Le premier grand succès de Lokad a été l’utilisation de types de prévisions très atypiques à des fins de supply chain, en particulier quantile forecasts. Chez Lokad, les quantile forecasts ont été les précurseurs des probabilistic forecasts. Les quantiles ont marqué la première rupture significative de Lokad avec ce qui est encore considéré comme la théorie ‘mainstream’ de la supply chain. Ce succès est associé aux travaux du premier employé de Lokad, Benoit Patra. (En tant que CEO et fondateur, je n’ai rejoint la fiche de paie de ma propre entreprise que bien plus tard.)

Quinze ans plus tard, à mon grand désarroi, je me suis rendu compte que les manuscrits issus des multiples doctorats réalisés chez Lokad n’avaient jamais été publiés sur notre site web. Alors, mieux vaut tard que jamais, republions ce manuscrit !

Auteur: Benoit Patra

Date: Mars 2012

Résumé d'Apprentissage à grande échelle
Figure d'Apprentissage à grande échelle

Résumé:

Les sujets abordés dans ce manuscrit de thèse s’inspirent des problèmes de recherche rencontrés par l’entreprise Lokad, qui sont résumés dans le premier chapitre. Le chapitre 2 traite d’une méthode non paramétrique pour la prévision des quantiles d’une séries temporelles. En particulier, nous établissons un résultat de consistance pour cette technique sous des hypothèses minimales. Le reste de la dissertation est consacré à l’analyse des algorithmes de clustering asynchrones distribués (DALVQ). Le chapitre 3 propose d’abord une description mathématique des modèles, puis offre une analyse théorique, où l’existence d’un consensus asymptotique et la convergence presque sûre vers des points critiques de la distorsion sont prouvées. Dans le chapitre suivant, nous proposons une discussion approfondie ainsi que quelques expériences sur des schémas de parallélisation à mettre en œuvre pour un déploiement pratique des algorithmes DALVQ. Enfin, le chapitre 5 contient une implémentation effective de DALVQ sur la plateforme Cloud Computing Microsoft Windows Azure. Nous étudions, entre autres sujets, les accélérations apportées par l’algorithme avec davantage de ressources de calcul parallèles, et nous comparons cet algorithme avec la méthode dite de Lloyd, qui est également distribuée et déployée sur Windows Azure.

Fait amusant: Le résumé mentionne ‘Windows Azure’, qui était en effet le nom commercial de Microsoft Azure dans ses premières années.

Jury:

Jury d'Apprentissage à grande échelle

Télécharger la thèse (PDF)