Organisée conjointement par les GDR CNRS R.O 3002 (Recherche Opérationnelle) et I.A (Aspects Formels et Algorithmiques de l’Intelligence Artificielle), en partenariat avec la ROADEF
Aide à la Décision, R.O et I.A en Contexte Industriel
Thème Directeur : L’Apprentissage, les Contraintes, Le Big Data, les Architectures de Calcul Intensif, le Cloud et leur Utilisation pour le Design d’Applications Décisionnelles.
Date : Mardi 05 Décembre 2017, de 10 h à 16 h 30.
Lieu : Institut Henri POINCARE (IHP), 11-12 Rue Pierre et Marie CURIE, Paris V°, Métro JUSSIEU, RER LUXEMBOURG.
Entrée gratuite, Inscription souhaitée, pour des raisons logistiques ici.
Objectif : Cette manifestation vise à permettre une rencontre entre chercheurs, doctorants et industriels autour des questions qui dérivent du croisement entre Intelligence Artificielle et Recherche Opérationnelle, avec un focus particulier sur les problématiques liées à la gestion de grandes masses de données, à l’utilisation de méthodes d’apprentissage au sein d’applications décisionnelles, et à l’interaction entre processus de propagation par contraintes et grands schémas de programmation mathématique. Elle est donc ouverte à tout ch ercheur ou ingénieur, issu du monde académique ou de de l’industrie intéressé par ces thèmes. Elle sera composée de 7 exposés effectués par des représentants du monde socio-économiques, suivie d’une table ronde. Un déjeuner-buffet sera offert aux participants à la mi-journée.
Intervenants (exposés d’environ 35 mn, suivis de questions et discussion avec le public).
- Christophe LABREUCHE, THALES: Multi-Criteria Decision Aiding in an industrial context
- Vincent LEMAIRE, ORANGE: Cluster Prédictif et Fouille de Données d’Usage en Télécommunication.
- Kevin JACQUEMIN, CRITEO : Du CPM au Target CPO.
- Philippe LABORIE, IBM: CP Optimizer: un solveur générique à la croisée de l’IA et de la RO pour la résolution de problèmes d’ordonnancement industriels.
- Arnaud LALLOUET, HUAWEI : Constraint Games.
- Laurent COSSERAT, RENAULT : La configuration chez Renault : une application de la compilation de connaissances.
- Alessandro LAZARIC, FACEBOOK: Artificial Intelligence at and for Facebook: Current Research and Future Perspectives.
- Table Ronde (forum de discussion avec le public).
Résumés des exposés.
- Christophe LABREUCHE, THALES: Multi-Criteria Decision Aiding in an industrial context
Multi-Criteria Decision Aiding arises in many industrial applications. We consider two types of decision problems that we often have to deal with in THALES: Decision Aid for the Design of complex systems, Decision function within an embedded system.
The industrial context requires to improve the existing techniques from the state of the art. Let us mention a few important research axis:
(1) Model expressiveness. In the previous problems, the decision makers are experts and they express complex and subtle decision strategies. We need thus to use expressive decision models, in particular able to represent interaction among criteria.
(2) Adapted learning techniques. In the elicitation phase, each piece of information is precious and taken as a constraint. For systems with the man in the loop, we need to use automatic preference learning algorithms using the continuous user feedback.
(3) Explanation of the decision. Explanation is Very important for decision makers to understand the recommendation. They do not want a black box.
We will review some of the work we did on these subjects in the last years.
- Vincent LEMAIRE, ORANGE: Cluster Prédictif et Fouille de Données d’Usage en Télécommunication.
Après une brève présentation de la genèse de certaines problématiques de recherche d’Orange en fouille de données un exposé sur les travaux effectués sur « Clustering Prédictif » sera présenté. Dans certains domaines applicatifs, la compréhension (la description des résultats issus d’un classifieur est une condition aussi importante que sa performance prédictive. De ce fait, la qualité du classifieur réside donc dans sacapacité à fournir des résultats ayant de bonnes performances en prédiction tout en produisant simultanément des résultats compréhensibles par l’utilisateur. On parle ici du compromis interprétation vs. performance des modèles d’apprentissage automatique. L’objectif est donc de proposer un classifieur capable de décrire les instances d’un problème de classification supervisée tout en prédisant leur classe d’appartenance (simultanément).
- Philippe LABORIE, IBM: CP Optimizer: un solveur générique à la croisée de l’IA et de la RO pour la résolution de problèmes d’ordonnancement industriels.
Les problèmes d’ordonnancement classiques (type job-shop ou RCPSP) comptent parmi les problèmes difficiles les plus étudiés en optimisation combinatoire. Ils sont pourtant loin de rendre compte de toute la complexité rencontrée dans les applications d’ordonnancement industrielles. Depuis plus de 20 ans, notre équipe à ILOG (maintenant IBM) développe et intègre tout un panel de techniques issues de l’IA (programmation par contraintes, raisonnement temporel, apprentissage, …) et de la RO (programmation mathématique, algorithmes de graphes, recherche locale, …) pour résoudre les problèmes industriels de nos clients. Ces travaux ont abouti à la conception de CP Optimizer, un solveur générique proposant un langage de modélisation mathématique très expressif bien que concis pour formuler les problèmes d’ordonnancement complexes accompagné d’un algorithme de résolution automatique, exact, efficace, robuste et en continuelle amélioration. L’exposé donnera un aperçu de CP Optimizer illustré sur des exemples.
- Kevin JACQUEMIN, CRITEO : Du CPM au Target CPO.
La publicité en ligne est un marché capital pour les entreprises sur Internet, où les éditeurs (i.e. réseaux sociaux, sites internet d’informations, moteurs de recherche, portails web, blogs, …) vendent des emplacements publicitaires et les annonceurs (i.e. boutiques en ligne) les achètent pour attirer les utilisateurs profitables vers leur site marchand (à travers un clic) et générer de nouvelles ventes.
Les emplacements publicitaires sont vendus par les éditeurs via des ventes aux enchères basées sur le Coût-Par-Impression (CPM = cost per mille).
Les annonceurs souhaitent acheter les emplacements générant des clics ou des ventes, et être facturés sur un Coût-Par-Clic (CPC) ou un Coût-Par-Achat (CPO = cost per order).
Cet exposé présentera les deux principaux challenges auxquels Criteo et ses clients (les Annonceurs) sont confrontés : construire un enchérisseur assurant une contrainte de Coût-Par-Achat, et comment les ventes aux enchères de publicités en ligne sont en train d’évoluer.
- Arnaud LALLOUET, HUAWEI: Constraint Games.
Constraint Games are a recent framework proposed to model and solve static games where Constraint Programming is used to express players preferences. In this talk, we present their solving technique in terms of constraint propagation by considering players preferences as global constraints. It yields a very elegant but also very efficient framework to solve problems in Game Theory. Our new complete solver is faster than previous state-of-the-art and is able to find all pure Nash equilibria for some problems with 200 players. We also show that performances can greatly be improved for graphical games, allowing some games with 2000 players to be solved.
- Laurent COSSERAT, RENAULT : La configuration chez Renault : une application de la compilation de connaissances.
Renault a développé en interne une technologie de compilation booléenne de contraintes pour représenter la diversité du produit automobile. Cette approche permet de configurer efficacement des véhicules de la Gamme, en ordre libre, avec résolution de conflit, et avec des contraintes sur le prix. La configuration est utilisée dans un contexte commercial mais aussi dans un contexte technique en interne de l’entreprise pour définir des véhicules ayant des propriétés spécifiques. Ont été aussi développées des applications de configuration de probabilités, utilisées pour finaliser des prévisions compatibles avec le CSP spécifiant la diversité.
- Alessandro LAZARIC, FACEBOOK: Artificial Intelligence at and for Facebook: Current Research and Future Perspectives.
In this talk I will first briefly illustrate the main axes of research at the Facebook artificial intelligence research (FAIR) lab. Then I will focus on current research in reinforcement learning (RL) and I will illustrate examples of applications in which RL methods could have a significant impact. Finally, I will describe the current research activities related to RL at FAIR.
Contacts : Alain QUILLIOT : alain.quilliot@isima.fr, Sebastien KONIECZNY : konieczny@cril.fr