Projet de fin d'étude : Stratégies d’auto détection de modèles erronés en élicitation de données personnalisées dans un environnement incertain
Etudiant : AIT HAMMOUCH AICHA
Filière : Machine Learning Avancé et Intelligence Multimédia (MLAIM)
Encadrant : Pr. SATORI HASSAN
Annèe : 2025
Résumé : Ce travail s’inscrit dans le cadre de l’élicitation interactive des préférences en présence d’incertitudes, à l’aide de fonctions d’agrégation telles que la somme pondérée, OWA ou l'integrale de Choquet. Nous abordons le problème central de la détection et de la correction d’un mauvais choix de modèle préférentiel, pouvant entraîner des incohérences dans les recommandations. Une méthodologie expérimentale complète a été mise en place pour simuler différents profils de décideurs et tester l'efficacité de plusieurs stratégies de questionnement, dont une stratégie possibiliste (PCSS) et une stratégie hybride (Entre). L’approche proposée permet non seulement de guider l’élicitation de manière robuste, mais aussi de détecter rapidement les erreurs de modélisation, un enjeu critique dans les systèmes d’aide à la décision. En fin de stage, des pistes ont été identifiées pour enrichir dynamiquement ces stratégies, notamment à travers des mécanismes d’alternance exploration/exploitation inspirés des bandits stochastiques, et des métriques de risque comme le CVaR. Ces perspectives constituent une ouverture prometteuse pour des systèmes d’élicitation adaptatifs.