Intégrer des méthodes modernes d’optimisation et d’apprentissage automatique pour améliorer l’efficacité et la résilience des chaînes d’approvisionnement et des systèmes de mobilité.

Vision

Dans un monde façonné par des incertitudes globales en constante évolution, ce regroupement vise à repenser la gestion des chaînes d’approvisionnement et des systèmes de mobilité en intégrant la recherche opérationnelle et l’apprentissage automatique. Il vise à rendre ces systèmes plus robustes, plus réactifs et plus durables, tout en réduisant leur empreinte environnementale et en renforçant le leadership du Canada dans l’intégration de ces domaines.

Objectifs

Les objectifs du regroupement sont d’intégrer et d’améliorer les méthodes modernes d’optimisation et d’apprentissage automatique afin d’améliorer l’efficacité et la résilience des chaînes d’approvisionnement et des systèmes de mobilité, tout en réduisant leur empreinte environnementale. Le but est d’exploiter l’apprentissage automatique :

  • Dans la conception de modèles d’optimisation qui rendront ces systèmes plus réactifs aux conditions changeantes;
  • Pour accélérer l’optimisation de très grands systèmes qui tiennent compte des contextes économiques, sociétaux, environnementaux et humains;
  • Pour quantifier l’incertitude et rendre les chaînes d’approvisionnement plus résistantes aux perturbations causées par les catastrophes naturelles, les pandémies, les guerres et d’autres événements mondiaux.

Axes de recherche

Axe 1 : Quantification complexe de l’incertitude

Robustesse hors distribution, prévisions de données de comptage, structure de corrélation complexe, apprentissage sous observabilité partielle.

Axe 2 : Intégration de la prédiction et de l’optimisation

Environnements simulés pour l’optimisation contextuelle, optimisation robuste des chaînes d’approvisionnement, routage et planification rentables des navires.

Axe 3 : Accélération de la résolution des modèles multi-étapes

Décomposition de Benders assistée par l’apprentissage machine, apprentissage par renforcement pour la gestion des stocks, gestion de flotte pour le transport ferroviaire.

Axe 4 : Optimisation de bout en bout consciente des décideurs

Prise de décision équitable, apprentissage de politiques averses au risque, intégration des comportements humains.

Axe 5 : Intégration de l’endogénéité

Apprentissage et optimisation intégrés pour les prévisions de la demande, atténuation de l’incertitude épistémique dans l’apprentissage hors ligne.

Défis

Les chaînes d’approvisionnement et les systèmes de mobilité sont confrontés à une volatilité sans précédent en raison de crises mondiales, telles que les pandémies ou les catastrophes naturelles. Comment pouvons-nous développer des solutions pour mieux anticiper et répondre à ces perturbations ? Le défi consiste également à trouver un équilibre entre l’efficacité opérationnelle, la transparence des décisions et la satisfaction des parties prenantes, tout en minimisant l’impact sur l’environnement.

Impact anticipé

Les activités du regroupement contribueront à trois dimensions principales de l’initiative IAR³ en développant des systèmes d’IA robustes, raisonnables et responsables. Il est nécessaire de disposer de systèmes robustes capables de réagir rapidement à des changements imprévus et d’atténuer les effets de ces perturbations sur les opérations en aval.

Systèmes raisonnants : création de systèmes plus stables et moins sensibles aux variations de données, dont le comportement est plus proche de la manière dont les humains raisonnent et prennent des décisions.

Le regroupement contribuera à l’adoption responsable de l’IA en développant des modèles et des algorithmes qui conduisent à des décisions permettant de réaliser de bons compromis entre les objectifs et les contraintes de multiples parties prenantes.

  • Progrès scientifique : contributions scientifiques significatives aux disciplines connexes et diffusion par des publications dans des revues scientifiques de premier plan, des conférences, etc.
  • Développements méthodologiques : tests sur des données réelles afin de tirer des enseignements pratiques et managériaux pertinents.

Collaboration industrielle : mise en œuvre d’innovations avec des acteurs stratégiques, ce qui garantira que les méthodes peuvent être adoptées dans un contexte réel.

Projets en cours

AI-Driven Optimization for Multimodal Transportation Networks: Integrating Theoretical Insights with Data-Driven Decision Modeling
(Axe 4)

Gamifying online stochastic optimization problems
(Axe 2)

Uncertainty Quantification for Spatiotemporal and Multivariate Demand in Supply Chain and Mobility System
(Axe 1)

Dynamic Data-Driven Resource Planning for Wildfire Management under Uncertainty
(Axe 1)

Learning-based sequential decision-making under uncertainty
(Axe 3)

RETRO: Optimization of Orbital Debris Remediation through Machine Learning and Combinatorial Optimization
(Axe 2, Axe 4)

Development of machine learning methods and stochastic short-term production planning to reduce environmental footprint of dynamic fleet management systems in mining complexes
(Axe 2)

Efficient Risk-averse Policy Learning for Supply Chain Management
(Axe 4)

Counterfactual explanations for contextual optimization problems subject to endogenous uncertainty
(Axe 2, Axe 5)

Équipe de recherche

Coresponsables

Yossiri Adulyasak
HEC Montréal
Jean-François Cordeau
HEC Montréal
Erick Delage
HEC Montréal
Emma Frejinger
Université de Montréal

Chercheuses et chercheurs

Conseillère à la recherche

Danielle Maia de Souza : danielle.maia.de.souza@ivado.ca