Certains programmes doivent fonctionner en continu et ne peuvent pas être interrompus en cas de dysfonctionnement. C'est par exemple le cas de drones en mission, de satellites et de certains objets connectés. Pour de telles applications, le défi est d’identifier les problèmes et de les corriger pendant l'exécution du programme. De plus, dans le contexte des systèmes à objets, il peut être nécessaire d’observer et d’instrumenter individuellement le comportement de certains objets particuliers. Dans cette thèse, nous proposons une solution d’adaptation dynamique de comportement permettant de déverminer individuellement les objets d'un programme en cours d'exécution. Cette solution est présentée sous la forme d’un patron applicable aux langages objets à typage dynamique. Ce patron permet d'implanter de façon minimale et générique des capacités additionnelles d’adaptation dynamique à granularité objet. Une mise en oeuvre de ce patron pour un langage de programmation particulier permet d'instrumenter dynamiquement un programme pour collecter des objets spécifiques et d'adapter leur comportement pendant l’exécution. Nous expérimentons notre patron par des mises en oeuvre en Pharo et en Python. Des dévermineurs dédiés à la mise au point de programmes en cours d’exécution sont mis en oeuvre pour ces deux langages objet. Ces outils sont évalués pour des cas de déverminage concrets : pour une simulation de drones, pour des applications connectées déployées sur des systèmes cyber-physiques distants, pour un serveur de discussion en ligne ainsi que sur un défaut en production d’un logiciel de génération de documents. / Some programs must run continuously and cannot be interrupted in the event of a malfunction.This is, for example, the case of drones, satellites and some internet-of-things applications. For such applications, the challenge is to identify and fix problems while the program is still running. Moreover, in the context of object-oriented Systems, it may be necessary to observe and instrument the behavior of very specifie objects.In this thesis, we propose a method to adapt object behavior in a running program. This solution is presented as a pattern applicable to dynamically typed object-oriented languages. This pattern makes it possible to implement, in a minimal and generic way, additional debugging capabilities at the level of objects. An implementation of this pattern for a particular programming language makes it possible to dynamically instrument a program, by collecting specifie objects and adapting their behavior during run-time. We experiment this pattern in Pharo and Python implementations with dedicated debuggers for each language.These tools are evaluated on typical debugging case studies: a simulation of drones, connected applications deployed on remote cyber-physical Systems, an online discussion server and a debugging session to fix a defect in a production software.

Dans les annales de l'Intelligence Artificielle (IA), la quête incessante pour émuler la cognition humaine dans les machines a sous-tendu l'évolution technologique, repoussant les limites du potentiel humain et des capacités de résolution de problèmes. L'intégration de l'IA a catalysé des progrès remarquables, pénétrant divers domaines et redéfinissant des industries. Cependant, un défi demeure imperturbable : l'obstacle de la généralisation hors de la distribution (OOD). Alors que l'IA triomphe avec des données familières, elle échoue avec des données en dehors de son domaine d'entraînement. En santé, en finance et au-delà, les limitations de l'IA entravent l'adaptation à des scénarios nouveaux. Cette lacune découle de l'écart entre les schémas appris et les caractéristiques causales et invariantes sous-jacentes, entravant l'adaptabilité à des scénarios inexplorés. Cette thèse franchit des étapes significatives pour aborder cette question en innovant et en exploitant des méthodes issues de l'apprentissage de structure causale et de représentation. Le parcours commence par un algorithme novateur d'apprentissage de structure, les ``Reusable Factor Graphs'', qui tire parti des biais inductifs issus de la causalité et de la cognition humaine pour une meilleure généralisation. Ensuite, en explorant l'apprentissage de représentation causale, nous découvrons des représentations désenchevêtrées centrées sur les objets en utilisant une supervision faible basée sur une connaissance partielle de la structure causale des données. Ces connaissances se conjuguent pour préconiser l'apprentissage conjoint de la structure causale et de la représentation. L'architecture proposée, les ``Reusable Slotwise Mechanisms'' (RSM), relie théorie et pratique, démontrant une promesse réelle à travers ses représentations centrées sur les objets et ses mécanismes causaux réutilisables. Cette fusion offre une solution potentielle pour surmonter les limitations de la généralisation OOD en IA. / In the annals of Artificial Intelligence (AI), an enduring quest to emulate human cognition in machines has underpinned technological evolution, driving the boundaries of human potential and problem-solving capabilities. The integration of AI has catalyzed remarkable progress, infiltrating various domains and redefining industries. Yet, a challenge remains unshaken: the hurdle of out-of-distribution (OOD) generalization. While AI triumphs with familiar data, it falters with data outside its training realm. In healthcare, finance, and beyond, AI's limitations hinder adaptation to novel scenarios. This deficiency arises from the gap between learned patterns and underlying causal and invariant features, hindering adaptability to uncharted scenarios. This thesis takes significant steps toward tackling this issue by innovating and leveraging methods from causal structure and representation learning. The journey begins with an innovative structure learning algorithm, Reusable Factor Graphs, leveraging inductive biases from causality and human cognition for improved generalization. Next, delving into causal representation learning, we uncover object-centric disentangled representations using weak supervision from partial knowledge of the causal structure of data. These insights synergize in advocating joint learning of causal structure and representation. The proposed Reusable Slotwise Mechanisms (RSM) architecture bridges theory and practice, demonstrating real-world promise through its object-centric representations and reusable causal mechanisms. This fusion offers a potential solution for tackling OOD generalization limitations in AI.

This thesis provides insights into the feasibility of managing product requirements in a concept leveraging an object-centric information model. The aim of this concept is to provide efective management of product requirements in the context of rising volume and complexity of requirements. Firstly, benefts and challenges between the current document-centric way of managing requirements and the novel object-centric concept for managing requirements are mapped and presented. Secondly, the organizational prerequisites necessary for adopting the object-centric product requirement applicability concept are explored and insights into how this transition can be facilitated with knowledge management are generated. Thirdly, the accuracy of this novel concept is evaluated in terms of applying the correct requirements onto products and not more nor less. The methods in this thesis are of mixed nature and combine qualitative and quantitative data sets. The quantitative data was collected from the analysis of the requirement applicability concept and the previous tests of the same concept on diferent products at Company X. The analysis of quantitative data for concept accuracy revolved around interpreting the nature of negative- and positive delta values following an automatic application of requirements in the novel object-centric concept. The former of these delta values relates to relevant requirements missing onto products whereas the latter relates to non-relevant requirements being applied following the automatic application. The qualitative data was collected mainly through a comprehensive literature review, semi-structured interviews, a workshop, meetings, Company X documents and observations. The analysis of qualitative data was done via an adaptation of two frameworks: The Multi-Dimensional Framework for Digital Transformation by Hanelt et al, 2021 and The Process of Organizational Knowledge Creation by Nonaka, 1994. These adapted frameworks were leveraged to generate insights into the necessary organizational prerequisites for adopting the object-centric product requirement applicability concept. While benefts and challenges exist between the two diferent ways of managing requirements, these are not weighted and thus no defnitive conclusion on best practice is drawn. Instead these fndings provide organizations a reference point for evaluating each approach in relation to their own circumstances. Some of the prerequisites identifed as critical for adopting an object-centric product requirement applicability model are a digital library of requirement specifcations that are convertible to object-centric data format, and a suitable PLM strategy chosen by the Top Management Teams that is aiding the development of the concept. As for knowledge management in order to transition to the new concept, fndings show that standardized knowledge creation and knowledge exchange is necessary as well as developing centralized knowledge databases. Lastly, the quantitative fndings indicate that the applicability concept is accurate, but that there is a need for additional iterations with model improvements where the negative delta can be eliminated and the positive delta held at an acceptable level. / Den här studien ger insikter om genomförbarheten av att hantera produktkrav i ett koncept som utnyttjar en objektcentrerad informationsmodell. Syftet med detta koncept är att tillhandahålla efektiv hantering av produktkrav i samband med att de ökar i volym samt komplexitet. Studien kartlägger först fördelar och utmaningar mellan det nuvarande dokumentcentrerade sättet att hantera krav och det nya objektcentrerade konceptet. Även de organisatoriska förutsättningar som krävs för att införa det objektcentrerade produktkravskonceptet undersöks i samband med hur denna övergång kan underlättas med hjälp av kunskapshantering. Slutligen så utvärderas det objektcentrerade konceptet för kravapplicering beträfande hur exakt konceptet är i att applicera rätt krav på produkter. Metodiken i denna studie kombinerar kvalitativa och kvantitativa datamängder. Den kvantitativa datan samlades in från analys av kravappliceringskonceptet samt de tidigare testerna av konceptet på olika produkter som gjorts av Företag X. Analysen av kvantitativ data för hur exakt konceptet är i att applicera rätt krav kretsar kring att förstå grundorsakerna till de negativa och positiva deltavärden som uppkommit efter en automatisk applicering av krav i det nya objektcentrerade konceptet. Det negativa deltavärdet relaterar till nödvändiga krav som saknas på produkter, medan det positiva deltavärdet avser icke-relevanta krav som har applicerats efter en systemförfrågan och automatisk applicering av krav. Den kvalitativa datan samlades huvudsakligen in genom en omfattande litteraturstudie, semistrukturerade intervjuer, workshops, möten, dokument från Företag X och observationer. Analysen av kvalitativ data gjordes via en anpassning av två vetenskapliga ramverk: The Multi-Dimensional Framework for Digital Transformation av Hanelt et al, 2021 och The Process of Organizational Knowledge Creation av Nonaka, 1994. Dessa anpassade ramverk utnyttjas för att generera insikter i de nödvändiga organisatoriska förutsättningarna som krävs för att införa det objektcentrerade kravappliceringskonceptet i en organisation. Fördelar och utmaningar med de två olika sätten att hantera krav viktades inte i denna studie, därför dras ingen defnitiv slutsats om bästa praxis. Istället ger dessa fynd en referenspunkt till organisationer att utvärdera bästa praxis i förhållande till sina egna omständigheter. Några av förutsättningarna identiferade som kritiska för att tillämpa en objektcentrerad produktkravappliceringsmodell är ett digitalt bibliotek av kravspecifkationer som är konverterbara till objektcentrerat dataformat, samt en PLM-strategi införd av de högsta ledningsgrupperna som hjälper till med stödja det objekcentrerade konceptet för produktkravsapplicering. Vad gäller kunskapshantering för att övergå till det nya konceptet visar resultaten att standardiserad kunskapsskapande och utbyte av kunskap är nödvändigt, samt utvecklingen av centraliserade kunskapsdatabaser. Slutligen indikerar de kvantitativa resultaten att tillämpningskonceptet är noggrant, men att ytterligare iterationer med modellförbättringar behövs där den negativa deltan kan elimineras och där den positiva deltan hålls på en acceptabel nivå.