GONZALES Christophe

Les modeles decisionnels decomposables

Afin de modeliser des comportements sophistiques necessaires pour representer le plus fidelement possible des situations pratiques, les applications en Intelligence Artificielle et en Recherche Operationnelle ont de plus en plus recours a des modeles decisionnels complexes. Cette complexite s'accompagne de trois difficultes majeures: tout d'abord, le choix du modele decisionnel le plus adapte se doit d'etre justifiable et, a ce titre, il doit etre fonde sur une axiomatique. Une fois le modele choisi, il convient de determiner, d'apprendre, les parametres qui permettront de l'utiliser dans un probleme donne. Enfin, pour etre utilisable, le modele decisionnel requiert des algorithmes performants afin de repondre efficacement aux requetes des utilisateurs. Nos travaux ont porte sur l'ensemble de ces trois aspects.
Fondamentalement, tout modele decisionnel comporte une representation d'une part des preferences d'agents ou de decideurs, et d'autre part des incertitudes liees au probleme a resoudre. En ce qui concerne les justifications axiomatiques, nous nous sommes concentres sur les preferences des individus sur des espaces multi-attributs (hautement combinatoires), et plus particulierement sur leur representation numerique a l'aide de fonctions d'utilite. Dans ce domaine, nous avons etendu l'ensemble des axiomatiques des utilites additivement decomposables reposant sur des hypotheses de solvabilite et avons egalement developpe, conjointement avec Patrice Perny, les reseaux GAI (Generalized Additive Independence), qui permettent de representer des preferences plus generales que le modele additif, et nous en avons fourni une axiomatique dans le cadre de la decision dans le certain.
En ce qui concerne le parametrage des modeles decisionnels, nous avons travaille d'une part sur l'apprentissage, a partir de bases de donnees, de probabilites et, d'autre part, sur l'elicitation (la construction) de fonctions d'utilites GAI, en nous focalisant non seulement sur l'efficacite algorithmique des methodes developpees mais aussi sur le faible effort cognitif qu'elles requierent de la part des decideurs.
Enfin, nous avons etudie les mecanismes d'inference probabiliste (calcul de probabilites marginales a posteriori) et avons unifie methodes d'inference orientees et non orientees, montrant ainsi que, contrairement a ce qui est affirme dans la litterature, les variantes de l'algorithme de Pearl ne sont pas forcement dominees par toute methode non orientee. Nous avons egalement developpe des methodes d'inference dans les reseaux GAI pour resoudre des problemes de choix, de rangement et de decision collective.

Defence : 11/29/2007 - 15h - Site Passy-Kennedy - salle 550

Jury members :

Denis Bouyssou Examinateur
Jean-Yves Jaffray Coordinateur
Emmanuel Mazer Examinateur
Patrice Perny Examinateur
Marc Pirlot Rapporteur
Glenn Shafer Rapporteur
Peter Wakker Rapporteur

13 PhD graduated 2010 - 2022