ERC Consolidator : Carola Doerr veut rendre l’heuristique itérative accessible à la société
L’optimisation boîte noire est nécessaire à la résolution de problèmes complexes, mais elle n’est pas toujours bien appliquée par les utilisateurs, faute de moyens et/ou de connaissances. Avec son projet ERC Consolidator dynaBBO, Carola Doerr, directrice de recherche CNRS au laboratoire LIP6 (CNRS/Sorbonne Université), va développer des techniques d'optimisation plus efficaces axées sur la sélection dynamique des algorithmes d’optimisation. Le tout fonctionnera de façon automatisée.
De nombreux problèmes industriels et académiques sont si complexes que leur résolution mathématique est un véritable casse-tête. Afin de trouver les meilleures solutions possibles, les utilisateurs ont souvent recours à des méthodes dites boîte noire. Ces dernières optimisent un système sans avoir une compréhension détaillée de son fonctionnement interne. Elles s’appuient pour cela sur des techniques probabilistes ou heuristiques.
« En optimisation, il nous faut trouver un compromis entre l’exploitation de petits espaces de solutions qui tournent autour de ce que l’on connaît déjà et le besoin d’être créatif et d’aller explorer l’espace bien au-delà de ce qui est connu », décrit Carola Doerr, directrice de recherche CNRS au LIP6. Sauf qu’en pratique, les utilisateurs non-experts tâtonnent en testant plusieurs outils sur étagère en espérant qu’ils seront adaptés à leurs problèmes. Ils finissent souvent par choisir un algorithme en apparence optimal sans que ce ne soit réellement le cas.
Dans le cadre de son projet ERC dynaBBO1 , la chercheuse et son équipe vont concevoir des solutions dynamiques permettant de passer d’une approche d'optimisation à une autre. L’objectif : trouver la meilleure méthode pour la résolution d’un problème donné, mais aussi déterminer celle qui est la plus adaptée à la phase d'optimisation en cours. « Comme en athlétisme, nous voulons créer un relais entre différents algorithmes qui se passent le témoin. Un algorithme fait une partie de la course et lorsqu’il n’est plus efficace, un autre entre en jeu. Sauf qu’on ne veut pas qu’il reparte de zéro. L’idée est donc de transférer les connaissances obtenues par l’algorithme précédent pour configurer le nouveau », explique Carola Doerr. Ce processus se fera de manière automatique, sans intervention humaine.
- 1Dynamic Selection and Configuration of Black-box Optimization Algorithms
Ces recherches visent ainsi à simplifier l’utilisation des méthodes d’heuristique itérative à des non-spécialistes. Elles capitalisent pour cela sur la complémentarité des membres de l’équipe de Carola Doerr qui mêle de façon originale théorie mathématique et apprentissage automatique. « Lors de nos développements, nous allons nous appuyer sur du benchmarking, donc des problèmes qui ont été crées par des chercheurs académiques pour entraîner nos systèmes », précise la chercheuse. À son terme, les méthodes seront appliquées à des problèmes concrets de biomédecine et du secteur automobile.
Bien que l’optimisation soit omniprésente autour de nous, elle coûte encore cher aux entreprises. Faute de moyens et de connaissances, nombre de problèmes cruciaux, que ce soit sur la gestion des ressources, la pollution, ou encore en médecine, sont optimisés à l’aide de méthodes inadaptées. « Rendre accessibles nos outils au plus grand nombre permettra d’améliorer de nombreux systèmes existants. Les effets n’en seront que positifs pour l’ensemble de notre société », conclut Carola Doerr.