Lieu : Solutions 30, 5 Rue Chante Coq, 92800 PUTEAUX Tél. : +33
Transcription
Lieu : Solutions 30, 5 Rue Chante Coq, 92800 PUTEAUX Tél. : +33
Lieu : Solutions 30, 5 Rue Chante Coq, 92800 PUTEAUX Tél. : +33 1 44 88 20 73 - http://www.solutions30.com! ! Encadrement : Prof. Stéphan Clémençon - Télécom-ParisTech Tél. : +33 1 45 81 78 07 – Mail : [email protected]! ! Contact Solutions 30 : Michaël Bancourt - Direction Informatique Tél : +33 (0)1 44 88 25 06 - Mail : [email protected] Profil recherché : Master Recherche en Probabilité & Statistiques. Acquis dans le domaine de la modélisation stochastique, de l’apprentissage statistique, programmation en Matlab, R ou Python requise. Rémunération : 400 Euros/mois env. + tickets restaurant et prise en charge de 50% de la carte de transport Durée du stage : 6 mois, débute en Avril 2014 Candidature (CV, lettre de motivation, relevé de notes) à envoyer à Stéphan Clémençon ([email protected]). Sujet du stage « Modélisation stochastique et optimisation pour le Recherche Opérationnelle » Contexte. Créée il y a 10 ans, SOLUTIONS 30 est une entreprise de services numériques sur site dont la principale activité est l’installation et le dépannage de matériels numériques pour les particuliers et les professionnels. Elle est aujourd’hui implantée dans 6 pays européens dans 5 domaines d’activité : informatique-télécoms, énergie, multimédia, systèmes de paiement et sécurité. Les informations relatives aux interventions effectuées par SOLUTIONS 30 depuis 10 ans (type d’intervention, geo-localisation, date et heure, etc.) ont été stockées dans une base de données, sur laquelle il est désormais possible de s’appuyer pour explorer la possibilité d’optimiser la planification des tournées, réalisée de façon heuristique jusqu’à aujourd’hui. L’objectif du stage est ainsi de démontrer l’existence de stratégies de planification bien plus efficaces que la stratégie courante (e.g. requérant de parcourir moins de kilomètres, d’effectuer plus d’interventions dans un temps imparti) en se fondant sur une modélisation stochastique réaliste des interventions à mener et des contraintes exercées sur ces dernières (e.g. conditions de circulation, passage par un point de collecte logistique), le modèle statistique devant être ajusté/appris à partir des données historiques, complétées par des informations auxiliaires (données de trafic, ). Le modèle élaboré permettra au moyen de simulations Monte-Carlo d’évaluer l’impact de plusieurs facteurs : évolution de la demande, accroissement du nombre de techniciens, répartition des compétences au sein du pool de techniciens. Le stage porte sur l’application de concepts de mathématiques appliquées (probabilité, modélisation aléatoire, apprentissage statistique), les extractions/requêtes à partir de la base MySQL seront réalisées par l’équipe informatique de SOLUTIONS 30. Mots-clés : machine-learning, recherche opérationnelle, modélisation stochastique, optimisation stochastique, simulation Monte Carlo Objectifs. 1. Faire une analyse exploratoire des données de la base historique (e.g. saisonnalité, tendances, distributions conditionnelles des interventions (début, durée) selon le type, la localisation) 2. Proposer une modélisation dynamique pertinente, fondée sur l’analyse historique préalable, de la distribution des incidents requérant une intervention sur site. Ajuster le(s) modèle(s) aux données disponibles. 3. Mise en œuvre pratique du modèle à travers la formulation d’un problème d’optimisation (e.g. maximisation de l’espérance du nombre de dépannages réalisés ou minimisation de l’espérance du nombre de kilomètres parcourus sur un laps de temps donné) : résolution (approchée) du problème et comparaison avec la stratégie courante. Perspectives. Un financement pour une thèse éventuelle est prévu dans le prolongement du stage. Références bibliographiques Holger H. Hoos and Thomas Stützle, Stochastic Local Search: Foundations and Applications, Morgan Kaufmann / Elsevier, 2004 Applied Probability and Queues. S. Asmussen (2000). Springer.