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
-
- Christian Artigues (DR CNRS, LAAS-CNRS)
- Tommaso Cesari (Assistant Prof. Uni. Ottawa)
- Helène Fargier (DR CNRS, IRIT)
- Guillaume Povéda (researcher Airbus)
- Stephanie Roussel (CR ONERA)
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.
- Méthodes évolutives : nous abordons le problème de la construction de méthodes hybrides évolutives pour la prise de décision séquentielle et l’optimisation combinatoire sur quatre fronts :
- Architectures d’apprentissage profond tenant compte des problèmes : conception d’architectures d’apprentissage profond plus frugale qui exploitent la structure du problème pour apprendre des solutions (partielles) et des heuristiques pour guider la recherche.
- Propriétés des architectures et modèle appris : mise au point de garanties sur le pouvoir
d’approximation et de généralisation, ainsi que d’autres propriétés des modèles qu’ils apprennent - Génération efficace de données : développement de stratégies de formation efficaces qui fonctionnent en synergie avec la recherche
- Recherche guidée : élaboration des méthodes de recherche et d’optimisation qui utilisent efficacement les conseils appris pour nos cas d’utilisation, et des outils qui nous permettent d’explorer l’espace plus large des méthodes hybrides.
- Robustesse
- Méthodes de décomposition basées sur l’apprentissage : pour apprendre bonne sélection de scénarios afin de minimiser le nombre de fois où le problème principal et les sous-problèmes adverses sont résolus
-
Méthodes hybrides pour l’optimisation proactive-réactive . Comment et quand reconstruire une solution robuste (c’est-à-dire comment et quand réagir), lorsque des perturbations inattendues rendent la solution actuelle inopérante.
Résultats scientifiques :
● des méthodes hybrides évolutives, frugales en données et robustes pour la recherche et l’optimisation combinatoire
● de nouvelles méthodes pour injecter des contraintes et des connaissances du domaine dans les modèles d’apprentissage
● des résultats théoriques et empiriques sur les propriétés de généralisation/approximation des modèles d’apprentissage profond
Résultats industriels
● fabrication : outils de prise de décision tenant compte de l’incertitude et de contraintes plus complexes que ce qui est possible aujourd’hui, ce qui se traduit par une diminution de 50 % de la replanification manuelle, une réduction de 20 % des coûts de stockage des usines diminuant de 20 %, et le respect du calendrier doublant
● espace : déploiement d’un algorithme améliorant l’injection de connaissances météorologiques, entraînant une augmentation de 5 % de la production d’images de haute qualité
● santé : outil de prise de décision intégré aux outils de planification de l’Oncopole, réduisant de 80 % la nécessité de réaffectation des machines aux patients, et de 50 % le travail de planification des personnes en charge.
French 
English