[bull-ia] Journée Industrielle (journée commune RO –

Content-Type: text/html;
charset=utf-8

 
** Journe=CC=81e Industrielle : =
Rencontres entre Acade=CC=81miques et Industriels **

Organise=CC=81e conjointement par les GDR CNRS R.O 3002 =
(Recherche Ope=CC=81rationnelle) et I.A (Aspects Formels et =
Algorithmiques de l=E2=80=99Intelligence Artificielle), en =
partenariat avec la ROADEF

** Aide a=CC=80=
la De=CC=81cision, R.O et I.A en Contexte Industriel **
The=CC=80me Directeur : L=E2=80=99Apprentissage, les=
Contraintes, Le Big Data, les Architectures de Calcul Intensif, =
le Cloud et leur Utilisation pour le =
Design d=E2=80=99Applications De=CC=81cisionnelles.

Date : Mardi 05 De=CC=81cembre 2017, de =
10 h a=CC=80 16 h 30.
Lieu : Institut Henri POINCARE =
(IHP), 11-12 Rue Pierre et Marie CURIE, Paris V=C2=B0, Me=CC=81tro =
JUSSIEU, RER LUXEMBOURG.

Entre=CC=81e =
gratuite, Inscription souhaite=CC=81e, pour des raisons logistiques =
sur:

http://gdrro.lip6.fr/?q=3Dnode/116 , du GDR RO, ou =
sur https://www.gdria.fr/JI-RO-IA, du GdR IA, qui =
incluent tous deux un formulaire d’inscription automatique.

Objectif : Cette manifestation vise a=CC=80=
permettre une rencontre entre chercheurs, doctorants et industriels =
autour des questions qui de=CC=81rivent du croisement entre =
Intelligence Artificielle et Recherche Ope=CC=81rationnelle, avec =
un focus particulier sur les proble=CC=81matiques lie=CC=81es a=CC=80=
la gestion de grandes masses de donne=CC=81es, =
a=CC=80 l=E2=80=99utilisation de me=CC=81thodes d=E2=80=
=99apprentissage au =
sein d=E2=80=99applications de=CC=81cisionnelles, et =
a=CC=80 l=E2=80=99interaction entre processus =
de propagation par contraintes et grands sche=CC=81mas de =
programmation mathe=CC=81matique. Elle est donc ouverte a=CC=80 =
tout chercheur ou inge=CC=81nieur, issu du monde acade=CC=81miqu=
e ou de de l=E2=80=99industrie inte=CC=81resse=CC=81 par ces =
the=CC=80mes. Elle sera compose=CC=81e de 7 expose=CC=81s =
effectue=CC=81s par des repre=CC=81sentants du monde =
socio-e=CC=81conomiques, suivie d=E2=80=99une table =
ronde. Un de=CC=81jeuner-buffet sera offert aux participants a=CC=80 =
la mi-journe=CC=81e.

Intervenants =
(expose=CC=81s d=E2=80=99environ 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 Pre=CC=81dictif et Fouille de =
Donne=CC=81es d=E2=80=99Usage en Te=CC=81le=CC=81communication.
– =
 Kevin JACQUEMIN, CRITEO : Du CPM au Target CPO.

– =
 Philippe LABORIE, IBM: CP Optimizer: un solveur ge=CC=81ne=CC=81=
rique a=CC=80 la croise=CC=81e de l’IA et de la RO pour =
la re=CC=81solution de proble=CC=80mes 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). 


3D"page1image25328" &nbs=
p;3D"page1image25488"
Re=CC=81sume=CC=81s des expose=CC=81s.

–  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 Pre=CC=81dictif et Fouille =
de Donne=CC=81es d=E2=80=99Usage en =
Te=CC=81le=CC=81communication. 

Apre=CC=80s une bre=CC=80ve =
pre=CC=81sentation de la gene=CC=80se de certaines proble=CC=81matiqu=
es de recherche d’Orange en fouille de donne=CC=81es un expose=CC=81 =
sur les travaux effectue=CC=81s sur « Clustering Pre=CC=81dictif » sera =
pre=CC=81sente=CC=81. Dans certains domaines applicatifs, =
la compre=CC=81hension (la description des re=CC=81sultats =
issus d=E2=80=99un classifieur est une condition aussi =
importante que sa performance pre=CC=81dictive. De ce fait, la =
qualite=CC=81 du classifieur re=CC=81side donc dans sacapacite=CC=81 =
a=CC=80 fournir des re=CC=81sultats ayant de bonnes performances en =
pre=CC=81diction tout en produisant simultane=CC=81ment =
des re=CC=81sultats compre=CC=81hensibles =
par l=E2=80=99utilisateur. On parle =
iciducompromisinterpre=CC=81tationvs.performance des =
mode=CC=80les d=E2=80=99apprentissage automatique. L=E2=80=99=
objectif est donc de proposer un classifieur capable de =
de=CC=81crire les instances d=E2=80=99un proble=CC=80me de =
classification supervise=CC=81e tout en pre=CC=81disant =
leur classe d=E2=80=99appartenance (simultane=CC=81ment).

–  Philippe LABORIE, =
IBM: CP Optimizer: un solveur ge=CC=81ne=CC=81rique a=CC=80 la =
croise=CC=81e de l’IA et de la RO pour la re=CC=81solution de =
proble=CC=80mes d’ordonnancement industriels.

Les proble=CC=80mes d’ordonnancement classiques (type =
job-shop ou RCPSP) comptent parmi les proble=CC=80mes difficiles =
les plus e=CC=81tudie=CC=81s en optimisation combinatoire. Ils sont =
pourtant loin de rendre compte de toute la complexite=CC=81 =
rencontre=CC=81e dans les applications d’ordonnancement industrielles. =
Depuis plus de 20 ans, notre e=CC=81quipe a=CC=80 ILOG (maintenant =
IBM) de=CC=81veloppe et inte=CC=80gre tout un panel de techniques =
issues de l’IA (programmation par contraintes, raisonnement =
temporel, apprentissage, …) et de la =
RO (programmation mathe=CC=81matique, algorithmes de graphes, =
recherche locale, …) pour re=CC=81soudre les proble=CC=80mes =
industriels de nos clients. Ces travaux ont abouti a=CC=80 la conception =
de CP Optimizer, un solveur ge=CC=81ne=CC=81rique proposant un =
langage de mode=CC=81lisation mathe=CC=81matique tre=CC=80s expressif =
bien que concis pour formuler les proble=CC=80mes d’ordonnancement =
complexes accompagne=CC=81 d’un algorithme de =
re=CC=81solution automatique, exact, efficace, robuste et en =
continuelle ame=CC=81lioration. L’expose=CC=81 donnera un aperc=CC=A7u =
de CP Optimizer illustre=CC=81 sur des exemples.

–  Kevin JACQUEMIN, =
CRITEO : Du CPM au Target CPO.

La publicite=CC=81 en ligne est un marche=CC=81 capital pour =
les entreprises sur Internet, ou=CC=80 les e=CC=81diteurs (i.e. =
re=CC=81seaux sociaux, sites =
internet d=E2=80=99informations, moteurs de recherche, =
portails web, blogs, …) vendent des emplacements =
publicitaires et les annonceurs (i.e. boutiques en ligne) les ache=CC=80te=
nt pour attirer les utilisateurs profitables vers leur site =
marchand (a=CC=80 travers un clic) et ge=CC=81ne=CC=81rer de =
nouvelles ventes.
Les emplacements publicitaires sont =
vendus par les e=CC=81diteurs via des ventes aux enche=CC=80res base=CC=81=
es sur le Cou=CC=82t-Par-Impression (CPM =3D cost per mille).
Les annonceurs souhaitent acheter les emplacements =
ge=CC=81ne=CC=81rant des clics ou des ventes, et e=CC=82tre =
facture=CC=81s sur un Cou=CC=82t-Par-Clic (CPC) ou un =
Cou=CC=82t-Par-Achat (CPO =3D cost per order).
Cet =
expose=CC=81 pre=CC=81sentera les deux principaux challenges auxquels =
Criteo et ses clients (les Annonceurs) sont confronte=CC=81s : =
construire un enche=CC=81risseur assurant une contrainte de =
Cou=CC=82t-Par-Achat, et comment les ventes aux enche=CC=80res de =
publicite=CC=81s en ligne sont en train d=E2=80=99e=CC=81voluer.

– =
 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 de=CC=81veloppe=CC=81 en interne une technologie =
de compilation boole=CC=81enne de contraintes pour repre=CC=81senter =
la diversite=CC=81 du produit automobile. Cette approche permet de =
configurer efficacement des ve=CC=81hicules de la Gamme, en =
ordre libre, avec re=CC=81solution de conflit, et avec des contraintes =
sur le prix. La configuration est utilise=CC=81e dans un contexte =
commercial mais aussi dans un contexte technique en interne de =
l’entreprise pour de=CC=81finir des ve=CC=81hicules ayant des =
proprie=CC=81te=CC=81s spe=CC=81cifiques. Ont e=CC=81te=CC=81 =
aussi de=CC=81veloppe=CC=81es des applications =
de configuration de probabilite=CC=81s, utilise=CC=81es pour =
finaliser des pre=CC=81visions compatibles avec le CSP spe=CC=81cifia=
nt la diversite=CC=81.

=
–  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

3D"page3image15792"=

–Apple-Mail=_D2B2EAB7-2471-412A-9F6A-EEED89D3F3E0
Content-Transfer-Encoding: base64
Content-Disposition: inline;
filename=page1image25328.png
Content-Type: image/png;
x-unix-mode=0666;
name= »page1image25328.png »
Content-Id:

iVBORw0KGgoAAAANSUhEUgAAAIcAAAABCAYAAAD0Dr3PAAAAAXNSR0IArs4c6QAAAAlwSFlzAAAO
TgAADk4B62xJZAAAABZJREFUKBVjZGD4P5NhFIyGAGYI3AMAXhwCeK/MsuQAAAAASUVORK5CYII=
–Apple-Mail=_D2B2EAB7-2471-412A-9F6A-EEED89D3F3E0
Content-Transfer-Encoding: base64
Content-Disposition: inline;
filename=page1image25488.png
Content-Type: image/png;
x-unix-mode=0666;
name= »page1image25488.png »
Content-Id:

iVBORw0KGgoAAAANSUhEUgAAAHYAAAABCAYAAAALgFpoAAAAAXNSR0IArs4c6QAAAAlwSFlzAAAO
WQAADlkB8Dz/0QAAABRJREFUGBljZGD4P5NhFAy3EKgBAPDDAhZ/XEv1AAAAAElFTkSuQmCC
–Apple-Mail=_D2B2EAB7-2471-412A-9F6A-EEED89D3F3E0
Content-Transfer-Encoding: base64
Content-Disposition: inline;
filename=page3image15792.png
Content-Type: image/png;
x-unix-mode=0666;
name= »page3image15792.png »
Content-Id:

iVBORw0KGgoAAAANSUhEUgAAAEcAAAABCAYAAACMsbNuAAAAAXNSR0IArs4c6QAAAAlwSFlzAAAO
UwAADlMBq0g0PQAAABNJREFUGBljZGD4P5NhFGALgcsAw/MCbZHPw58AAAAASUVORK5CYII=
–Apple-Mail=_D2B2EAB7-2471-412A-9F6A-EEED89D3F3E0–