Les problèmes de prise de décision sont omniprésents dans l’industrie, de l’optimisation de la production à la gestion de l’exploitation des produits en service, en passant par l’optimisation des projets internes et des ressources.

Au cours des dernières décennies, de nombreuses données (par exemple, l’apprentissage par renforcement profond) et basées sur des modèles (par exemple, la planification AI, la programmation par contraintes) ont été étudiées séparément pour résoudre ces problèmes.

Alors que les premières nécessitent une énorme quantité de données qui sont rarement disponibles dans de nombreux problèmes industriels, les seconds ne sont pas toujours adaptés aux problèmes qui sont complexes à modéliser avec précision.
 

En outre, les deux approches ne parviennent pas à résoudre des problèmes importants en un temps et des ressources informatiques raisonnables, en particulier en présence d’incertitudes qui augmentent considérablement l’explosion combinatoire de l’espace de solution.

Principal investigators

  • Sylvie Thiébaux (DR UT, LAAS-CNRS & Prof. ANU)
  • Sébastien Gerchinovitz (Researcher IRT & MdC UT3, IMT)
  • Romain Guillaume (MdC UT2, IRIT)
  • Florent Teichteil-Königsbuch
    (Researcher Airbus)

Cette chaire étudiera les techniques d’hybridation étroite entre les approches décisionnelles basées sur les données et celles basées sur les modèles en ciblant trois objectifs principaux : l’extensibilité, la robustesse et la représentativité des cas d’utilisation industriels.

Elle vise à ouvrir la porte à une prise de décision optimisée, réactive et robuste dans des scénarios de problèmes industriels vastes et complexes,  tout en réduisant de manière significative les coûts de calcul et de données des solveurs actuellement utilisés dans l’industrie.

La chaire réunira des chercheurs universitaires (LAAS, IRIT, IRT, ONERA, Université d’Ottawa) et issus de deivers domaines scientifiques, comme l’optimisation combinatoire, la recherche et le machine learning.

Co-chairs

Des partenaires industriels des secteurs de l’aérospatiale et de l’automobile (Airbus, Liebherr, Vitesco) détacheront des ingénieurs et présenteront des cas d’utilisation difficiles où les méthodes hybrides devraient permettre de réduire les coûts opérationnels, en raison de l’incertitude, de l’imprécision du modèle ou de la sous-optimalité de la solution. Cette recherche profitera également au secteur de la santé, où nous étudierons avec l’Oncopole comment programmer de manière optimale les traitements de radiothérapie pour les patients atteints de cancer en cas de rendez-vous incertains, en vue d’améliorer les chances de rémission.

Ne manquez rien !

Inscrivez-vous pour recevoir l'actualité d'ANITI chaque mois.

Nous n’envoyons pas de messages indésirables !

fr_FRFrench