{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:3864"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:3864","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Décomposition des systèmes monolithiques à base d’intelligence artificielle en microservices","abstract":"L’essor rapide de l’Intelligence Artificielle (IA) a profondément transformé les architectures logicielles, en plaçant les composants de l’IA au cœur des systèmes modernes. Toutefois, les architectures monolithiques, longtemps dominantes, atteignent rapidement leurs limites face aux besoins de mise à l’échelle, de maintenabilité et d’évolution continue inhérents aux pipelines IA, qui englobent des étapes critiques telles que le prétraitement des données, l’entraînement et le déploiement des modèles. Les approches classiques de migration vers les microservices, initialement conçues pour des systèmes traditionnels dépourvus de composants intelligents, se révèlent inadaptées à ces spécificités, car elles échouent à capturer la complexité et l’interdépendance des flux de données et des processus spécifiques à l’apprentissage automatique. Pour répondre à ces limites, nous proposons une approche de décomposition des systèmes IA monolithiques en microservices. Notre approche comporte deux volets complémentaires : (1) d’une part, une recherche de la littérature qui met en évidence les forces et les limites des approches existantes de décomposition de systèmes monolithiques en microservices, (2) d’autre part, une approche automatisée de décomposition qui combine l’usage de patrons architecturaux et les modèles de langage (LLMs) afin de guider la décomposition. Nous validons notre approche sur trois systèmes IA monolithiques et comparons les résultats de décomposition obtenus à deux approches de référence issues de la littérature. Les résultats démontrent l’efficacité de notre méthode pour produire des décompositions modulaires et sensibles aux spécificités des traitements en IA, avec une précision de 84% et un rappel de 65%, surpassant les approches de référence.","abstract_html":"L’essor rapide de l’Intelligence Artificielle (IA) a profondément transformé les architectures logicielles, en plaçant les composants de l’IA au cœur des systèmes modernes. Toutefois, les architectures monolithiques, longtemps dominantes, atteignent rapidement leurs limites face aux besoins de mise à l’échelle, de maintenabilité et d’évolution continue inhérents aux pipelines IA, qui englobent des étapes critiques telles que le prétraitement des données, l’entraînement et le déploiement des modèles. Les approches classiques de migration vers les microservices, initialement conçues pour des systèmes traditionnels dépourvus de composants intelligents, se révèlent inadaptées à ces spécificités, car elles échouent à capturer la complexité et l’interdépendance des flux de données et des processus spécifiques à l’apprentissage automatique. Pour répondre à ces limites, nous proposons une approche de décomposition des systèmes IA monolithiques en microservices. Notre approche comporte deux volets complémentaires : (1) d’une part, une recherche de la littérature qui met en évidence les forces et les limites des approches existantes de décomposition de systèmes monolithiques en microservices, (2) d’autre part, une approche automatisée de décomposition qui combine l’usage de patrons architecturaux et les modèles de langage (LLMs) afin de guider la décomposition. Nous validons notre approche sur trois systèmes IA monolithiques et comparons les résultats de décomposition obtenus à deux approches de référence issues de la littérature. Les résultats démontrent l’efficacité de notre méthode pour produire des décompositions modulaires et sensibles aux spécificités des traitements en IA, avec une précision de 84% et un rappel de 65%, surpassant les approches de référence.","abstract_has_math":false,"creators":["Ghlissi, Hakim"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-03-09","date_published":"2026-03-09","updated_at":"2026-11-18T22:11:02Z","subjects":["système IA monolithique, architecture en microservices, ingénierie logicielle, décomposition assistée par LLM, décomposition en microservices"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3864"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE3864","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/3864/1/GHLISSI_Hakim.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A3864","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ghlissi, Hakim"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026-03-09"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["système IA monolithique, architecture en microservices, ingénierie logicielle, décomposition assistée par LLM, décomposition en microservices"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE3864","https://espace.etsmtl.ca/id/eprint/3864/1/GHLISSI_Hakim.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["L’essor rapide de l’Intelligence Artificielle (IA) a profondément transformé les architectures logicielles, en plaçant les composants de l’IA au cœur des systèmes modernes. Toutefois, les architectures monolithiques, longtemps dominantes, atteignent rapidement leurs limites face aux besoins de mise à l’échelle, de maintenabilité et d’évolution continue inhérents aux pipelines IA, qui englobent des étapes critiques telles que le prétraitement des données, l’entraînement et le déploiement des modèles. Les approches classiques de migration vers les microservices, initialement conçues pour des systèmes traditionnels dépourvus de composants intelligents, se révèlent inadaptées à ces spécificités, car elles échouent à capturer la complexité et l’interdépendance des flux de données et des processus spécifiques à l’apprentissage automatique. Pour répondre à ces limites, nous proposons une approche de décomposition des systèmes IA monolithiques en microservices. Notre approche comporte deux volets complémentaires : (1) d’une part, une recherche de la littérature qui met en évidence les forces et les limites des approches existantes de décomposition de systèmes monolithiques en microservices, (2) d’autre part, une approche automatisée de décomposition qui combine l’usage de patrons architecturaux et les modèles de langage (LLMs) afin de guider la décomposition. Nous validons notre approche sur trois systèmes IA monolithiques et comparons les résultats de décomposition obtenus à deux approches de référence issues de la littérature. Les résultats démontrent l’efficacité de notre méthode pour produire des décompositions modulaires et sensibles aux spécificités des traitements en IA, avec une précision de 84% et un rappel de 65%, surpassant les approches de référence."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Décomposition des systèmes monolithiques à base d’intelligence artificielle en microservices"]}]}],"canonical_facts":{"dc:creator":["Ghlissi, Hakim"],"dc:date":["2026-03-09"],"dc:description":["L’essor rapide de l’Intelligence Artificielle (IA) a profondément transformé les architectures logicielles, en plaçant les composants de l’IA au cœur des systèmes modernes. Toutefois, les architectures monolithiques, longtemps dominantes, atteignent rapidement leurs limites face aux besoins de mise à l’échelle, de maintenabilité et d’évolution continue inhérents aux pipelines IA, qui englobent des étapes critiques telles que le prétraitement des données, l’entraînement et le déploiement des modèles. Les approches classiques de migration vers les microservices, initialement conçues pour des systèmes traditionnels dépourvus de composants intelligents, se révèlent inadaptées à ces spécificités, car elles échouent à capturer la complexité et l’interdépendance des flux de données et des processus spécifiques à l’apprentissage automatique. Pour répondre à ces limites, nous proposons une approche de décomposition des systèmes IA monolithiques en microservices. Notre approche comporte deux volets complémentaires : (1) d’une part, une recherche de la littérature qui met en évidence les forces et les limites des approches existantes de décomposition de systèmes monolithiques en microservices, (2) d’autre part, une approche automatisée de décomposition qui combine l’usage de patrons architecturaux et les modèles de langage (LLMs) afin de guider la décomposition. Nous validons notre approche sur trois systèmes IA monolithiques et comparons les résultats de décomposition obtenus à deux approches de référence issues de la littérature. Les résultats démontrent l’efficacité de notre méthode pour produire des décompositions modulaires et sensibles aux spécificités des traitements en IA, avec une précision de 84% et un rappel de 65%, surpassant les approches de référence."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE3864","https://espace.etsmtl.ca/id/eprint/3864/1/GHLISSI_Hakim.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["système IA monolithique, architecture en microservices, ingénierie logicielle, décomposition assistée par LLM, décomposition en microservices"],"dc:title":["Décomposition des systèmes monolithiques à base d’intelligence artificielle en microservices"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:11:02Z"}