YANG Mingquan

Je suis doctorant au LCFC, École nationale supérieure d'Arts et Métiers (ENSAM), campus de Metz.

Mon sujet de thèse porte sur la gestion des risques liés aux produits d'ingénierie à l'aide du traitement du langage naturel. Mes directeurs de thèse sont le professeur Ali Siadat, les maîtres de conférences Alain Etienne et Jelena Petronijevic. 

 J'ai utilisé et perfectionné des techniques de traitement du langage naturel, notamment des modèles linguistiques volumineux (LLM) à encodeur seul tels que BERT, des LLM à encodeur-décodeur tels que T5, et des LLM légers à décodeur seul tels que les modèles GPT, Llama et Mistral, afin d'aider les gestionnaires de risques humains à créer des modèles de risques à partir de textes non structurés sur des projets de développement de produits. Plus précisément, mon objectif est de concevoir et d'utiliser des réseaux neuronaux légers tels que les LSTMs et les RNNs afin d'identifier les risques à partir de rapports rédigés par des humains sur des projets de développement de produits et d'analyser les relations causales, les probabilités et la gravité de ces risques. Mon objectif est également de mettre à jour les paramètres de ces réseaux neuronaux légers à l'aide de méthodes de réglage fin efficaces en termes de paramètres, telles que LoRA, prompt-tuning et LayerNorm-tuning, sur des rapports de risques soigneusement conçus, afin d'améliorer leurs capacités à identifier les risques à partir des rapports de risques des processus de développement de produits et à analyser ces risques. Actuellement, l'objectif de mes recherches est non seulement de rendre plus efficaces l'identification et l'analyse des risques dans les projets de développement de produits, mais aussi de garantir que les techniques de traitement du langage naturel utilisées à cette fin soient abordables sur le plan informatique.

I am a PhD student at LCFC, Arts et Métiers institute of technology, Metz campus. 

My PhD topic is risk management of engineering products supported by natural language processing. My supervisors are Professor Ali Siadat, Maîtres de conférences Alain Etienne, and Maîtres de conférences Jelena Petronijevic. 

I have been employing and fine-tuning natural language processing techniques including encoder-only large language models (LLMs) like BERT, encoder-decoder LLMs like T5, and lightweight decoder-only LLMs like GPT models, llama models, and Mistral models to help human risk managers create risk models from unstructured texts about product development projects. More specifically, it is my goal to design and utilize lightweight neural networks like LSTMs and RNNs to identify risks from human-written risk reports about product development projects and analyze causal relationships, probabilities and severity of these risks. It also my goal to update these lightweight neural networks' parameters with parameter efficient fine-tuning methods like LoRA, prompt-tuning, and LayerNorm-tuning on carefully feature-engineered risk reports in order to enhance their capabilities of identifying risks from risk reports of product development processes and analyze those risks. Currently, the purpose of my research is not only to make risk identification and risk anaysis in product development projects more efficient but also to ensure that the natural language processing techniques employed to do so are affordable computationally.