L'apprentissage profond et par renforcement pour l'optimisation du routage automatique dans un environnement multi-critères complexe et multi-agents : cas de l'affectation dynamique des ressources dans un contexte de régulation des urgences.

Deep learning and reinforcement learning for automatic routing optimization in a complex multi-criteria environment based on a Multi Agent approach. Application to healthcare management systems.

• Auteur / Autrice : Omar Elfahim
• Direction : Oussama Barakat, Mohamed Youssfi
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Inscription en doctorat le 14/06/2022
• Etablissement(s) : Besançon, Université Marie et Louis Pasteur en cotutelle avec Université Hassan II de Casablanca (UH2C)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Soins Intégrés, Nanomédecine, IA & Ingénierie pour la Santé
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-....)

Mots clés

Mots clés libres

Intelligence artificielle distribuée

Apprentissage par renforcement

Optimisation de soins

Aide à la décision

Urgences hospitalières

Apprentissage profond

Healthcare management systems

Home Healthcare

Reinforcement learning

Emergency medical services

Distributed Artificiel Intelligence

Deep learning

Résumé

L'objectif de cette thèse étant de créer de nouveaux modèles basés sur les techniques de l'Intelligence Artificielle dans un contexte distribué et de les appliquer aux problématiques des systèmes de santé. L'idée est d'apprendre à des agents quelconques à évoluer en empruntant le parcours optimal dans un environnement dynamique, complexe et sous des contraintes multiples. Dans ce travail de recherche, nous allons nous intéresser aux techniques de Deep Reinforcement Learning, qui consiste à utiliser conjointement les algorithmes du deep learning comme CNN, RNN et LSTM pour l'abstraction de l'environnement et des techniques de l'apprentissage par renforcement comme le Q-Learning pour piloter le système de routage d'un agent évoluant dans un environnement complexe. Le travail de recherche se basera aussi sur une approche IAD (Intelligence Artificielle Distribuée) en utilisant les SMA (Systèmes Multi-Agents) comme approche de modélisation. Nous nous intéresserons aux applications dans le domaine de la santé : l'automatisation du processus de décision d'affectation des ressources dans un contexte des urgences hospitalières.

The objective of this thesis is to create new models based on Artificial Intelligence techniques in a distributed context and to apply them to the problems of health systems. The idea is to teach any agent to evolve by taking the optimal path in a dynamic and complex environment under multiple constraints. In this research work, we will focus on Deep Reinforcement Learning techniques, which consists in using jointly deep learning algorithms such as CNN, RNN and LSTM for environment abstraction and reinforcement learning techniques such as Q-Learning to drive the routing system of an agent evolving in a complex environment. The research work will also be based on a DAI (Distributed Artificial Intelligence) approach using MAS (Multi-Agent Systems) as a modeling approach. We will focus on applications in the health domain: the automation of the resource allocation decision process in a hospital emergency context.