Chaînes d’approvisionnement et les systèmes de mobilité

Le Regroupement de recherche 9 d’IVADO lance un programme de bourses de recherche visant à offrir un soutien financier supplémentaire aux doctorants qui mènent des travaux à fort impact portant sur le développement et l’application de méthodes d’IA aux chaînes d’approvisionnement et aux systèmes de mobilité. Un financement pouvant aller jusqu’à 10 000 $ est offert pour une période d’un an, non renouvelable. En savoir plus >>

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

Dynamic Demand and Capacity Management for B2B Transportation Services

(Axes 1, 3 et 4)

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

Efficient Covariance Modeling for High-Dimensional Spatiotemporal Forecasting

(Axes 1 et 2)

Lijun Sun – McGill University
Youssef Diouane – Polytechnique Montréal

Reducing Cart Abandonment through Dynamic Learning and Optimization of Shipping Policies in E-Commerce Platforms

Mehmet Gumus – McGill University
Rim Hariss – McGill University
Recep Bekci – University of Waterloo)
Sentao Miao – University of Colorado, Boulder

Responsible Network Design Problem

(Axes 3 et 5)

Okan Arslan – HEC Montréal
Yossiri Adulyasak – HEC Montréal
Margarida Carvalho – Université de Montréal

Sample-efficient uncertainty quantification through physics-informed learning for building large-scale urban mobility digital twins

(Axes 1 et 2)

Youssef Diouane – Polytechnique Montréal
Carolina Osorio – HEC Montréal
Lijun Sun – McGill University

Multi-dimensional Distribution Learning for Supply Chain Management

(Axes 1 et 4)

Erick Delage – HEC Montréal

Large language model agent for mobility reasoning and synthesis

Lijun Sun – McGill University

Learning human preferences for optimization under endogenous uncertainty

Emma Frejinger – Université de Montréal

General risk-aware reinforcement learning algorithms

Erick Delage – HEC Montréal

Apprentissage et optimisation intégrés sous incertitude endogène

Utsav Sadana – Université de Montréal

AI-driven information design for competitive learning in digital marketplaces

Mehmet Gumus – McGill University

Decision-aware learning for supply chains and industrial systems: balancing computational efficiency and solution reliability

Erick Delage – HEC Montréal

Data-driven multi-stage optimization under endogenous demand in size inclusive fashion retail

Mehmet Gumus – McGill University

Fair Sequential Decision-Making in Weakly Coupled Markov Decision Processes

Erick Delage – HEC Montréal

Application-Driven Tree Approximation for Multistage Stochastic Programs

Maryam Daryalal – HEC Montréal

Learning Road Network Distances for Combinatorial Optimization

Okan Arslan – HEC Montréal

Understanding customer decisions under stock-out endogeneity and product uncertainty in Omnichannel retail

Sanjith Gopalakrishnan – McGill University

Projets précédents

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

Bobin Wang – Université Laval
Christian Gagné – Université Laval
Mikael Rönnkvist – Université Laval

Gamifying online stochastic optimization problems
(Axe 2)

Jorge Mendoza – HEC Montréal
Martin Cousineau – HEC Montréal
Amir-Massoud Farahmand – Polytechnique Montréal

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

Lijun Sun – Université McGill
Alexandra Schmidt – Université McGill

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

Marie-Ève Rancourt – HEC Montréal
Daniel Aloise – Polytechnique Montréal
Valérie Bélanger – HEC Montréal
Fannie Couture – HEC Montréal

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

Maryam Daryalal – HEC Montréal
Erick Delage – HEC Montréal

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

Thibaut Vidal – Polytechnique Montréal
Christopher Damaren – University of Toronto
Sanjeev Narayanaswamy – University of Toronto

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)