François Gonard a rejoint l’IRT SystemX en novembre 2014 pour réaliser une thèse sur le thème « Démarrage à froid en recommandation : des portfolios d’algorithmes à l’appariement automatique d’offres et de chercheurs d’emploi ». Il revient sur son doctorat effectué au sein du projet Réduction de modèles et Optimisation Multi-physiques (ROM) et encadré par l’Inria.
Quel était le sujet de votre thèse ?
Les industriels utilisent de plus en plus l’optimisation dans leurs processus de conception de pièce de voiture ou de réacteur par exemple. Il s’agit de trouver les meilleures valeurs d’épaisseur ou d’angle pour un critère (tel que la masse en aéronautique) tout en satisfaisant les contraintes préalablement fixées pour la pièce (déformation maximum en un point par exemple). L’idée de base de ma thèse est qu’il existe plusieurs méthodes (les algorithmes d’optimisation) pour réaliser cette tâche et que chacune fonctionne plus ou moins bien selon le problème (la combinaison pièce-critère-contraintes) que l’on doit résoudre. Il s’agit donc de trouver la méthode la plus adaptée à partir de la définition du problème.
Pour cela, j’utilise l’apprentissage automatique (machine learning) pour apprendre la relation « problème – méthode à choisir » sur une base de données de problèmes connus. Lorsqu’un nouveau problème doit être résolu, le système que j’ai conçu propose l’algorithme à utiliser, ou même une combinaison d’algorithmes. Plus précisément, il est composé de deux composants. L’ordonnanceur permet de résoudre les problèmes faciles, c’est-à-dire ceux pour lesquels il existe au moins un algorithme qui les résout en très peu de temps. On va donc exécuter une séquence d’algorithmes bien choisis (à partir de notre base de données) pendant un court laps de temps chacun. Le second composant, le sélecteur, est dédié à la résolution des problèmes difficiles : il prédit le temps de résolution du problème par chacun des algorithmes et sélectionne celui qui a le meilleur temps de résolution estimé.
Par la suite, j’ai travaillé sur le problème d’appariement automatique d’offres et de chercheurs d’emploi. C’est assez similaire : pour chaque candidat il y a des offres qui sont plus ou moins adaptées. On va donc lui faire des recommandations personnalisées, en utilisant là encore un système qui apprend la relation « candidat – offre adaptée » sur une base de données.
Que retenez-vous de votre doctorat ?
La thèse, c’est une aventure avec des hauts, des bas et beaucoup d’implication personnelle. Je suis heureux d’avoir découvert de nouveaux domaines, j’ai beaucoup appris et j’ai pu faire avancer certains sujets. A la fin, c’est la fierté d’être reconnu pour mon travail qui prime.
Pouvez-vous nous parler de votre meilleur souvenir à SystemX ?
Je garde un très bon souvenir de ma participation à l’édition 2017 du Basket Trophée Paris-Saclay. Nous avions monté une équipe pour l’occasion, la #TeamSystemX, pour affronter les équipes des autres entreprises et écoles du Plateau de Saclay.
Quels sont vos projets pour la suite ?
Je viens d’être embauché en tant que Data Scientist chez Sevenhugs, une start-up qui développe des objets connectés. Je vais donc continuer à exploiter des données, mais pour des applications différentes de celles sur lesquelles j’ai travaillé dans le cadre de ma thèse.
En savoir plus sur François Gonard
Sujet de thèse : Démarrage à froid en recommandation : des portfolios d’algorithmes à l’appariement automatique d’offres et de chercheurs d’emploi
Projet : Réduction de modèles et Optimisation Multi-physiques (ROM)
Diplôme : Ingénieur Supaero
