Cet article propose une méthode hybride combinant apprentissage automatique et optimisation combinatoire pour concevoir des lignes d'assemblage capables de s'adapter aux évolutions rapides des produits. Face aux incertitudes liées au nombre de tâches, aux temps opératoires, aux compatibilités équipement–tâche et aux relations de précédence, les approches classiques basées sur des arbres de scénarios deviennent difficilement exploitables. Le modèle développé intègre explicitement la reconfiguration dynamique des postes, les coûts d'installation et d'usage des équipements, ainsi que les contraintes de cycle, de précédence et de compatibilité. Pour dépasser les limites de calcul, une couche d'apprentissage est utilisée pour anticiper les coûts futurs et guider l'optimisation déterministe, transformant ainsi une politique myope en stratégie anticipative. Les premiers tests montrent le potentiel de cette approche ML-CO pour générer des décisions efficaces dans un contexte de forte incertitude.