Le domaine du Machine Learning based Early Decision-Making (ML-EDM) consiste à optimiser les moments de décision d’un modèle de Machine Learning observant des données collectées au cours du temps. D’une part, la collecte d’avantage de données permet souvent d’obtenir une décision plus fiable. D’autre part, le fait d’attendre trop longtemps avant de d’agir peut engendrer des coûts importants.
Le ML-EDM a été défini récemment dans [1] et peut être vu comme une généralisation de la Classification Précoce de Séries Temporelles (ECTS) [2]. Les meilleures approches d’ECTS forment une famille appelée Economy [2], dont les très bonnes performances s’expliquent par leur propriété de non-myopie. Intuitivement, ce formalisme utilise en entrée des coûts (ex : mauvaise classification, et coût d’attente) et a pour but d’en estimer une espérance pour les instants futurs. Finalement, le caractère non-myope de ces méthodes leur permet d’estimer à tout moment l’instant futur où il sera le plus opportun de déclencher la décision.
Dans un premier temps, le stagiaire s’appropriera les travaux antérieurs [1-5]. Ensuite, un travail de formalisation sera réalisé pour définir un cadre de ML-EDML non-supervisé. Puis, le développement d’une nouvelle approche sera mené, incluant des expérimentations comparatives. Enfin, la rédaction d’un article scientifique sera envisagée si les résultats expérimentaux sont probants.
Références :
[1] Open challenges for Machine Learning based Early Decision-Making research. SIGKDD Explorations December 2022
[2] Early classification of time series. Machine Learning Journal.
[3] Early Classification of Time Series: Cost-based multiclass Algorithms. DSAA 2021
[4] Early and revocable time series classification. IJCNN 2022
[5] ECOTS: Early Classification in Open Time Series. ACML 2022
Ces entreprises recrutent aussi au poste de “Données/Business Intelligence”.