Le développement des systèmes d'information a démultiplié la quantité de données accessibles sur les processus industriels. Les départements de recherche opérationnelle de l'industrie exploitent ces données pour optimiser les processus industriels, avec notamment des objectifs de fiabilité et de maîtrise des risques. On pense par exemple à l'exploitation de données capteurs en maintenance prédictive, à l'anticipation de la demande (données web, etc.) et d'entonnoirs dans la production (données usine) dans la gestion de la supply chain, aux données météorologiques pour gestion des énergies renouvelables, ou encore aux prévisions de retard pour les compagnies de transport. Ces données étant abondantes, parfois parcellaires, et souvent intrinsèquement aléatoires, l'apprentissage automatique est la discipline adéquate pour le contrôle de l'incertitude dans leurs traitements. Cependant, la combinatoire importante des problèmes rencontrés fait que les industriels se limitent en général aux approches du type "recherche opérationnelle déterministe", sans être capables d'utiliser les outils de l'apprentissage automatique.
L'objectif de cours est d'introduire l'optimisation data driven et l'apprentissage structuré, deux théories mathématiques à la frontière de la recherche opérationnelle et de l'apprentissage automatique qui permettent d'aborder ces problématiques. On insistera sur la modélisation et la résolution de problématiques industrielles avec ces outils. Ce cours sera l'occasion d’introduire des outils mathématiques mobilisés par ces théories : processus gaussiens (cours de proba de 2A), RKHS et apprentissage automatique, modèles graphiques probabilistes et optimisation Bayésienne, apprentissage structuré.
A l'issue de ce cours, les étudiant devront :
- Connaitre les concepts de base de l'apprentissage structuré, de l'optimisation Bayésienne, de l'optimisation data driven et des modèles graphiques probabilistes.
- Être capables de reconnaître les problèmes industriels pouvant être abordés par les outils précédents.
- Être capables de mettre en œuvre ces outils dans des situations simples.
Ce module contribue au développement des compétences suivantes : comprendre les réalités physiques, techniques et humaines : analyser, modéliser, diagnostiquer ; mobiliser les outils de la recherche et du développement et de l’innovation ; appréhender et gérer la complexité des systèmes.
Contenus et éléments de programme
- Apprentissage structuré pour la recherche opérationnelle
- Optimisation Bayésienne pour la recherche opérationnelle
- Applications à l’optimisation résiliente des processus industriels (ordonnancement, routing, network design, etc.)