From the LABFor the floor
Deux axes de recherche appliquée : l’ingénierie logicielle souveraine et les sciences du facteur humain industriel.
Des questions de recherche encore ouvertes, confrontées au réel industriel. Des verrous qui ouvrent la voie à de nouvelles approches.
L’enjeu ?Réinventer l’intelligence industrielle.
Entrer dans les travauxNotre point de départ
Pourquoi les outils industriels accusent-ils toujours un temps de retard sur les technologies que les collaborateurs utilisent chaque jour dans leur vie personnelle ?
Cette question est à l’origine de tout. Notre pôle R&D existe pour y répondre — méthodiquement, rigoureusement et sur le long terme.
Le constat
L’industrie investit. Elle se digitalise. Pourtant, les gains attendus peinent encore à se matérialiser sur le terrain. Les outils ont été conçus pour les processus — rarement pour celles et ceux qui les font vivre.
Le symptôme
Des KPI produits pour les réunions, parfois si complexes à calibrer qu’ils sont déjà obsolètes lorsqu’ils sont analysés. Pendant ce temps, une partie de la réalité du terrain demeure invisible.
L’héritage
Des applications d’ancienne génération, enrichies couche après couche — puissantes sur le papier, mais devenues lourdes, fragmentées et rigides à l’usage.
L’enjeu
Ce potentiel humain encore inexploité représente une création de valeur considérable. C’est aussi une opportunité : concevoir une industrie qui parle enfin le langage d’une nouvelle génération.
C’est dans cet écart — entre les systèmes, les usages et la réalité du terrain — que commencent nos travaux de recherche.
Nos convictions
L’industrie a été la grande oubliée du numérique
De nombreux environnements industriels reposent encore sur des architectures anciennes, parfois modernisées uniquement en surface.
On demande encore aux collaborateurs de s’adapter aux outils — rarement l’inverse.
Le contexte est la donnée manquante
Les systèmes industriels enregistrent les informations nécessaires à leur propre fonction. L’ERP représente la gestion, la GMAO la maintenance, le MES la production, les outils qualité les contrôles et les écarts.
Le contexte complet d’une situation ne réside dans aucun de ces systèmes pris isolément. Il se trouve dans les relations entre leurs données, les actions réalisées et les observations du terrain.
L’enjeu n’est pas seulement de réunir davantage de données, mais de préserver les relations qui leur donnent du sens.La souveraineté est une condition de maîtrise
Les données de production révèlent les procédés, les performances, les vulnérabilités et une partie des avantages compétitifs d’un site.
Pour les industries critiques, leur maîtrise ne peut être dissociée des choix d’architecture, d’hébergement et de juridiction.
Le numérique industriel doit aussi être sobre
La circulation des données, le calcul, le stockage et les infrastructures réseau ont eux aussi une empreinte.
Concevoir des systèmes plus sobres sans compromettre leur fiabilité constitue un véritable sujet de recherche.
C’est une responsabilité, pas un argument.Phase 0 · Recherche & Technologie
La recherche commence en amont.
Les décisions les plus structurantes sont souvent prises avant même le lancement officiel d’un projet. Lorsque le besoin, les usages et l’architecture sont encore ouverts, il est possible d’interroger les hypothèses et de confronter les premières orientations à la réalité du système.
Réduire les incertitudes
Observer le système dans son ensemble. Distinguer les connaissances établies des hypothèses. Identifier les contraintes, les risques et les verrous qui conditionnent réellement le projet.
- Observer
- Cadrer
- Formuler
- Expérimenter
Faire converger l’architecture
Confronter les scénarios aux résultats obtenus. Écarter les hypothèses qui ne résistent pas à l’expérimentation et construire une trajectoire cohérente avec le niveau de maturité réellement démontré.
- Mesurer
- Comparer
- Décider
- Orienter
Un choix pris tôt ne doit pas seulement être plausible. Il doit pouvoir être interrogé, expérimenté et défendu.
Socle technologique · Pôle R&D
PULSAR — Le socle qui rend l’exploration possible.
Un middleware industriel temps réel conçu en C++ pour expérimenter sur des systèmes distribués, la cohérence d’état, la souveraineté et l’intelligence embarquée.
TRL 9 · Déployé
PULSAR
Middleware industriel temps réel
- Synchronisation d’état réactive et source de vérité cohérente.
- Cryptographie et contrôle de la donnée intégrés à l’architecture.
- Core C++ et langage métier dédié.
TRL 3 · En développement
PULSAR MAINT LM
IA de maintenance industrielle
- Modèle spécialisé sur le diagnostic et les procédures industrielles.
- Raisonnement augmenté par des outils déterministes.
- Vérification logique, sécurité et traçabilité.
TRL 3 · En développement
PULSAR IA EDGE
Autonomie sur le terrain
- Distillation en modèles légers pour les sites isolés.
- Fonctionnement local et hors ligne.
- Réduction des dépendances réseau et cloud.
Axe 01 · Ingénierie logicielle souveraine
Ingénierie logicielle souveraine
Explorer les architectures qui rendent les systèmes industriels plus réactifs, vérifiables, autonomes et sobres.
Souveraineté logicielle en environnement distribué
Comment maintenir la maîtrise technique et juridique des données industrielles tout en conservant des performances temps réel sur un réseau multi-sites ?
Un enjeu d’autonomie stratégique et de continuité opérationnelle pour les environnements sensibles.
Sobriété computationnelle sans perte de fidélité
Comment réduire fortement les flux d’un système distribué sans dégrader la cohérence de l’information ?
Diminuer les coûts d’infrastructure, l’empreinte énergétique et la dépendance réseau.
Architectures d’IA embarquée à faible empreinte énergétique pour systèmes temps réel contraints.
Distillation de LLM pour déploiement hors ligne
Comment compresser un modèle tout en conservant ses capacités de diagnostic industriel spécialisé ?
Une condition nécessaire au déploiement d’une IA directement sur site, sans dépendance permanente au cloud.
Modèles de distillation pour déploiement edge en environnement industriel hors ligne.
Raisonnement hybride déterministe–probabiliste
Comment articuler le raisonnement probabiliste d’un modèle avec des normes, règles métier et modèles physiques déterministes ?
Chaque recommandation doit rester traçable, vérifiable et compatible avec les exigences d’un environnement critique.
Systèmes de raisonnement hybride pour une IA industrielle fiable.
Axe 02 · Sciences du facteur humain industriel
Sciences du facteur humain industriel
Comprendre comment les acteurs industriels produisent, transmettent et transforment la connaissance au cours du travail réel.
L’humain comme capteur
Comment transformer des observations naturelles et des connaissances tacites en informations exploitables, sans ajouter de charge déclarative ?
Les systèmes ne peuvent analyser que ce qu’ils savent déjà observer. Une partie décisive du réel reste portée par les acteurs.
Capture de la connaissance tacite par des interfaces adaptatives en milieu industriel.
Industrial Threading — préserver le contexte
Comment préserver les relations entre les représentations gestion, production, maintenance, qualité et activité réelle d’une même situation ?
Chaque système décrit justement une partie du réel. L’intelligence se trouve aussi dans les relations entre ces points de vue.
Modélisation d’un fil industriel reliant action, environnement, intention et conséquence.
Engagement durable dans les systèmes industriels
Comment concevoir des mécanismes de progression et de reconnaissance sans accoutumance, manipulation ni déplacement de la motivation ?
L’adoption ne se décrète pas : elle dépend de l’utilité perçue, de l’autonomie et de la reconnaissance du travail réel.
Compétences observables et données d’exécution
Comment construire une représentation vérifiable des compétences à partir de situations réelles sans réduire l’humain à une métrique ?
Un sujet à l’intersection de la connaissance, de l’éthique, de l’évaluation et de l’organisation du travail.
Référentiels de compétences fondés sur des preuves d’exécution contextualisées.
Travaux ouverts
Des questions à instruire avec d’autres disciplines.
Certains travaux peuvent donner lieu à des échanges académiques, des terrains d’expérimentation, des thèses ou des programmes collaboratifs.
- Systèmes distribués
- IA fiable
- Edge computing
- Facteurs humains
- Sciences cognitives
- Ergonomie industrielle