Scénarisation par IA générative contrôlée et certifiée pour l'entraînement en environnement virtuel // Controlled and certified generative AI orchestration for virtual environment training

Les entrainements en environnement virtuel permettent la mise en place de situations complexes qu'il serait difficile de reproduire dans le cadre d'un entrainement classique, comme les situations complexes mettant en jeu la sécurité d'opérateurs ou des matériels coûteux. La réalité virtuelle permet aux apprenants d'expérimenter, de s'entraîner et de voir l'impact de leurs décisions. De plus, la réalité virtuelle pour l'entrainement permet de confronter l'apprenant à une grande diversité de situations. Dans ces environnements, la variabilité des situations que les opérateurs peuvent rencontrer rend difficile la mise en place d'une formation exhaustive. Il est pourtant crucial d'offrir les moyens permettant l'entrainement à ces situations et les environnements virtuels peuvent apporter des solutions efficaces.
Cependant, il est important de ne pas mettre l'apprenant en situation d'échec mais dans des situations de développement potentiel. Les situations auxquelles l'apprenant sera confronté doivent être contrôlées. L'objectif est de proposer un système de scénarisation adaptative en environnement virtuel pour contrôler le niveau de tension et de difficulté de manière à ce qu'il reste adapté au degré de maîtrise et de stress de chaque apprenant.
Pour contrôler ces situations dynamiquement, nous couplerons 1) une approche numérique associant modèles graphiques probabilistes et théorie des fonctions de croyances pour sélectionner les objectifs scénaristiques adaptés au profil et réviser les règles d'inférence et 2) une approche sémantique et d'IA générative pour permettre en générer ces situations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Training in a virtual environment allows for the creation of complex situations that would be difficult to reproduce in a traditional training setting, such as situations involving the safety of operators or expensive equipment. Virtual reality allows learners to experiment, practice, and see the impact of their decisions. In addition, virtual reality for training allows learners to be confronted with a wide variety of situations. In these environments, the variability of situations that operators may encounter makes it difficult to provide comprehensive training. However, it is crucial to provide the means to train for these situations, and virtual environments can offer effective solutions.
However, it is important not to put the learner in a situation of failure, but rather in situations of potential development. The situations the learner will face must be controlled. The goal is to offer an adaptive orchestration system in a virtual environment to control the level of tension and difficulty so that it remains appropriate to each learner's degree of mastery and stress.
To control these situations dynamically, we will combine 1) a digital approach combining probabilistic graphical models and belief function theory to select scenario objectives adapted to the profile and revise the inference rules, and 2) a semantic and generative AI approach to generate these situations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 02/02/2026

Cifre

CIFRE ANRT

Université de Technologie de Compiègne

71 Sciences pour l'ingénieur

Master 2 ou diplôme d'ingénieur en informatique
Master's degree or engineering degree in computer science