UPThèses

Cette thèse explore la manière dont l'intelligence artificielle peut diminuer l'énergie consommée dans les Data Center. L'intelligence artificielle est un vaste domaine de recherche très populaire. Ce domaine est souvent idéalisé, mais comment les nouveautés de la recherche peuvent-elles être appliquées à des cas d'utilisation réels ? Entre considérations physiques, théories mathématiques et technologies informatiques, cette thèse met en application différents domaines pour aider à déployer et améliorer les technologies récentes afin de répondre aux défis énergétiques actuels. La première partie de la thèse évalue les problèmes énergétiques et les technologies déployées dans les centres de données et les bâtiments de télécommunications. Les infrastructures d'information et de communication sont de gros consommateurs d'énergie et nécessitent des systèmes de climatisation spécifiques en raison des conditions de travail du matériel informatique. L'optimisation des systèmes de climatisation et de leur consommation est une préoccupation majeure dans la réduction de la consommation d'énergie. La deuxième partie de la thèse explore l'apprentissage statistique et probabiliste pour optimiser la consommation d'énergie. Elle se concentre principalement sur les modèles d'apprentissage par renforcement profond (Deep Reinforcement Learning) pour une prise de décisions automatisées basées sur les données. L'apprentissage profond est flexible dans la modélisation et peut s'adapter à de nombreux problèmes, ce qui est pratique lorsqu'une méthode doit être généralisée et industrialisée. La dernière partie décrit la mise en œuvre et l'application dans des environnements simples afin de soulever et de traiter les problèmes courants et de discuter de la manière d'adapter le modèle à la réalité. On sait qu'un grand nombre de projets de science des données sont très prometteurs mais ne sont pas mis en œuvre à cause des difficultés pratiques. Ce travail vise à faire un pas en avant dans l'introduction de l'IA dans des environnements sensibles tels que les centres de données.

Les données longitudinales multivariées jouent un rôle essentiel dans divers domaines de recherche, notamment les sciences médicales et comportementales. Elles permettent aux chercheurs de tester de multiples hypothèses, telles que l'identification de la variation dans le temps d'une variable clinique. La robustesse des inférences obtenues à partir de l'analyse des données longitudinales conduit à une complexité croissante des méthodes de traitement statistique. Cette complexité découle de la structure des données longitudinales et de leurs propriétés statistiques, notamment la dépendance temporelle intra-individuelle. Un autre degré de complexité peut provenir de l'hétérogénéité potentielle due à l'existence de plusieurs sous-populations latentes dans les données de l'étude. Actuellement, il est reconnu dans la littérature que la douleur présente un aspect longitudinal complexe. Il a été démontré que les corrélations entre les différentes dimensions de la douleur se renforcent avec le temps, non seulement lors du passage des douleurs aiguës aux douleurs chroniques, mais aussi au cours de l'évolution des douleurs chroniques. Cela peut être dû à l'accumulation à long terme des fardeaux biopsychosociales générées par la douleur chronique et aux altérations des mécanismes cérébraux reliant la douleur aux émotions. De plus, le caractère socioculturel et émotionnel de la douleur chronique rend son évaluation complexe en raison de l'hétérogénéité par rapport à l'importance des composantes sensorielles, émotionnelles et fonctionnelles dans la vie de chaque individu. Le premier objectif de cette thèse est de démontrer empiriquement l'existence de différents groupes latents de patients dont la qualité de vie est impactée différemment par les composantes sensorielles, émotionnelles et fonctionnelles de la douleur, par l'application d'un mélange de modèles à effet mixte sur des données longitudinales de patients souffrant de douleurs chroniques après une chirurgie rachidienne. Cela permet de justifier la nécessité d'une évaluation hétérogène et spécifique au patient. Le deuxième objectif est de proposer un nouveau modèle non paramétrique formulé comme un mélange de modèles à coefficients variables dans le temps incluant des processus aléatoires. Le modèle proposé a été ajusté avec un algorithme EM modifié incluant une procédure de Backfitting. Nous avons évalué notre modèle par des simulations et des applications sur des données réelles. Ce modèle nous permet d'étudier l'évolution dans le temps des coefficients associant la qualité de vie des patients aux autres composantes de la douleur chronique pour chaque groupe latent. Le troisième et dernier objectif de la thèse est de proposer un mélange de modèles d'analyse factorielle longitudinale qui permet de résumer plusieurs indicateurs longitudinaux en une ou plusieurs variables latentes qui diffèrent entre les composantes du mélange. Un algorithme EM a été proposé pour estimer le modèle. Des méthodes pour garantir la comparabilité des facteurs latents ont été discuté. L'objectif de ce modèle est d'extraire des indicateurs latents et multidimensionnels qui dépendent à la fois du moment de la mesure dans le parcours du patient et des caractéristiques intrinsèques des patients. Le but ultime étant de faire évoluer l'évaluation de la douleur vers une évaluation multidimensionnelle, variable dans le temps et spécifique au patient, en fonction de ses caractéristiques biopsychosociales.

Cette thèse de doctorat porte sur l’analyse de réseaux pondérés, graphes finis où chaque arête est associée à un poids représentant l’intensité de sa force. Nous introduisons une extension du modèle à blocs stochastiques (SBM) binaire, appelée modèle à blocs stochastiques binomial (bSBM). Cette question est motivée par l’étude des réseaux de co-citations dans un contexte de fouille de textes où les données sont représentées par un graphe. Les noeuds sont des mots et chaque arête joignant deux mots est pondérée par le nombre de documents inclus dans le corpus citant simultanément cette paire de mots. Nous développons une méthode d’inférence basée sur l’algorithme espérance maximisation variationnel (EMV) pour estimer les paramètres du modèle proposé ainsi que pour classifier les mots du réseau. Puis nous adoptons une méthode qui repose sur la maximisation d’un critère ICL (en anglais integrated classification likelihood) pour sélectionner le modèle optimal et le nombre de clusters. D’autre part, nous développons une approche variationnelle pour traiter le réseau et nous comparons les deux approches. Des applications à des données réelles sont adoptées pour montrer l’efficacité des deux méthodes ainsi que pour les comparer. Enfin, nous développons un SBM avec plusieurs attributs pour traiter les réseaux ayant des poids associés aux noeuds. Nous motivons cette méthode par une application qui vise au développement d’un outil d’aide à la spécification de différents traitements cognitifs réalisés par le cerveau lors de la préparation à l’écriture.