Thèse Année : 2025

AI Engineering Orchestrator : A Dual-Lens Framework for Streamline AI Development Pipelines

Orchestrateur d'ingénierie de l'IA : un cadre dual pour harmoniser les pipelines de développement de l'IA

Résumé

The development of artificial intelligence (AI) systems is inherently complex, unfolding through a set of tightly interwoven processes that span multiple engineering pipelines, including data engineering, machine learning (ML) training, and system and software engineering. Despite this deep interconnectedness, widespread practice still treats ML components and traditional (non-ML) system components as separate and largely independent development tracks. This compartmentalization generates fragmented, poorly aligned workflows that complicate the engineering of AI systems across their lifecycle. Such fragmentation directly disrupts essential requirements engineering activities-particularly requirement change management (RCM) and its associated facets, including traceability, root cause analysis, and change impact analysis. These deficiencies amplify error propagation, increase avoidable rework, and ultimately compromise the stability and reliability of the resulting AI system. To address these challenges, this thesis begins with a systematic investigation of the current (as-is) AI development process through detailed case studies, revealing structural issues that demand tighter integration. Building on these findings, the thesis proposes an improved (to-be) process model that introduces well-defined inter- and intra-pipeline integration points, enabling a more coherent and coordinated development workflow. To support the automated evolution and enactment of the proposed process, the thesis further introduces an executable Domain-Specific Modeling Language (DSML) that formally specifies the distinct yet interdependent artifacts within the AI development lifecycle. Combined with dedicated process engines, this DSML enables synchronized management and execution of development steps that are traditionally siloed, thereby strengthening systematic traceability and facilitating effective change management. Grounded in software engineering principles and supported by process-aware technology, the proposed framework offers a unified, structured representation of the constituent engineering processes involved in AI system development. To validate this framework, a tool was built to model and execute the integrated process. Its feasibility and practical usefulness are demonstrated through a representative case study, which showcases the framework's capacity to enable more coherent, traceable, and process-aware engineering of AI systems.

Le développement des systèmes d'intelligence artificielle (IA) est intrinsèquement complexe, car il repose sur un ensemble de processus étroitement interconnectés couvrant plusieurs lignes d'ingénierie, notamment l'ingénierie des données, l'entraînement des modèles d'apprentissage automatique (ML), ainsi que l'ingénierie système et logicielle. Malgré cette interdépendance profonde, les pratiques actuelles ont souvent tendance à compartimenter le développement des composants ML et des composants traditionnels (non-ML), les traitant comme des processus distincts et largement indépendants. Cette séparation conduit à des démarches fragmentées et faiblement intégrées, posant de sérieux obstacles à l'ingénierie du cycle de développement des systèmes d'IA. Une telle fragmentation perturbe directement des activités essentielles de l'ingénierie des exigences, en particulier la gestion des changements de besoins (Requirement Change Management, RCM) ainsi que ses volets liés à la traçabilité, à l'analyse des causes racines et à l'analyse d'impact des changements. Ces lacunes aggravent la propagation des erreurs, augmentent la probabilité de révisions inutiles et compromettent la stabilité et la fiabilité globales du système d'IA final. Pour répondre à ces défis, cette thèse débute par une investigation systématique du processus de développement actuel (as-is) à travers des études de cas approfondies, mettant en lumière les obstacles structurels qui nécessitent une intégration renforcée. À partir de ces constats, elle propose un processus amélioré (to-be) introduisant des points d'intégration inter et intra pipelines, afin de coordonner plus efficacement l'ensemble du processus de développement. Afin de soutenir l'évolution automatique du processus proposé, cette thèse introduit un langage de modélisation spécifique au domaine (Domain-Specific Modeling Language, DSML) exécutable, permettant de spécifier formellement les artefacts distincts mais interdépendants du cycle de vie de développement d'un système d'IA. Associé à des moteurs de processus dédiés, ce DSML permet une gestion coordonnée et une exécution synchronisée de pipelines traditionnellement isolés, renforçant ainsi la traçabilité systématique et favorisant une gestion efficace des changements. Ancré dans les principes de l'ingénierie logicielle et s'appuyant sur des technologies orientées processus, le cadre proposé offre une représentation unifiée et structurée des différents processus d'ingénierie constitutifs du développement des systèmes d'IA. Pour valider cette approche, un outil a été implémenté pour modéliser et exécuter le processus intégré. Sa faisabilité et sa valeur pratique sont démontrées à travers une étude de cas représentative, illustrant son efficacité pour favoriser un développement plus cohérent, traçable et conscient du processus des systèmes d'IA.

Fichier principal
Vignette du fichier
2025TLSES269.pdf (5.03 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
licence

Dates et versions

tel-05613988 , version 1 (06-05-2026)

Licence

Identifiants

  • HAL Id : tel-05613988 , version 1

Citer

Razan Abualsaud. AI Engineering Orchestrator : A Dual-Lens Framework for Streamline AI Development Pipelines. Artificial Intelligence [cs.AI]. Université de Toulouse, 2025. English. ⟨NNT : 2025TLSES269⟩. ⟨tel-05613988⟩
6 Consultations
0 Téléchargements

Partager

  • More