Cette thèse fournit des éléments pertinents dans la prédiction de l'intention d'usage d'un progiciel de gestion intégrée (PGI) dans le secteur de transport aérien en Tunisie. L'introduction de ce type de progiciel implique des changements au niveau de l'organisation du travail et des appréhensions au niveau des salariés en regard de sa complexité. Le premier objectif empirique de ce travail est de relever les rôles respectifs du sentiment d'auto-efficacité, le sentiment de contrôle comportemental perçu et la charge subjective du travail dans le choix d'adoption de ces progiciels (étude 1). Les résultats indiquent qu'une synergie est bien présente entre les éléments indiqués et qu'ils influencent de manière significative le recours à l'utilisation des PGI. L'auto-efficacité informatique et le contrôle perçu favorisent l'intention le recours à l'usage des PGI de manière directe et indirecte via les perceptions d'utilité et d'utilisabilité relatives au progiciel. Tandis que la charge subjective de travail entrave le recours à l'utilisation de cet outil. Les composantes de la charge subjective de travail (la charge mentale, la charge temporelle, la demande en effort et en performance et la frustration) ont ainsi un poids considérable dans la formation de l'intention d'usage de ce progiciel. La principale source de cet effet négatif est due au sentiment de frustration que pourrait ressentir le salarié lors de l'usage d'un PGI. L'étude des différentes formes de la frustration (étude 2) suggère un impact plus important du sentiment de découragement que le sentiment de stress perçu sur l'utilisabilité et l'intention d'usage des PGI. Cette présente thèse a un double objectif : une contribution théorique sur le rôle des déterminants émotionnels sur l'intention d'usage des progiciels de gestion intégrée et une contribution pratique puisque ce travail permet de repenser la décision d'investissement en l'implémentation du progiciel et canaliser les efforts des formateurs afin de diminuer la charge subjective chez les salariés lors de l'utilisation effective de l'outil. / This thesis provides us with relevant factors which served as predictions of intentions used through Enterprise Resource Planning (ERP) in the air transport sector in Tunisia. The introduction of such type of package implies changes in work's organizations and employees' apprehensions since it is to be considered as a complex process. The first empirical objective of this work is to pinpoint respectively the main role of the sense of self-efficacy, the perceived behavioral control and subjective workload in choosing adoption of such packages (study 1). The results indicate that interrelatedness is well marked and therefore, it has a significant influence in the use of the ERP. Both computer's self-efficiency and experienced self-control lead to a direct or indirect use of ERP through the perceived utility and relative usability of the package. Whereas, the subjective aspect of the workload go against a good use this tool. The components of subjective workload (mental workload, temporal workload, asked efforts, performance's level and frustration) have considerable effect in the formation of good willingness for the use of such software. This experienced negative effect stems its origins from the employee's frustration when using an ERP system. The study of different forms of frustration (Study 2) suggests that a greater impact is to be recorded, and then, a feeling of discouragement is far to be dismissed and it can be considered as more important than the perceived stress related with usability of the ERP. The present thesis has two layers of research: the first is a kind of theoretical contribution on the role of emotional determinants on the intentional use of ERP systems and the second is a practical contribution since it paves the way to a rethinking of the decisional invest in the implementation of such a package's in-put and therefore it mainstreams the effort of educators in the aim to reduce the subjective burden among employees during an actual and efficient use of the tool.

Au cours de la dernière décennie, des progrès significatifs ont été réalisés dans le domaine de l’IA, principalement grâce aux progrès de l’apprentissage automatique, de l’apprentissage profond et de l’utilisation de modèles à grande échelle. Cependant, à mesure que ces modèles évoluent, ils présentent de nouveaux défis en termes de gestion de grands ensembles de données et d’efficacité informatique. Cette thèse propose des approches pour réduire les coûts de calcul de la formation et de l’inférence dans les systèmes d’intelligence artificielle (IA). Plus précisément, ce travail étudie les techniques d’apprentissage continu et de calcul adaptatif, démontrant des stratégies possibles pour préserver les niveaux de performance de ces systèmes tout en réduisant considérablement les coûts de formation et d’inférence. Les résultats du premier article montrent que les modèles de base peuvent être continuellement pré-entraînés grâce à une méthode d’échauffement et de relecture, ce qui réduit considérable- ment les coûts de calcul de l’entraînement tout en préservant les performances par rapport à un entraînement à partir de zéro. Par la suite, la thèse étudie comment les stratégies de calcul adaptatif, lorsqu’elles sont combinées avec la mémoire, peuvent être utilisées pour créer des agents d’IA plus efficaces au moment de l’inférence pour des tâches de raisonnement complexes, telles que le jeu stratégique de Sokoban. Nos résultats montrent que les modèles peuvent offrir des per- formances similaires ou améliorées tout en utilisant beaucoup moins de ressources de calcul. Les résultats de cette étude ont de vastes implications pour l’amélioration de l’efficacité in- formatique des systèmes d’IA, soutenant à terme le développement de technologies d’IA plus abordables, accessibles et efficaces. / Over the past decade, significant progress has been made by the field of AI, primarily due to advances in machine learning, deep learning, and the usage of large scale models. However, as these models scale, they present new challenges with respect to handling large datasets and being computationally efficient. This thesis proposes approaches to reducing computational costs of training and inference in artificial intelligence (AI) systems. Specifically, this work investigates how Continual Learning and Adaptive Computation techniques can be used to reducing training and inference costs while preserving the perfor- mance levels of these systems . The findings of the first article show that foundation models can be continually pre-trained through a method of warm-up and replay, which significantly decreases training computational costs while preserving performance compared to training from scratch. Subsequently, the thesis investigates how adaptive computation strategies, when com- bined with memory, can be utilized to create more computationally efficient AI agents at inference time for complex reasoning tasks, such as the strategic game of Sokoban. Our results exhibit that models can deliver similar or improved performances while using signifi- cantly fewer computational resources. Findings from this study have broad implications for improving the computational efficiency of AI systems, ultimately supporting the development of more affordable, accessible, and efficient AI technologies.