Modélisation et apprentissage des préférences par réseaux de neurones pour l'aide à la décision multicritère
Auteur / Autrice : | Kary Främling |
Direction : | Albert Mathon |
Type : | Thèse de doctorat |
Discipline(s) : | Ingénierie Informatique |
Date : | Soutenance en 1996 |
Etablissement(s) : | Lyon, INSA |
Ecole(s) doctorale(s) : | Ecole doctorale Informatique et Information Pour La Societe. 1992-2009 (Lyon ; 1992-2009) |
Mots clés
Résumé
La modélisation des préférences des décideurs pour des problèmes de choix est l'objet principal de ce travail de thèse. Afin d'obtenir des modèles plus réalistes, des fonctions de préférence contextuelle sont présentées dans ce mémoire de thèse. La complexité d'expression de telles fonctions est réduite par le recours à des techniques d'apprentissage automatique à partir de réseaux de neurones. L'identification des fonctions de préférence est réalisée par des réseaux de neurones, fondés sur les principes de la régression non-linéaire, à partir d'exemples de décision. Une telle technique n'est pas toujours applicable en pratique à cause du nombre élevé d'exemples nécessaire. Le réseau neuronal INKA, développé dans le cadre de ce travail, effectue la régression avec un nombre d'exemples relativement petit. INKA offre également des temps d'apprentissage courts par rapport à d'autres techniques, ce qui est nécessaire pour une acquisition interactive de la fonction de préférence. INKA est utilisé dans le système interactif d'aide à la décision (SIAD) présenté, qui est un des premiers à mettre en œuvre un apprentissage automatique d'une fonction de préférence globale. La visualisation de la fonction apprise et les indicateurs de précision et de sensibilité permettent au décideur d'estimer le moment d’arrêter la recherche de solutions. Ceci est particulièrement utile pour apprendre les préférences des décideurs «abstraits» (acteurs sociaux, systèmes naturels,. . . ) qui ne peuvent pas utiliser directement le système. Les fonctionnalités d'explication développées dans ce travail permettent de justifier les recommandations des SIAD, ce qui a constitué un des grands défis du domaine de l'aide à la décision multicritère et des réseaux neuronaux. L'intérêt de telles explications est de faciliter la prise de décisions négociées dans le cadre de projets d'aménagement complexes ou pour améliorer des produits dont les ventes dépendent des préférences des clients.