L'apprentissage à grande échelle : une contribution aux algorithmes de clustering asynchrones distribués
La première grande percée de Lokad a été l’utilisation de types de prévisions très atypiques à des fins de supply chain, en particulier les prévisions quantiles. Chez Lokad, les prévisions quantiles ont été les précurseurs des prévisions probabilistes. Les quantiles ont marqué la première rupture significative de Lokad par rapport à ce qui est encore considéré comme la “théorie dominante” de la gestion de la supply chain. Cette percée était associée au travail du premier employé de Lokad, Benoit Patra. (En tant que PDG et fondateur, je n’ai rejoint la paie de ma propre entreprise que beaucoup plus tard.)
Quinze ans plus tard, à ma grande horreur, j’ai réalisé que les manuscrits des multiples thèses réalisées 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 :
Les sujets abordés dans ce manuscrit de thèse sont inspirés 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 prévoir les quantiles d’une série temporelle réelle. En particulier, nous établissons un résultat de cohérence pour cette technique sous des hypothèses minimales. Le reste de la thèse 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 des expériences sur les schémas de parallélisation à mettre en œuvre pour un déploiement pratique des algorithmes DALVQ. Enfin, le chapitre 5 contient une mise en œuvre effective de DALVQ sur la plateforme de Cloud Computing Microsoft Windows Azure. Nous étudions, entre autres sujets, les gains de vitesse apportés par l’algorithme avec davantage de ressources de calcul parallèle, et nous comparons cet algorithme à la méthode dite de Lloyd, qui est également distribuée et déployée sur Windows Azure.
Anecdote amusante : L’abstract mentionne “Windows Azure”, qui était en effet le nom commercial de Microsoft Azure dans les premières années.
Jury :
