Chez IVADO, nous soutenons ce programme de recherche à hauteur de 1,2 M$ dans le cadre de notre programme de financement de recherche stratégique lancé en 2021. Nous vous invitons à consulter la page principale du programme pour consulter ses objectifs et mieux comprendre le processus ayant permis de soutenir ce projet.

 

Description du programme

Toute décision implique une certaine forme d’incertitude. C’est certainement le cas dans les chaînes d’approvisionnement où la forte variabilité de la demande, des coûts et des déplacements complique considérablement la planification de l’approvisionnement, la production, la distribution et du service. Dans un contexte en constante évolution où la fréquence des données est élevée, les paradigmes classiques s’appuyant sur l’entraînement de modèles, leur validation, suivi par l’optimisation des décisions ne suffisent plus. Ce programme développe de nouvelles méthodes pour exploiter de manière plus efficace et adaptative les données dans la prise de décision. Il est fondé sur des perspectives modernes en optimisation et en apprentissage automatique, incluant l’apprentissage profond par renforcement/de bout-en-bout, les mesures de risque et l’optimisation contextuelle/robuste aux distributions. Sa mission est triple : (i) développer la prochaine génération de méthodes pour gérer l’incertitude dans les modèles d’optimisation axés sur les données en intégrant l’apprentissage automatique; (ii) identifier des opportunités scientifiques pour améliorer la robustesse des chaînes d’approvisionnement ; et (iii) stimuler l’intégration de modèles d’optimisation stochastique chez nos partenaires tout en définissant des cas d’application qui guideront les futures avancées méthodologiques. En somme, ce programme vise un cercle vertueux de découvertes qui sont à la fois alimentées et transformatrices pour un secteur important de l’économie canadienne.

Chercheurs principaux et chercheuse principale

Erick Delage

Professeur Titulaire

HEC Montréal, GERAD

Yossiri Adulyasak

Professeur agrégé

HEC Montréal, GERAD

Emma Frejinger

Professeure agrégée

Université de Montréal, CIRRELT

Liens utiles

Les ressources en lien avec ce programme apparaîtront ici.

Revue de presse

Les articles et entrevues en lien avec ce programme apparaîtront ici.

Appel de propositions de projets postdoctoraux

Programme FERMÉ

Récipiendaires:

  • Glen Berseth “Risk Sensitive Deep Reinforcement Learning for Planning in Uncertain Environments”
  • Marie-Ève Rancourt “Data-driven network design for wildfire evacuation under uncertainty”
  • Thibaut Vidal “Production Planning and Preemptive Maintenance: A Data-Driven Approach”
  • Roussos Dimitrakopoulos “Smart Mineral Value/Supply Chains: Towards the Next Generation of Data-Driven, Lifelong Learning Stochastic Optimizers for Sustainable Mineral Resource Development”

Domaine de recherche : Apprentissage automatique et optimisation intégrés pour la prise de décision en incertitude

Type de recherche : fondamentale ou appliquée

Type de programme : financement de chercheur.se.s postdoctor.aux.ales dans des équipes de recherche

Champs prioritaires : optimisation guidée par les données, optimisation contextuelle, programmation stochastique, optimisation robuste, applications aux chaînes d’approvisionnement

$35,000 pour une année seront accordés aux projets sélectionnés pour financer une partie des activités d’un.e chercheur.se postdoctoral.e dans une équipe de recherche. Des fonds sont disponibles pour un maximum de quatre projets. Les projets pourront soumettre une demande de renouvellement après la première année.

Clôture des soumissions : 31 mai 2022, 9h00 du matin, HAE.

Voir tous les détails de cet appel dans ce DOCUMENT PDF.

NB : Une SESSION SPÉCIALE des JOURNÉES DE L’OPTIMISATION 2022 (HEC Montréal, 16-18 mai 2022) sera consacrée à la présentation et à la discussion de cet appel de projets et du programme de recherche structurant de IVADO sur l’apprentissage automatique et l’optimisation intégrés pour la prise de décision en incertitude.

Postes postdoctoraux

Postes postdoctoraux en apprentissage automatique et optimisation intégrés pour des chaînes d’approvisionnement robustes et durables à HEC Montréal/Université de Montréal

Superviseurs : Erick Delage (HEC Montréal, GERAD), Emma Frejinger (Université de Montréal, CIRRELT et Mila), Yossiri Adulyasak (HEC Montréal, GERAD)

Durée : contrat d’une année avec possibilité d’une année supplémentaire. La date de début pourra être ajustée bien qu’elle devrait préférablement précéder janvier 2024.

Description du projet :
Les personnes retenues travailleront dans des domaines de recherche fondamentale ou appliquée en appui au programme de recherche structurant de IVADO Apprentissage automatique et optimisation intégrés pour la prise de décision en incertitude. La mission de ce programme est triple : (i) développer la prochaine génération de méthodes pour gérer l’incertitude dans les modèles d’optimisation axés sur les données en intégrant l’apprentissage automatique; (ii) identifier des opportunités scientifiques pour améliorer la robustesse des chaînes d’approvisionnement; et (iii) stimuler l’intégration de modèles d’optimisation stochastique chez nos partenaires tout en définissant des cas d’application qui guideront les futures avancées méthodologiques. De plus, conformément à la mission de l’Initiative R3AI d’IVADO (voir communiqué de presse), le projet postdoctoral visera à développer des méthodes d’apprentissage automatique et d’optimisation basées sur les données pour rendre les chaînes d’approvisionnement plus efficaces et adaptatives tout en garantissant la résilience, l’explicabilité et la durabilité de ses opérations.

Exigences :
Posséder un doctorat en apprentissage automatique, mathématiques appliquées, recherche opérationnelle ou une discipline apparentée et un dossier de recherche solide.

Comment postuler :
Les candidat.e.s doivent soumettre (i) leur CV, (ii) une copie électronique de tous leurs relevés universitaires, (iii) une courte description (environ une page) de leur expertise, de leur expérience et des sujets de recherche sur lesquels elles ou ils souhaiteraient se concentrer, et (iv) les coordonnées de 2 ou 3 personnes de référence (incluant les superviseur.e.s de doctorat). Les documents devraient être intégrés dans un seul fichier PDF expédié à MLOpt4DMU@gmail.com. Les candidat.e.s seront informé.e.s des progrès du processus de sélection seulement si leur candidature satisfait aux exigences prescrites ci-haut.