Menu principal

Combiner Apprentissage et Logique pour comprendre les causalités

Contexte : Ce projet est issu d'un programme de recherche ayant pour objectif de proposer une nouvelle méthodologie de suivi de procédés pour la gestion logistique. À partir de données collectées (fichiers log des processus) lors du déroulement de différentes tâches, la méthode doit permettre à l'utilisateur de visualiser son processus et d'en proposer une amélioration limitant la probabilité d'apparition d'un évènement considéré comme critique et défini en amont par l'utilisateur.
Un exemple d'application serait une entreprise (ou une administration) qui souhaiterait mieux connaître les différents parcours que peuvent réaliser ses clients, afin de pouvoir agir sur son organisation dans le but de limiter le risque de saturation d'un de ses services. Cette étude aurait en entrée la séquence d'actions des différents agents (sous forme de log). Cette simple connaissance fournie en entrée devrait être suffisante pour obtenir les sorties attendues : à savoir la probabilité de saturation des services et les actions à mener pour diminuer cette probabilité.

Sujet :  L'objectif de ce stage est de faire un état de l'art sur les méthodes d'amélioration de processus. En effet, si une intervention dans le processus existant doit être proposée (doubler l'effectif d'un service, intervertir deux étapes\dots), elle devra tenir compte des conséquences sur l'ensemble du processus (par exemple doubler l'effectif d'un service ne doit pas saturer le service suivant). Le candidat devra étudier les méthodes de représentation et de simulation de la causalité utilisant les nouvelles techniques de machine learning. En parallèle, il devra intégrer les méthodes de représentation plus explicites (sous forme logique) des lois causales comme l’extrapolation de croyances qui consiste à expliquer des scénarios donnés par les événements qui ont pu survenir à différents instants ou les algorithmes GDA (goal driven algorithms) basés sur le calcul des écarts entre la situation courante et la situation attendue afin de mettre à jour les buts de l’agent. L'étudiant.e s’appuiera pour cela sur les outils disponibles au laboratoire (COSMOS, Package R) pour l'étude causale dans un processus et sur les outils décrits dans les références ci-dessous.

Les tâches à réaliser seront :

  • Une étude bibliographique ;
  • La sélection et le pré-traitement des données (log);
  • La représentation logique et numérique du processus générique ;
  • La résolution: proposition d'un processus amélioré à partir des données existantes ;
  • L’étude d'impact suite au changement proposé, l’interprétation et la comparaison des résultats.
  • La génération d'explications causales.

Ce stage sera encadré par Emmanuelle Claeys (emmanuelle.claeys@irit.fr) et Florence Bannay (florence.bannay@irit.fr) au laboratoire IRIT dans l'équipe ADRIA.

 

 


Mots-clés
causalité; Logics for Reasoning about Strategies; machine learning
Établissement
IRIT - INSTITUT DE RECHERCHE EN INFORMATIQUE DE TOULOUSE
31062 TOULOUSE  
Équipe de recherche
ADRIA (Argumentation, Décision, Raisonnement, Incertitude et Apprentissage)
Site Web
https://www.irit.fr/
Date de début souhaitée
01/03/2021
Langues obligatoires
Français
Niveau
Bac +4; Bac +5
Prérequis

Autonome en programmation (de préférence R ou Python), connaissances en logique et probabilités, intérêt pour le machine learning.

Durée
6 mois
Indemnité
Rémunéré
Date limite
15/02/2021
Informations de contact

Emmanuelle Claeys (emmanuelle.claeys@irit.fr) et Florence Bannay (florence.bannay@irit.fr)