Je suis très heureux de faire partie du GERAD, un grand centre de recherche aux intérêts diversifiés, qui m’offre l’occasion de collaborer avec des chercheurs formidables dans les domaines de l’optimisation et de la science des données. La recherche que je menais alors que j’étais étudiant au doctorat avait pour objet un système de planification dans les chaînes d’approvisionnement qui permettait de prendre efficacement des décisions de manière simultanée dans les services de la production, des stocks et de la distribution. Par la suite, le cadre conceptuel s’est élargi pour couvrir le cas de la demande incertaine. Ma recherche postdoctorale a servi à étudier davantage les techniques de décomposition applicables aux problèmes stochastiques et robustes des tournées de véhicules. Au même moment, j’ai étendu mes activités aux systèmes multi-agents dans le secteur de l’intelligence artificielle et aux processus décisionnels séquentiels dans un contexte d’incertitude. Avant de retourner au milieu universitaire, j’ai travaillé comme scientifique des données chez JDA Innovation Labs à Montréal, où je développais des outils fondés sur des données et destinés à plusieurs champs d’application, y compris l’analytique de la vente au détail et la planification de chaînes d’approvisionnement, via l’utilisation de diverses techniques d’apprentissage machine et d’optimisation.

Mon intérêt pour la recherche réside dans les applications de l’analytique d’affaires et des données en gestion de la chaîne d’approvisionnement. En terme de méthodologies, je m’intéresse particulièrement aux développements algorithmiques de l’optimisation stochastique et robuste à grande échelle ainsi qu’aux algorithmes décisionnels séquentiels qui peuvent possiblement être améliorés par l’analytique des données.

L’un de mes intérêts consiste à valider de nouvelles capacités au début du processus de planification de la chaîne d’approvisionnement, notamment, les prévisions de la demande et la planification des stocks. Je souhaite étudier les formes générales de prévision de la demande en cas d’incertitude qui peuvent être utilisées pour décrire des irrégularités comprenant un certain nombre d’observations de demandes nulles et de schémas irréguliers, et étudier comment elles peuvent être directement intégrées aux cadres conceptuels de l’optimisation des stocks ainsi qu’aux processus de planification ultérieurs.

Un autre domaine d’intérêt pertinent est l’optimisation d’un plan de fabrication et distribution multiphase en cas d’incertitude dans un contexte de planification des besoins en matières (MRP) et de planification des ressources de distribution (DRP). Dans un environnement incertain, le plan établi à l’aide d’une optimisation déterministe (où la demande et le délai d’approvisionnement sont présumément connus) pourrait devenir irréalisable ou générer un mauvais rendement. En plus de ceci, nous aimerions aussi étudier les algorithmes d’apprentissage qui peuvent servir à prévoir les perturbations et à recommander un ensemble de mesures à mettre en place pour neutraliser l’incidence des perturbations. Ces applications nous permettraient de jeter un pont entre la planification et l’exécution des activités de la chaîne d’approvisionnement.

Membre du GERAD depuis février 2017