L’apprentissage automatique et l’optimisation des machines sont deux technologies sur lesquelles repose l’analyse au sein de l’industrie, et de nouveaux modèles continuent d’émerger afin de tirer pleinement parti des vastes ensembles de données qui se font de plus en plus accessibles.
Jonathan Li, professeur à l’École de gestion Telfer, a reçu une subvention à la découverte du Conseil de recherches en sciences naturelles et en génie pour son projet intitulé « An analytic framework for the simultaneous pursuit of data drivenness and robustness in machine learning and optimization ».
Le principe voulant que l’on se laisse guider par les données, de même que celui de la robustesse, sont des piliers des modèles d’optimisation et d’apprentissage machine (en anglais, data-drivenness et robustness). Le premier fait référence à la saisie d’information, et le second, à la protection contre les erreurs d’échantillonnage et les données imprévues.
Le professeur souhaite mettre au point un cadre d’optimisation distributionnellement robuste (ODR) axé sur les données à même de limiter – voire d’enrayer – les compromis actuellement nécessaires entre ces deux principes.
Apports prévus à la recherche
Ces dix dernières années, l’ODR s’est imposée comme l’une des méthodologies les plus opérantes en recherche, y compris dans les domaines de la statistique, de la science informatique, de la finance et de l’exploitation. Devant la disponibilité croissante de vastes ensembles de données, nombre d’études ont cherché à savamment les incorporer à l’ODR.
Les travaux du professeur Li ont pour but de rendre cette méthodologie applicable dans de multiples domaines et d’ainsi en favoriser l’adoption. À titre d’exemple, les établissements financiers pourraient utiliser le plein potentiel de l’analyse en contexte de gestion des portefeuilles et ainsi bâtir des portefeuilles plus performants, résilients et équitables, favoriser une plus grande stabilité économique et mettre diverses ressources financières à la disposition des personnes moins nanties.
