Les modélisateurs rencontrent souvent des défis ou des difficultés lorsqu’il s’agit de concevoir un modèle logiciel particulier. Dans cette thèse, nous avons exploré différentes voies et examiné différentes approches pour résoudre cette problématique. Nous proposons enfin une approche simple mais novatrice qui améliore la complétion des activités de modélisation de domaines. Cette approche exploite la puissance des modèles de langage de grande taille en utilisant l’apprentissage par seulement quelques exemples, éliminant ainsi la nécessité d’un apprentissage profond ou d’un ajustement fin (fine tuning) sur des ensembles de données rares dans ce domaine. L’un des points forts de notre approche est sa polyvalence, car elle peut s’intégrer fa cilement à de nombreuses activités de modélisation, fournissant un aide précieux et des recommendations aux modélisateurs. De plus, nous avons mené une étude utilisateur pour évaluer l’utilité de cette méthode et la valeur de l’assistance en modélisation; nous avons cherché à savoir si l’effort investi dans l’assistance en modélisation vaut la peine en recueillant les commentaires des concepteurs de modèles logiciels. / Modelers often encounter challenges or difficulties when it comes to designing a particular software model. Throughout this thesis, we have explored various paths and examined different approaches to address this issue. We finally propose a simple yet novel approach enhancing completion in domain modeling activities. This approach leverages the power of large language models by utilizing few-shot prompt learning, eliminating the need for extensive training or fine-tuning on scarce datasets in this field. One of the notable strengths of our approach lies in its versatility, as it can be seamlessly integrated into various modeling activities, providing valuable support and recommendations to software modelers. Additionally, we conducted a user study to evaluate the usefulness of this approach and determine the value of providing assistance in modeling; we aimed to determine if the effort invested in modeling assistance is worthwhile by gathering feedback from software modelers.

Thèse produite en partenariat avec la Ferme d'hiver, centre de recherche industrielle pour l'agriculture en environnement contrôlé. / L’agriculture en environnement contrôlé (AEC) est une pratique agricole de haute technologie où la culture de plantes et son environnement sont soumis à une certaine forme de contrôle afin d’obtenir des rendements plus élevés et une efficacité de production accrue. L’AEC est essentielle en raison de son impact sur la disponibilité des terres arables, l’utilisation de l’eau et l’efficacité énergétique face à l’augmentation de l’insécurité alimentaire mondiale. Les systèmes de AEC sont contrôlés par le biais d’indicateurs de performance clés (IPC) complexes que les experts de plusieurs domaines, dont les ingénieurs et les agronomes, doivent optimiser. L’optimisation des IPC nécessite l’exploration de l’immense espace d’états du système d’AEC. Étant donné que ces systèmes sont complexes et hétérogènes, ils nécessitent une approche de modélisation et de co-simulation multi-paradigme dans laquelle les modèles utilisent les formalismes et les niveaux d’abstraction les plus appropriés. Nous proposons une architecture de co-simulation de AEC capable de capturer la dynamique des entités qui composent notre système à plusieurs niveaux d’abstraction. Nous présentons nos résultats démontrant la validité de notre approche / Controlled environment agriculture (CEA) is a high-tech agricultural practice where the crop and its environment are subject to some form of control to achieve higher yields and produc- tion efficiency. CEA is critical for its impacts on arable land availability, water usage, and energy efficiency amid the rise of global food insecurity. CEA systems are controlled through complex key performance indicators (KPI) that experts of multiple domains, including engi- neers and agronomists, must optimize. The optimization of KPI requires exploring the vast state space of the CEA system. As such systems are complex and heterogeneous, they re- quire a multi-paradigm modeling and co-simulation approach in which models use the most appropriate formalisms and levels of abstraction. We provide a co-simulation architecture for CEA to capture the dynamics of the entities that comprise our system at multiple levels of abstraction and present our results showing the validity of our approach.