Soutenance de Thanh-Tuan NGUYEN (département informatique)

À l’ère de la mondialisation, les chaînes logistiques deviennent de plus en plus interdépendantes, de sorte qu’une perturbation dans une région peut impacter l’ensemble du réseau. Les industries telles que le textile et la mode, caractérisées par des cycles de vie de produit courts, une forte volatilité de la demande et une faible précision des prévisions, font face à d’importants défis en matière de gestion des risques et de résilience.

Avec l’émergence de l’industrie 4.0 et des données industrielles, les technologies numériques jouent un rôle essentiel pour une gestion efficace des risques dans les chaînes logistiques (GRCL).

Alors que l’intelligence artificielle (IA) et l’apprentissage automatique (AA) permettent une gestion prédictive des risques, adaptative et fondée sur les données grâce à l’analyse de volumes importants et multidimensionnels, les approches traditionnelles d’apprentissage automatique reposent sur la centralisation des données, soulevant des préoccupations en matière de confidentialité et de durabilité, et limitant la collaboration.

Cette thèse propose l’apprentissage fédéré (AF) comme approche collaborative et respectueuse de la confidentialité pour renforcer la GRCL, la résilience, la confiance et la durabilité. Trois Framework d’AF — centralisé (AFC), décentralisé (AFD) et adaptatif (AFA) — sont proposés et évalués à travers des études de cas portant sur la chaîne logistique textile.

Les résultats montrent le potentiel de l’AF pour améliorer la gestion des risques, permettre des stratégies d’atténuation proactives et renforcer la continuité des activités et la résilience des chaînes logistique.

L’AF profite particulièrement aux petites et moyennes entreprises (PME) intégrées dans les chaînes d’approvisionnement mondiales et soutient la compétitivité des pays en développement comme le Vietnam, en facilitant leur intégration dans les chaînes de valeur mondiale.

S’appuyant sur le cadre TEO (Technologie – Environnement – Organisation), cette thèse fournit des recommandations pratiques pour les gouvernements et les entreprises souhaitant adopter des technologies numériques — en particulier l’apprentissage fédéré — afin d’améliorer la GRCF dans des environnements volatils, incertains, complexes et ambigus (VUCA).

• Mme Feng CHU (Professeure à l’Université d’Évry Paris-Saclay, France; Rapporteure)
• M. Hamid ALLAOUI (Professeur à l’Université d’Artois, France; Rapporteur)
• M. M’hammed SAHNOUN (HDR – Directeur de recherche au laboratoire LINEACT du Groupe CESI, France; Examinateur)
• Mme Yasmina HANI (Professeure à l’Université Paris 8, France, Examinatrice)
• M. Tarik CHARGUI (Maître de conférences à l’Université Polytechnique des Hauts-de-France, France; Membre invité)
• M. Abdelhakim ARTIBA (Professeur à l’Université Polytechnique des Hauts-de-France, France ; Directeur de thèse)
• M. Abdelghani BEKRAR (Maître de conférences à l’Université Polytechnique des Hauts-de-France, France; Co-encadrant)
• Mme Thi-Muoi LE (Maître de conférences à l’Université Polytechnique des Hauts-de-France, France; Co-encadrante)
• Mme Thi Thu Huong TRINH (Maître de conférences à la School of Economics & International Business, Foreign Trade University, Vietnam; Co-directrice)

Digitalisation, chaîne logistique, gestion des risques, apprentissage fédéré, prédiction des risques, textile, durabilité, résilience, performance des entreprises, Vietnam.