Que peuvent faire les algorithmes pour vous aujourd’hui ? Réponse : à peu près tout ! Ou du moins, ils peuvent vous aider à prendre des décisions rationnelles en temps réel, même dans les situations les plus complexes, comme le montrent des travaux menés par des chercheurs de l’IVADO (Institut de valorisation des données). En effet, l’alliance de la recherche opérationnelle et de l’apprentissage machine rend désormais les machines capables de déterminer les meilleures solutions possibles en tenant compte de facteurs multiples. Et cela, grâce à l’expérience que ces machines acquièrent en analysant un grand volume de données.

Stratégies pilotées par les données

Andrea Lodi est un magicien des données. À la tête de la Chaire d’excellence en recherche du Canada sur la science des données pour la prise de décision en temps réel – la plus importante chaire en recherche opérationnelle du pays –, cet éminent chercheur dirige des projets de développement d’outils novateurs d’aide à la décision qui transforment les stratégies des entreprises et qui peuvent avoir des répercussions sur la qualité de vie des gens.

« À partir des données brutes, nous construisons des modèles permettant de prendre des décisions. Comme on dispose aujourd’hui d’énormes quantités de données, ces modèles gagnent en précision. Mieux encore, lorsqu’on leur fournit de nouvelles données, ces modèles sont en mesure d’utiliser la connaissance qu’ils ont acquise des données antérieures pour analyser la nouvelle situation et proposer la décision la plus adéquate. On associe donc la recherche opérationnelle, qui est la discipline de la prise de décision, à l’apprentissage machine, qui repré­sente l’une des branches de l’intelligence artificielle, et on les fait fonctionner dans le contexte de big data », résume-t-il.

Quel que soit le domaine où elles agissent – énergie, santé, commerce de détail, etc. –, les organisations qui sollicitent son expertise souhaitent tirer profit des données massivement produites par leurs environnements et leurs clients pour évaluer leurs enjeux et faire des choix stratégiques.

Des magasins mieux gérés

« Certains des projets de ma Chaire aident, par exemple, les chaînes de commerces de détail à optimiser leur sélection de produits en fonction de la clientèle spécifique à chacune de leurs boutiques », mentionne le Pr Lodi.

« La machine se base sur les ventes des années précédentes pour analyser les habitudes d’achat de la clientèle des différents magasins. Elle apprend ainsi ce que les clients aiment et peut alors prédire, pour chaque magasin, quels articles sont les plus susceptibles de plaire à sa clientèle. Grâce à ces informations, les gestionnaires des magasins sont mieux en mesure d’anticiper les stocks à commander. En fait, on peut dire que la machine est capable de les faire de façon rationnelle et avec un moindre risque d’erreur les choix que les gestionnaires faisaient de façon intuitive. »

Aide aux décisions difficiles : cas de la transplantation rénale

Les travaux du Pr Lodi peuvent avoir un impact capital sur certaines décisions particulièrement difficiles à prendre, et dont l’issue a des conséquences vitales. Les patients en attente d’une greffe de rein pourraient bientôt bénéficier de ces avancées.

« Les chances de succès d’une greffe de rein dépendent de la qualité du greffon (âge du donneur, hypertension, cause du décès, etc.), de la compatibilité tissulaire entre le donneur et le receveur, ainsi que des caractéristiques du receveur. Ces multiples facteurs interagissent et influencent le nombre d’années de vie du receveur avec le rein transplanté. Par ailleurs, s’il refuse le greffon, le patient devra demeurer plus longtemps sous dialyse. Or, il faut savoir qu’un traitement de dialyse longue durée accroit le risque de mortalité après la greffe. C’est donc une décision très difficile à prendre, pour l’équipe médicale comme pour le patient. En plus, elle doit être prise très rapidement, un rein ne survivant que quelques heures hors du corps », explique la Dre Héloïse Cardinal, néphrologue et chercheuse au CHUM, qui pré­cise qu’il n’existe pas aujourd’hui d’outil d’une grande fiabilité pour évaluer les risques d’échec d’une greffe de rein.

Dans le but d’aider les patients et les chirurgiens à prendre la décision la plus éclairée et d’optimiser le succès des greffes, la Dre Cardinal a demandé au Pr Lodi de collaborer avec elle au développement d’un outil intelligent, capable de prédire non seulement les chances de survie du patient avec le greffon, mais aussi le délai d’attente probable jusqu’à une prochaine offre de transplant plus favorable au patient, au cas où celui-ci refuserait le greffon.

« À la différence d’un humain, un outil décisionnel basé sur l’apprentissage machine est capable de faire les calculs statistiques en prenant en compte le grand nombre de facteurs entrant en jeu dans le cas de la greffe », indique le Pr Lodi.

Son équipe utilise les informations d’une base de données américaine sur des patients greffés, ainsi que des données fournies par Transplant Québec pour bâtir des modèles de durée de vie des organes.

« Ce projet pourrait transformer profondément le processus de décision relatif à la transplantation d’organes et augmenter au final les chances de succès des greffes », pense le Pr Lodi.

Planification efficace des tournées de véhicules de livraison

Le cas des tournées de véhicules de livraison est emblématique des problèmes étudiés par la recherche opérationnelle (il fait même l’objet d’une page de Wikipédia).

« La livraison représente un coût important que toutes les entreprises veulent maîtriser. De plus, elle a une grande influence sur la satisfaction des clients », rapporte le Pr Michel Gendreau, spécialiste en logistique et en optimisation stochastique au Département de mathématiques et de génie industriel, qui apporte son expertise aux projets de l’IVADO.

Celui-ci consacre plusieurs de ses travaux à la mise au point d’outils et de méthodes permettant de planifier des tournées de livraison le plus efficacement possible. Parmi ces projets figure le développement d’un système de prévision en temps réel des temps de parcours, qui tient compte de diverses variables ajustables comme l’horaire de départ ou le blocage d’une route causé par un accident.

« Pendant longtemps, on n’a considéré que l’aspect du calcul des itinéraires. Or, plusieurs autres facteurs peuvent jouer un rôle dans l’allongement des délais de livraison : l’heure à laquelle les véhicules sont sur la route ou les conditions météorologiques, par exemple », indique le Pr Gendreau. « Les nouveaux projets dé­veloppés par mon équipe tiennent aussi compte des contraintes omises par les méthodes traditionnellement proposées, celles liées aux ressources humaines, notamment, puisque les entreprises doivent répartir des heures de travail équitablement entre leurs chauffeurs.

La convergence entre la recherche opé­rationnelle et l’intelligence artificielle nous donne les moyens de résoudre efficacement ces problèmes. »

La démarche du Pr Gendreau consistera à utiliser l’intelligence artificielle pour déterminer les attributs des plans de transport qui ont la faveur des industriels chargés de les évaluer, puis à bâtir des modèles à partir de ces informations. Cette démarche promet d’apporter une grande flexibilité à la logistique du futur.

Optimisation de la disponibilité des vélos en libre-service

Le Pr Daniel Aloise, du Département de génie informatique et génie logiciel, applique ses connaissances en algorithmes de groupement (clustering) pour résoudre des problèmes de prise de décision.

« Je m’intéresse en particulier à l’apprentissage non supervisé sous contraintes, c’est-à-dire quand une machine doit procéder au classement de différentes données en groupes homogènes sans avoir d’information sur le nombre ou la nature des classes », explique ce chercheur, qui a quitté l’Université fédérale du Rio Grande do Norte au Brésil pour venir collaborer avec l’équipe de la Chaire d’Andrea Lodi.

L’un de ses projets, mené en collaboration avec le Pr Sanjay Dominik Jena, de l’École des sciences de la gestion de l’UQÀM, est particulièrement susceptible d’attirer l’attention des Montréalais : l’amélioration du niveau de service des stations de vélos BIXI.

« Nous cherchons à améliorer la disponibilité des vélos à chaque station, afin d’éviter que certaines stations soient vides au départ des usagers et d’autres, saturées au retour. À partir des données historiques d’utilisation des vélos BIXI, nous construisons des modèles de prédiction de l’état des stations, en intégrant un large éventail de types d’informations : horaires d’achalandage de chaque station, données géographiques, conditions climatiques, etc. BIXI pourra les utiliser pour optimiser le redéploiement de ses vélos, afin de réduire ses coûts tout en augmentant le niveau de satisfaction de ses clients », précise le Pr Aloise.

Celui-ci conclut que, demain, les entreprises seront en mesure d’individualiser les services offerts à leurs clients à un niveau atteignant pratiquement le cas par cas, grâce aux solutions produites par la synergie entre la recherche opé­rationnelle et l’intelligence artificielle.