Description
Date depot: 4 octobre 2019
Titre: Hybridation d’algorithmes d’intelligence artificielle avec des connaissances métier pour le transport ferroviaire
Directeur de thèse:
Mohamed NADIF (Centre Borelli (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé:
Le point de départ de la thèse porte sur cette question, à travers le constat que la connaissance métier, qui permet le travail d’interprétation du résultat algorithmique, est trop souvent intriquée de façon implicite dans le système d’analyse. En effet, la définition de métriques ou distances pour la classification, les choix de structure et de connectivité d’un réseau de neurones, les choix des structures de données pour l’analyse de séries temporelles, ou encore la structuration des hiérarchies de concepts ou des ontologies pour les approches symboliques, ne sont pas neutres. Ce sont souvent elles qui portent la connaissance opérationnelle qui fera que l’algorithme fournira un résultat profitable.
Les données dans le domaine ferroviaire sont de nature mixte (quantitative, qualitative) et comportent généralement des données manquantes. L’objectif de la thèse sera de nature non supervisé. La réduction de la dimension et le (Co)-clustering constitueront les principaux axes de recherche. Nous privilégierons deux approches : l’approche modèle de mélanges voire les modèles des blocs latents et l’approche apprentissage profond visant à combiner simultanément la réduction de la dimensionnalité et le clustering. A noter que ces deux approches peuvent être combinées et constitueront de ce fait une contribution nouvelle sur ce type de données. Des approches de type spectral ou factorisation pourront être également envisagées. En conclusion, l’intégration des connaissances métier dans une problématique comprenant des données mixtes avec données manquantes présentera un challenge à relever dans cette thèse.
Doctorant.e: Riverain Paul