Iliass Ayaou, doctorant de l'équipe ICube CSIP (Conception, Système d'Information et Processus inventifs), soutient sa thèse ayant pour titre Systematic Linking of Innovation Problems with pluridisciplinary Solution concepts based on Heterogeneous Multi-Domain Data Sources Using AI and TRIZ , le vendredi 19 décembre 2025 à 9h, à l'INSA Strasbourg (amphithéâtre de Dietrich). La présentation sera en anglais.

Composition du jury :

Directeur de thèse :
Pr Denis CAVALLUCCI, Professeur, INSA Strasbourg

Rapporteurs :
Pr Mauricio CAMARGO, Professeur, Université de Lorraine
Pr Hervé PANETTO, Professeur, Université de Lorraine

Examinateurs :
Pr Caterina RIZZI, Professeure, Università degli Studi di Bergamo
Dr Jean-Charles LAMIREL, Maître de conférences (HDR), Université de Strasbourg
Dr Hicham CHIBANE, Maître de conférences (HDR), INSA Strasbourg
Dr Ahmed SAMET, Maître de conférences (HDR), INSA Strasbourg

Résumé de la thèse 

Cette thèse étudie comment exploiter efficacement les données issues des brevets pour soutenir l’innovation systématique, malgré des corpus volumineux, hétérogènes et difficiles à analyser. Elle propose un ensemble cohérent de contributions couvrant la création de benchmarks,le développement de modèles d’analyse de brevets et la conception d’un système interactif pour explorer des solutions techniques entre domaines. Le benchmark DAPFAM permet d’évaluer clairement les performances en contexte intra-domaine et inter-domaine, montrant que la recherche de solutions analogues entre domaines reste nettement plus difficile. La suite d’évaluation PatenTEB et les modèles patembed explorent l’apport de l’apprentissage multi-tâches pour améliorer la généralisation externe. Sur ces bases, le système PatentSpark combine recherche automatique, expertise humaine et synthèse par modèles de langage afin de soutenir l’exploration et la génération de concepts techniques avec traçabilité complète. L’intégration de certaines étapes d’ARIZ-85C montre l’intérêt d’un raisonnement structuré pour obtenir des propositions plus inventives. Enfin, deux études de cas industrielles illustrent des workflows complets, depuis l’analyse du problème jusqu’à la production de prototypes physiques.

Mots clés : Extraction de brevets, extraction interdomaines, TRIZ, ARIZ, embeddings de brevets, systèmes à intervention humaine, Recherche d’information, Apprentissage multi-tâches, LLM

Thesis abstract:

This thesis investigates how patent data can be leveraged to support systematic innovation despite the scale, heterogeneity and domain-specific complexity of patent corpora. It presents a set of contributions including benchmark construction, model development and the design of an interactive system for exploring cross-domain technical solutions. The DAPFAM benchmark provides explicit in-domain and out-of-domain evaluation settings and shows that cross-domain retrieval remains substantially more difficult across lexical, dense and hybrid methods. The PatenTEB evaluation suite and the patembed model family examine how multi-task learning can improve external generalization. Building on these components, the PatentSpark system integrates computational retrieval, expert curation and LLM-based synthesis to support exploration and generation of technical concepts with full provenance tracking. The work also examines the integration of structured ARIZ-85C steps to improve inventiveness in solution proposals. Two industrial case studies demonstrate end-to-end workflows, from the initial problem to physical prototypes.

Keywords: Patent retrieval, Cross-domain retrieval, TRIZ, ARIZ, Patent embeddings, Human-in-the-loop systems, Large language models, Systematic innovation, Multi-task learning, Information retrieval