Hybridation d'approches d'Intelligence Artificielle et de Recherche Opérationnelle pour l'Allocation Adaptative de Ressources // Hybridization of Artificial Intelligence and Operations Research approaches for Adaptive Resource Allocation

Contexte et partenaires

Cette thèse s'inscrit dans une collaboration entre ESII, PME innovante spécialisée dans la gestion des flux physiques et numériques de personnes, et IMT Mines Alès (laboratoire Euromov DHM), établissement reconnu pour son expertise en optimisation combinatoire et en intelligence artificielle.

ESII développe des solutions logicielles et matérielles de gestion d'accueil omnicanal à destination de nombreux secteurs (santé, services publics…). L'entreprise souhaite renforcer les capacités de ses logiciels grâce à l'IA pour améliorer l'allocation automatique en temps réel de ressources humaines et matérielles.

Objectifs de la thèse

L'objectif principal est de proposer des approches d'optimisation hybrides combinant la Recherche Opérationnelle (RO) et l'Intelligence Artificielle (IA), en particulier l'apprentissage par renforcement profond, pour résoudre une problématique d'allocation de ressources dans un environnement :
- Hétérogène : ressources et demandes variées, contraintes individuelles ;
- Multicanal : sollicitations par divers canaux (physique, téléphonique, chat, etc.) ;
- Dynamique et stochastique : demande dynamique, délais incertains.

L'objectif scientifique est de proposer et d'étudier des approches hybrides de planification sous incertitude, et d'apprentissage profond et par renforcement, pour un contrôle robuste et adaptatif du système d'allocation des ressources afin de minimiser les temps d'attente, tout en tenant compte des contraintes métiers et des spécificités des ressources.

Axes de recherche

- Modélisation du problème au travers de Processus de décision Markovien (MDP) et de modélisation standard basée sur la simulation et l'optimisation combinatoire.
- Conception d'algorithmes hybrides RO + IA, s'appuyant sur l'apprentissage profond, l'apprentissage par renforcement et la planification sous incertitude.
- Étude de la robustesse des solutions à différents cas d'usage d'ESII.
- Validation expérimentale sur les données réelles issues de la plateforme d'ESII.

Lieu

La thèse sera réalisée au campus scientifique Louis Leprince-Ringuet, à IMT Mines Alès, Alès France. Les travaux seront plus spécifiquement menés au sein de l'équipe I3A du Centre d'Enseignement et de Recherche en Informatique et Systèmes (CERIS - rattachement au laboratoire EUROMOV DHM), dans un axe dédié à l'étude de techniques d'optimisation combinatoire et d'IA adaptatives et robustes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Context and partners

This thesis is part of a collaboration between ESII, an innovative SME specialising in the management of physical and digital flows of people, and IMT Mines Alès (Euromov DHM laboratory), an establishment renowned for its expertise in combinatorial optimisation and artificial intelligence.

ESII develops omnichannel reception management software and hardware solutions for a wide range of sectors (healthcare, public services, etc.). The company wants to enhance the capabilities of its software using AI to improve the automatic real-time allocation of human and material resources.

Objectives of the thesis

The main objective is to propose hybrid optimisation approaches combining Operations Research (OR) and Artificial Intelligence (AI), in particular deep reinforcement learning, to solve a resource allocation problem in a :
- Heterogeneous: varied resources and demands, individual constraints;
- Multi-channel: requests via various channels (physical, telephone, chat, etc.);
- Dynamic and stochastic: dynamic demand, uncertain lead times.

The scientific objective is to propose and study hybrid approaches to planning under uncertainty, and deep and reinforcement learning, for robust and adaptive control of the resource allocation system in order to minimise waiting times, while taking account of business constraints and resource specificities.

Research areas

- Modelling the problem using Markov Decision Processes (MDP) and standard modelling based on simulation and combinatorial optimisation.
- Design of hybrid RO + AI algorithms, based on deep learning, reinforcement learning and planning under uncertainty.
- Study of the robustness of solutions to different IPS use cases.
- Experimental validation on real data from the ESII platform.

Location

The thesis will be carried out at the Louis Leprince-Ringuet scientific campus, at IMT Mines Alès, Alès France. More specifically, the work will be carried out within the I3A team of the Centre d'Enseignement et de Recherche en Informatique et Systèmes (CERIS - part of the EUROMOV DHM laboratory), in an area dedicated to the study of combinatorial optimisation techniques and adaptive and robust AI.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/09/2025

Cifre

CIFRE ANRT

IMT MINES ALES

166 I2S - Information, Structures, Systèmes

Profil recherché Formation Bac+5 (Master 2 ou école d'ingénieur), avec spécialisation en recherche opérationnelle, intelligence artificielle ou informatique décisionnelle. Compétences en optimisation combinatoire, apprentissage profond, apprentissage par renforcement. Les profils couvrant une unique composante (RO ou IA) sont éligibles. Autonome en programmation et maîtrise du langage Python, et des librairies standard du domaine, en particulier PyTorch ; et éventuellement des langages C/C++. Curiosité scientifique, autonomie, esprit d'initiative et goût pour le travail collaboratif (académique et industriel).
5 years' higher education (Masters 2 or engineering school), specialising in operations research, artificial intelligence or business intelligence. Skills in combinatorial optimisation, deep learning, reinforcement learning. Profiles covering a single component (OR or AI) are eligible. Autonomous programming skills and proficiency in the Python language, and standard libraries in the field, in particular PyTorch; and possibly C/C++ languages. Scientific curiosity, autonomy, initiative and a taste for collaborative work (academic and industrial).