Séminaire – Prise de décision, données et apprentissage automatique

À propos de
l'événement

Tant en ingénierie que dans le milieu des affaires, l’optimisation combinatoire et l’optimisation mathématique ont désormais leur place dans les processus décisionnels des entreprises et des organisations. Toutefois, les données massives, complexes ou non structurées, soulèvent de nouvelles questions de recherche sur l’intégration des données dans la prise de décision. Le conférencier illustrera, à l’aide de deux applications, comment l’apprentissage automatique peut contribuer aux différentes étapes d’un processus décisionnel.

Premièrement, nous explorerons l’apprentissage automatique en tant que moyen de traitement des données requises pour l’allocation de matières premières aux usines de sciage. Le cas à l’étude nous permettra d’illustrer comment l’apprentissage peut appuyer la prise de décision par la facilitation du traitement de données complexes nécessaires au processus d’optimisation.

Deuxièmement, nous présenterons un exemple applicatif où l’apprentissage automatique permet de justifier les choix effectués par un système d’aide à la décision commercial pour la gestion des eaux usées et pluviales. Ce cas nous permettra d’illustrer comment l’apprentissage peut être utilisé à titre explicatif. L’hypothèse sous-jacente à ces travaux est que les méthodes issues de l’apprentissage automatique offrent des réponses quant aux divers moyens de combiner l’optimisation et les données efficacement.

Conférencier

Michael Morin
Ph. D. informatique (ULaval)
Chercheur postdoctoral
Toronto Intelligent Decision Engineering Laboratory
Department of Mechanical & Industrial Engineering
Université de Toronto

Michael Morin détient une bourse postdoctorale du Fonds de recherche du Québec – Nature et Technologies (FRQNT). Il a précédemment réalisé un postdoctorat conjoint en apprentissage automatique et recherche opérationnelle au Consortium de recherche FORAC et au Centre de recherche en modélisation, information et décision (CERMID).

Ses intérêts en recherche portent sur les interactions possibles entre l’optimisation et le traitement des données (apprentissage automatique, données massives) pour la prise de décision ainsi que sur l’optimisation et ses applications.