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.