incidents ou des effets vécus par les personnes, sans que ces éléments soient directement représentés dans les données classiques d'analyse.

Il existe ainsi un enjeu de rapprochement entre les exigences de durabilité formulées dans des sources réglementaires et les événements observés lors de l'exécution des processus. Une telle mise en relation pourrait permettre de dépasser une évaluation limitée à la performance économique, en détectant des situations susceptibles de révéler un risque de non-conformité ou un impact environnemental ou social [9-14]. Elle pourrait également éclairer la réingénierie des processus, en aidant à définir des mesures correctives ou préventives adaptées aux exigences applicables [11,12]. Toutefois, l'évolution des textes et la diversité des données d'exécution rendent nécessaire une approche capable de maintenir ce rapprochement dans le temps. Les techniques d'extraction d'exigences et les grands modèles de langage peuvent contribuer à l'analyse de ces sources, mais leur utilisation doit être accompagnée de mécanismes de validation, de traçabilité et de contrôle [1-7]. La structuration de ces informations au moyen de graphes de connaissances peut également faciliter leur mise en relation, leur mise à jour et leur exploitation [19,20]. Dans cette perspective, l'intégration des exigences de durabilité à l'analyse et à la réingénierie des processus constitue un enjeu important, à l'intersection du BPM, du process mining, de l'analyse des textes et du traitement des données non structurées.

Le candidat devra disposer d'une formation de niveau ingénieur ou master en informatique, en intelligence artificielle, en science des données ou dans un domaine connexe. Une bonne maîtrise de la programmation, de l'analyse de données et des méthodes d'intelligence artificielle est attendue. Des connaissances ou un intérêt pour le Business Process Management (BPM), le process mining, le traitement automatique du langage (NLP) et les modèles de langage (LLM) seront appréciés. Le candidat devra également faire preuve de capacités d'analyse, de rigueur scientifique, d'autonomie et d'aptitudes à la recherche, ainsi que d'un intérêt pour les problématiques interdisciplinaires associant informatique, processus métier et durabilité. La maîtrise de l'anglais scientifique, à l'écrit comme à l'oral, est nécessaire pour la lecture de la littérature scientifique et la valorisation des travaux.

• Programmation
• Anglais
• Intelligence artificielle
• Autonomie
• Machine learning
• Analyse de données
• Esprit d'analyse