Description
Date depot: 12 avril 2019
Titre: Recherche locale et élicitation incrémentale pour l'apprentissage de modèles d’agrégation en optimisation combinatoire multi-objectifs
Directeur de thèse:
Patrice PERNY (LIP6)
Directeur de thèse:
Thibaut LUST (LIP6)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
L'apprentissage des préférences d'un agent humain est un domaine de l'intelligence artificielle (IA) d'une importance cruciale, notamment quand l'IA est utilisée pour assister les individus dans leurs prises de décision. Si l'on considère des tâches comme choisir un film ou décider d'un trajet, les différents critères à prendre en compte (durée/genre du film, acteurs, etc. pour le choix du film, et distance, coût, sécurité, etc. pour le trajet) et le nombre colossal d'options possibles rendent souvent leur comparaison difficile et fastidieuse pour un être humain. Dans ce cadre de problèmes, l'IA peut aider et accélérer la prise de décision, par un apprentissage efficace des préférences du décideur en posant les bonnes questions et par une réduction significative des options possibles en proposant essentiellement des solutions correspondant aux préférences du décideur.
Dans ce sujet de thèse, nous nous intéressons en particulier à des problèmes de décision où l'ensemble des solutions n'est pas disponible en extension mais défini de manière implicite. De plus, chaque solution est évaluée selon différents critères contradictoires et hétérogènes évaluant des enjeux quantitatifs (performance, durée, coût, etc.) et qualitatifs (aspects environnementaux, attractivité d'une solution, etc.). Ce sujet se concentre sur les méthodes interactives où les interactions avec le décideur sont mises en place tout au long du processus de génération des solutions. Plus précisément, des méthodes basées sur la recherche locale et l'élicitation incrémentale seront étudiées, dans le cas où les préférences du décideur sur les solutions peuvent être réprésentées par une fonction scalarisante paramétrée. Dans cette approche, l'imprécision sur les paramètres est progressivement réduite en posant des questions au décideur 1) avant la recherche locale dans le but d'identifier une première solution prometteuse 2) durant la recherche locale pour discriminer les solutions à l'intérieur d'un voisinage. Cette nouvelle approche est générale et peut être appliquée à tout problème d'optimisation combinatoire multi-objectifs, à condition que la fonction scalarisante soit linéaire en ses paramètres (par exemple une somme pondérée, l'opérateur OWA ou l'intégrale de Choquet). Un enjeu crucial est de limiter le nombre de questions posées au décideur afin que la détermination de sa solution préférée ne soit pas pour lui un processus fastidieux, tout en garantissant la qualité de la solution obtenue
Doctorant.e: Leroy Cassandre