Soutenance de thèse: Emanuele BARBIERI (17 MARS 2023)

Centre: UMR SPE

Projet: SISU

Discipline et mention: Informatique

Titre de la thèse: Discrete Event Modeling and Simulation of Large Markov Decision Process: Application to the Leverage Effects in Financial Asset Optimization Processes

Résumé vulgarisé:

L’intelligence artificielle, (IA) qui n’est rien d’autre que de l'apprentissage machine prend une place de plus centrale dans nos vies au quotidien. Notre téléphone intelligent “smart” est l’un des objets personnels les plus diffus dans le monde qui apprend à chaque instant et qui prédit nos intérêts et nos goûts et souvent bien davantage avec de plus en plus de précision. Si l’IA réalise des progrès importants depuis les dernières années et en particulier avec le développement des réseaux neurones, l’IA n’a pas de conscience ni de soi ni de son environnement. Ce manque de conscience détermine une certaine crainte plus que légitime à lui déléguer entièrement les choix de première importance, comme par exemple la conduite automatique d’un véhicule. De manière générale, les principales IA sont des boîtes noires et cela peut générer un manque de confiance des résultats produits par cette même IA. Il est alors de plus en plus nécessaire de construire des solutions qui permettent de mieux comprendre, mieux observer et mieux interpréter les résultats de l’IA. Dans notre cas, les résultats sont représentés par la politique décisionnelle relative à la gestion d’un portefeuille boursier. Un portefeuille boursier est un investissement construit avec des actions d’entreprises cotés en bourse, c'est -à -dire dans un environnement très incertain et très volatil avec un risque de perte en capital élevé.

L’IA peut être, par simplification divisée en deux sous-ensembles. L’apprentissage supervisé et non supervisé qui apprend essentiellement sur de la donnée historique et l’apprentissage par renforcement. Au sein de ce dernier nous retrouvons l’apprentissage par renforcement qui conduit la machine à apprendre d’une façon assez "biologique" c'est-à-dire par tentative et échecs. L’apprentissage par renforcement associé à la modélisation et la simulation à événement discret, c’est à dire des événements qui ne surgissent pas nécessairement avec une régularité prédéterminée peuvent apporter des réponses en termes de confiance et d’interprétabilité de ces boites noires en les rendant plus transparentes et en faisant en sorte qu’on puisse mieux observer ce qui se passe à l’intérieur comme si on avait pu enlever le couvercle noir et le remplacer par une vitre. Le travail de cette thèse vise à contribuer à la progression entre autres de cette notion d'observabilité en prenant en exemple la gestion des portefeuilles boursiers.

La soutenance aura lieu le vendredi 17 mars à 14H, Amphi Ghj.-B. Acquaviva, IUT, Campus Grimaldi

En savoir plus: Résumé scientifique