Rapport de Fin de Projet - Institut de Recherche en ... · C.2 ENJEUX ET PROBLEMATIQUE, ETAT DE...

Projet ANR 11-BS02-008

BR4CP

Référence du formulaire : ANR-FORM-090601-01-01

Projet Projet ANR-11-BS02-008

BR4CP

Rapport Final

Programme Blanc 2011

A IDENTIFICATION .............................................................. 2

B RÉSUMÉ CONSOLIDÉ PUBLIC ................................................ 2 Recommandation et aide au choix en configuration de produit (BR4CP) 2

C MÉMOIRE SCIENTIFIQUE ..................................................... 4

C.1 Résumé du mémoire .............................................................. 4

C.2 Enjeux et problématique, état de l’art ...................................... 5

C.3 Approche scientifique et technique ........................................... 6

C.4 Résultats obtenus .................................................................. 6

C.5 Exploitation des résultats ...................................................... 11

C.6 Discussion et Conclusions ..................................................... 11

C.7 Références .......................................................................... 12

D LISTE DES LIVRABLES ....................................................... 14

E IMPACT DU PROJET .......................................................... 15

E.1 Indicateurs d’impact ............................................................ 15

E.2 Liste des publications et communications ................................ 15

E.3 Liste des éléments de valorisation.......................................... 18

E.4 Bilan et suivi des personnels recrutés en CDD (hors stagiaires) .......................................................................... 19

Référence du formulaire : ANR-FORM-090601-01-01 2/19

A IDENTIFICATION

Acronyme du projet BR4CP Titre du projet Business Recommendation for Configurable Products Coordinateur du projet

(société/organisme)

H. Fargier, Irit

Période du projet

(date de début – date de fin)

7 janvier 2012 – 7 juillet 2015

Site web du projet, le cas

échéant

http://www.irit.fr/~Helene.Fargier/BR4CP/BR4CP.html

Rédacteur de ce rapport Civilité, prénom, nom Hélène Fargier Téléphone 05 61 55 82 97 Adresse électronique [email protected] Date de rédaction Décembre 2014

Si différent du rédacteur, indiquer un contact pour le projet Civilité, prénom, nom

Téléphone

Adresse électronique

Liste des partenaires présents à la

fin du projet (société/organisme et

responsable scientifique)

Caméléon Software (J. Amilhastre), CRIL (P.

Marquis), IBM Ilog (P. Albert puis O. Lhomme),

IRIT (H. Fargier), LIRMM (C. Bessiere puis N.

Lazaar) Renault (J.M. Astesana)

B RESUME CONSOLIDE PUBLIC

RECOMMANDATION ET AIDE AU CHOIX EN CONFIGURATION DE PRODUIT (BR4CP)

Aider les utilisateurs grand public à choisir dans un catalogue de 10^27 produits

configurables

L'objectif du projet BR4CP est d'explorer comment les logiciels de configuration de produits

grand public complexes (voitures, ordinateurs, voyages) peuvent conseiller leurs utilisateurs

et les orienter dans leurs choix, comme le font les systèmes de recommandation sur des

produits unitaires standardisés (livres, vêtements). Toute la difficulté pour les produits

complexes est que l’on ne peut pas stocker dans une base de données ou un catalogue la liste

de ceux qui pourraient être potentiellement offerts – par exemple, la société Renault peut

proposer 10^27 versions différentes de l’utilitaire « Master ». On ne peut pas non plus utiliser

des techniques de recommandation classiques, comme pour les produits simples (« les

clients qui ont choisi les mêmes produits que vous ont également acheté »), puisque d’une

part en configuration on n’achète généralement qu’un objet, et que d’autre part l’utilisateur

attend un conseil en termes de choix d’option, et non de produit. Enfin, il faut réaliser que le


catalogue est contraint et évolutif : toutes les options ne sont pas compatibles entre elles, et

les contraintes qui restreignent la validité des choix changent généralement d’un mois sur

l’autre, par exemple pour des problèmes de disponibilité des pièces de base : ce qui a été

vendu le mois dernier n’est peut être plus au catalogue.

Le projet BR4CP vise donc à développer pleinement la fonction conseil et la prise en compte

des préférences client dans les systèmes orientés configuration, qu'il s'agisse de configuration

B2B « classique » (configuration d'objets techniques) ou d'exploration interactive d'un

catalogue en B2C (de type « preference-based search » ou « exploration interactive »).

Compiler le catalogue … et apprendre les préférences des utilisateurs

Le projet s’est proposé d’utiliser conjointement des techniques d'apprentissage (un peu

comme dans les systèmes de recommandation « classique ») et de compilation et/ou de

propagation de préférences, pour permettre à la fois de faire de la configuration dirigée par

les préférences, ou du filtrage collaboratif en configuration, et de construire des systèmes de

recommandation offrant l'interactivité des configurateurs.

Scientifiquement, l'originalité du projet reposait sur deux idées maîtresses : d'une part

l'utilisation de techniques d'apprentissage pour la résolution de problèmes combinatoires (on

peut ainsi apprendre un réseau de préférences, éventuellement conditionnelles, à partir de la

connaissance des choix d’un ou plusieurs utilisateurs) ; d'autre part le recours à des

approches du problème par compilation non seulement du catalogue ou des indicateurs

clients, mais aussi du modèle de recommandation. L’idée ici est d’anticiper une partie de la

tâche de calcul, en transformant les données du problème original en une forme compilée.

Ainsi, on peut représenter les contraintes sur le catalogue en un « automate » permettant de

suivre les choix actuels de l’utilisateur, de ne lui proposer que des choix valides, et de

personnaliser les valeurs par défaut.

La production scientifique du projet a été de trois ordres.

– Un ensemble de résultats fondamentaux, publiés dans de grandes conférences

d’intelligence artificielle ; ils portent essentiellement sur l’apprentissage de préférences et la

configuration combinatoire, soit à base de contraintes soit par des techniques de compilation

en automates. Deux résultats sont marquants : d’une part, il apparaît que lorsqu’il s’agit

uniquement de propager les choix courants, les techniques à base de contraintes peuvent

avoir des performances du même ordre que les techniques par compilation ; d’autre part, des

techniques de compilation de préférences, prix et autres formes valuées, développées sur une

assise théorique solide, se révèlent performantes en pratique.

– La mise au point d’un case study grandeur réelle et d’un protocole de test afin de stimuler

des recherches (éventuellement concurrentes) dans le domaine.

– Enfin, le prototypage d’une maquette logicielle de configuration de produit, qui

demanderait à être développée dans un contexte plus industriel.

Illustration


Figure 1 Cycle de vie d’un système de configuration. Le projet BR4CP a permis de tester l’intérêt de

plusieurs familles de modèles : les représentations logiques, les représentations par contraintes et

les automates valués.

Le projet BR4CP est un projet de recherche fondamentale coordonné par l’Institut de

Recherche en Informatique de Toulouse. Il associe également les sociétés Caméleon, IBM et

Renault, ainsi que le Centre de Recherche en Informatique de Lens et le Laboratoire

d'Informatique, de Robotique et de Microélectronique de Montpellier. Le projet a commencé

en janvier 2012 et a duré 42 mois. Il a bénéficié d’une aide ANR de 409 265 € pour un coût

global de l’ordre de 2 000 000 €

C MEMOIRE SCIENTIFIQUE

C.1 RESUME DU MEMOIRE

Le projet BR4CP visait à développer pleinement la fonction conseil et la prise en compte des

préférences client dans les systèmes orientés configuration, qu'il s'agisse de configuration

B2B « classique » (configuration d'objets techniques) ou d'exploration interactive d'un

catalogue en B2C (de type « preference-based search » ou « exploration interactive »).


l'utilisation de techniques d'apprentissage pour la résolution de problèmes combinatoires (on

peut ainsi apprendre un réseau de préférences, éventuellement conditionnelles, à partir de la

connaissance des choix d’un ou plusieurs utilisateurs) ; d'autre part le recours à des

approches du problème par compilation non seulement du catalogue ou des indicateurs

clients, mais aussi du modèle de recommandation. L’idée ici est d’anticiper une partie de la

tâche de calcul, en transformant les données du problème original en une forme compilée.

Ainsi, on peut représenter les contraintes sur le catalogue en un « automate » permettant de

suivre les choix actuels de l’utilisateur, de ne lui proposer que des choix valides, et de

personnaliser les valeurs par défaut.


La production scientifique du projet a été de trois ordres :

Un ensemble de résultats fondamentaux publiés dans de grandes conférences

d’intelligence artificielle ; ils portent essentiellement sur l’apprentissage de

préférences et la configuration combinatoire, soit à base de contraintes soit par des

techniques de compilation en automates. Deux résultats sont marquants : d’une part,

il apparaît que lorsqu’il s’agit uniquement de propager les choix courants, les

techniques à base de contraintes peuvent avoir des performances du même ordre que

les techniques par compilation ; d’autre part, des techniques de compilation de

préférences, prix et autres formes valuées, développées sur une assise théorique

solide, se révèlent performantes en pratique.

La mise au point d’un case study grandeur réelle et d’un protocole de test afin de

stimuler des recherches (éventuellement concurrentes) dans le domaine.

Enfin, le prototypage d’une maquette logicielle de configuration de produit, qui


C.2 ENJEUX ET PROBLEMATIQUE, ETAT DE L’ART

L'objectif du projet BR4CP était d'explorer comment les configurateurs d’objets

combinatoires [Stumptner et al 1995, Freuder & Sabin 1996, Gelle & Weigel 1996, Amilhastre

et al 2002, Junker & Mailharro 2003]1 peuvent aider l’utilisateur dans ses choix, comme le

font les systèmes de recommandation (voir par exemple [Adomavicius & Tuzhilin 2005,

Resnick et al 1994]), mais sans perdre leur capacité à travailler sur des domaines

combinatoires. Cela permettrait à la fois de faire de la configuration dirigée par les

préférences, ou du filtrage collaboratif en configuration, et de construire des systèmes de

recommandation offrant l'interactivité des configurateurs.


l'utilisation de techniques d'apprentissage de préférences pour la résolution de problèmes

combinatoires [Dubus et al 09, Koriche & Zanuttini 2009, Koriche & Zanuttini 2010,

Furnkranz & Hullermeier 2010] ; d'autre part le recours à des approches du problème par

compilation non seulement du catalogue [Weigel & Faltings 1999, Amilhastre et al 2002,

Hadzic & Andersen 2006, Hadzic et al 2007] ou des indicateurs [Hadzic & Andersen 2006,

Andersen et al. 2010], mais aussi du modèle de recommandation. Le projet BR4CP visait à

développer la fonction conseil et la prise en compte des préférences client dans les systèmes

orientés configuration, qu'il s'agisse de configuration B2B « classique » (configuration

d'objets techniques) ou d'exploration interactive d'un catalogue en B2C (de type « preference-

based search » [Junker & Mailharro 2003, Torrens et al 2002, Viappiani et al 2006, Viappiani

et al 2008]). Pour ce faire, il se proposait de mettre en commun les acquis des deux types de

systèmes en étudiant conjointement techniques d'apprentissage, de filtrage collaboratif et de

compilation et/ou de propagation de préférences.

1

Pour un survey sur la configuration en ligne, le lecteur peut se référer aux actes du workshop annuel de la

communauté ; par exemple, pour 2014 : 16th Workshop on Configuration, Novi Sad 25-26 sept 2014.

http://confws.ist.tugraz.at/ConfigurationWorkshop2014/.


C.3 APPROCHE SCIENTIFIQUE ET TECHNIQUE

Le programme scientifique du projet a été organisé en cinq tâches:

Une tâche amont d'analyse des besoins, d'extraction de benchmarks, et de définition

d'un protocole de validation ;

Une tâche focalisée sur l'apprentissage dans les systèmes de configuration ;

Une tâche dédiée à la définition d'algorithmes de recherches suffisamment efficaces

pour une utilisation en ligne ;

Une tâche dédiée à l'étude de techniques de compilation de connaissances ;

Enfin, une tâche de validation et de comparaison expérimentale des approches

développées.

C.4 RESULTATS OBTENUS

Analyse et jeux d’essais

• Un état de l’art des systèmes de recommandation a été livré en février 2013.

• Un rapport d’analyse des besoins, livré en janvier 2013. Après un recensement des

limitations de la technologie actuelle, nous avons identifié de nombreuses voies

d'amélioration des systèmes de configuration. Nous avons synthétisé les différents besoins

sous la forme d'une structure matricielle hiérarchique. Nous avons rédigé un rapport

d'analyse des besoins qui résume ceux que les partenaires du projet ont rencontrés dans

leurs précédents développements d'applications ou d'outils de configuration.

• La constitution de jeux d’essai ; Renault a fourni trois benchmarks de produits

configurables ainsi que des historiques de vente. Les benchmarks fournis par Renault ont été

exprimés au format XCSP 2.1 utilisé par de nombreux prouveurs CSP académiques. Ce

livrable a été mis en ligne sur le site du projet en janvier 2013.

Recherche de solutions préférées dans les domaines combinatoires

Une session de configuration peut être vue comme une procédure de résolution interactive

d’un problème de satisfaction de contraintes : c’est l’utilisateur, et non la machine, qui

construit sa solution – son produit. A chaque étape, l’utilisateur spécifie ou relaxe la valeur

d’une variable de configuration, ou exprime des préférences sur les valeurs possibles de cette

variable. En retour, la machine lui indique quelles sont les valeurs compatibles pour les

autres variables, et parmi elles les valeurs susceptibles de lui convenir, et met à jour des

indicateurs sur la solution qui est en cours de réalisation (par exemple son prix, ou le délai

de livraison).

La nature combinatoire des produits configurables constitue un frein à l’exécution en ligne

de ces tâches – chacune est en effet NP-difficile.

Un premier groupe de travaux s’est proposé d’utiliser la performance des solveurs SAT et

CSP pour maintenir, après chaque intervention de l’utilisateur (affectation ou relaxation


d’une variable), la cohérence inverse globale des domaines (il s’agit de calculer, pour chaque

variable, l’ensemble des valeurs compatibles avec les choix courants) et les prix minimum et

maximum de la solution courante. Une première approche [Leberre 2014] est basée sur le

calcul d’impliqués premiers et l'utilisation d'un prouveur SAT incrémental (Sat4j) ; elle

permet d'effectuer en ligne de commande la configuration interactive des problèmes fournis

pas Renault, avec remise en cause des choix précédents. Une seconde [Bessiere et al. 2013a]

adresse la même fonctionnalité à partir de l’utilisation du solveur de contraintes Abscon.

L’idée générale de l’algorithme est de maintenir dans une table un ensemble de solutions

justifiant l’apparition de chaque valeur dans les domaines des différentes variables. Le

contenu de cette table est calculé une première fois avant intervention de l’utilisateur et est

ensuite mis à jour si nécessaire à chaque choix de l’utilisateur. Enfin, dans [Nguyhen et al.

2014] nous avons proposé des algorithmes incrémentaux efficaces pour le maintien du coût

minimal de l’affectation en cours de construction.

D’autres voies de recherche ont été poursuivies, qui correspondent à d’autres fonctionnalités

mises en évidence dans l’analyse des besoins. Dans [Becker et al. 2013a] nous avons étudié

comment proposer à l’utilisateur des « valeurs alternatives » – c'est-à-dire compatibles avec

les choix courants – d’une variable déjà affectée. Dans [Becker et al. 2013b] nous avons traité

du problème de l’optionalité en configuration (configuration de sous-produits, dont la

présence au sein du produit configurable n’est pas obligatoire), en étudiant en particulier la

propagation entre variables de configuration principales et variables optionnelles.

Les contraintes exprimées en extension (ou contraintes de table) sont fortement présentes

dans les problèmes de configuration : elles permettent d'exprimer simplement les catalogues

de composants ainsi que leurs relations de compatibilité ou d'incompatibilité. Une autre

caractéristique des problèmes de configuration est la présence fréquente de combinaisons

logiques de contraintes. Malheureusement, la plupart des solveurs de contraintes ne

supportent pas les combinaisons logiques de contraintes de table, ou bien le filtrage associé à

une combinaison logique de contraintes de table ne garantit pas la cohérence de la

contrainte. Nous avons défini plusieurs reformulations de modèles permettant de traiter ce

problème : pour différentes formes de combinaisons logiques de contraintes de table, qui

apparaissent fréquemment dans les problèmes de configuration, nous proposons un modèle

alternatif qui n'utilise pas de combinaisons logiques de contraintes. Ainsi un utilisateur peut

utiliser un solveur quelconque pour résoudre efficacement ses problèmes de configuration.

Ces reformulations sont de nouvelles briques de base pour reformuler un modèle complexe,

et se combinent entre elles ou avec des reformulations plus classiques [Lhomme 2012]. Nous

avons intégré certains de ces développements dans la version 12.6.0 sortie en 2013 du solveur

CP Optimizer du produit IBM ILOG CPLEX Optimization Studio.

Toujours sur les contraintes de tables, nous avons proposé un nouvel algorithme de filtrage

permettant de gagner grandement en efficacité sur certains problèmes de configuration

[Lhomme 2013]. Nous avons intégré ce nouvel algorithme de filtrage dans la version 12.6.1

sortie en 2014 du solveur CP Optimizer du produit IBM ILOG CPLEX Optimization Studio.

Apprentissage de préférences

Plusieurs axes de recherche ont été développés.


Nous avons d’une part considéré des situations de recherche à base de préférences où le but

est la construction d’une représentation des préférences de l’utilisateur courant – une fois ces

préférences élicitées, le problème revient simplement à la recherche (automatique) d’une

affectation des variables satisfaisant les contraintes de configuration et satisfaisant au mieux

ces préférences. Dans [Bigot et al. 2012], nous avons étudié la question de l'apprentissage de

préférences représentées par des GAI-décompositions. Nous avons étudié la VC dimension

de ce problème et montré que l'on peut calculer une GAI-décomposition de structure la plus

simple possible expliquant un ensemble de comparaisons entre objets en résolvant un

problème d'optimisation linéaire mixte. Dans [Bessiere et al. 2013b] nous avons étudié la

question de la résolution d’un problème à contraintes qui ne passe pas par sa modélisation

explicite – les contraintes non modélisées étant celles de l’utilisateur courant. Notre système

d’acquisition de contraintes (QUACQ) n’a pas besoin d’exemple positif pour apprendre un

réseau de contraintes. S’appuyant sur cet avantage, nous avons proposé un solveur de

contraintes basé sur l’élicitation (Ask&Solve) qui permet de trouver le meilleur compromis

entre acquisition et résolution pour atteindre le plus rapidement possible (en termes de

nombre de requêtes) une solution.

Nous avons d’autre part considéré le problème de la recommandation de valeurs à

l’utilisateur en fonction de ses choix précédents et de la connaissance des choix d’autres

groupes d’utilisateurs. Dans un premier groupe de travaux, nous avons testé l'utilisation de

réseau bayésiens naïfs sur la base d’historiques de configuration de voitures fournis par

Renault ; une approche analogue est d’apprendre un réseau bayésien à partir d’historiques,

réseau qui sera ensuite « compilé » en un diagramme de décision valué, ce qui permettra une

prédiction en ligne de valeurs préférées – la philosophie reste celle des systèmes de

recommandation classiques (conseiller en fonction des historiques de vente), la dimension

combinatoire pouvant être prise en compte grâce au recours à des réseaux bayésiens. Dans

un second groupe de travaux [Bigot et al. 2013], nous avons abordé la question de la

représentation par des réseaux de préférences conditionnelles (CP-nets) des préférences d’un

groupe d’utilisateurs (les acheteurs précédents). Nous avons étendu le formalisme des CP-

nets à la prise en compte de probabilités sur des ordres pour capturer une incertitude sur les

préférences de l’utilisateur, et étudié les problèmes de dominance et d'optimisation dans ces

« CP-nets probabilistes ». Nous avons ensuite travaillé sur la question de l’apprentissage de

CP-nets probabilistes : apprentissage hors-ligne d'une part, à partir d'historiques de ventes,

pour construire un modèle général des préférences d'un groupe d'utilisateurs ; et

apprentissage en ligne d'autre part, pour raffiner et adapter ce modèle à l'utilisateur courant

[Bigot et al. 2014].

Plusieurs prototypes ont été construits. Les deux premiers concernent l’apprentissage de

préférences par un GAI-net ou par un réseau bayésien naïf d’une part (apprentissage passif)

et l’apprentissage d’un CP-net probabiliste (apprentissage actif) d’autre part – le premier est

très efficace en temps (moins d’une seconde) et en performances (92 % d’exemples bien

classés). Un prototype pour l'apprentissage en ligne est moins satisfaisant, puisque l’on

montre qu’il faudrait une centaine d’itérations pour apprendre correctement le modèle de

préférences d'un utilisateur.


Nous avons développé une troisième approche basée sur les réseaux bayésiens [Lhomme

2015]. L'idée générale étant d'apprendre les corrélations entre les différentes options choisies

dans l'historique des véhicules vendus. Cette connaissance apprise est synthétisée sous la

forme d'un réseau bayésien, sur lequel on peut ensuite raisonner. Ainsi, étant donnée une

configuration partielle d'un véhicule (qui correspond à l'état courant obtenu par un

utilisateur ayant commencé à choisir certaines options), on peut exploiter le réseau bayésien

de façon à suggérer à l'utilisateur des options qui sont fréquemment choisies avec les options

de la configuration partielle. Le prototype est constitué de plusieurs modules :

– un module d'apprentissage de réseau bayésien. Il repose sur une méthode de recherche

locale spécifique, et nous permet d'extraire un réseau bayésien à partir de l'historique des

ventes.

– un module permettant d'analyser les dépendances fonctionnelles existant entre les

différentes variables d'un problème. Il permet dans certains cas d'améliorer la qualité du

réseau bayésien obtenu.

– un module d'inférence dans un réseau bayésien permettant de trouver les solutions les plus

probables du réseau bayésien.

– un module principal de génération de recommandations sous contraintes. Il combine le

modèle de configuration avec un réseau bayésien. Ce module permet, appliqué au problème

de configuration de Renault, de construire des recommandations de choix de voitures en

fonction des décisions déjà prises par l'utilisateur du configurateur en ligne tout en

respectant les contraintes de configuration.

Enfin, le Lirmm s’est proposé d’orienter ses travaux sur l’apprentissage de contraintes dures

dans le but d’aider les modélisateurs à construire le modèle du produit configurable – une

étude motivée par l’analyse des besoins effectuée en début de projet [Bessiere et al. 2013b ;

Bessiere et al. 2014a, 2014b].

Compilation de préférences, compilation de produit.

Une grande partie des systèmes de configuration définissent le catalogue électronique

comme un problème de satisfaction de contraintes – sur cette forme, les requêtes qui doivent

être offertes (maintenance de la cohérence globale inverse des domaines et maintien du prix

minimum) sont théoriquement intraitables et font appel à des algorithmes dont la

complexité au pire cas est exponentielle. L’approche par compilation propose de construire,

hors ligne (avant la session de configuration) une forme aussi compacte que possible du

catalogue qui permette de diminuer le temps de réponse en ligne – une partie du traitement

des requêtes est ainsi reporté en amont.

En ce qui concerne la représentation de fonctions booléennes (représentant par exemple le

catalogue), nous avons tout d’abord construit une carte de compilation qui permet de

comparer les langages cibles potentiels (OBDD, DNNF, etc.) en termes de performances par

rapport aux requêtes qui intéressent le projet [Coste et al. 2013]. Nous avons d’autre part

proposé un nouveau formalisme, les arbres de décision affines étendus, pour la

représentation de fonctions booléennes [Koriche et al. 2013]. Nous avons montré que ce

langage permet, en temps polynomial, le comptage des modèles de la formule représentée.

Nous avons proposé et implémenté un compilateur de CNF en arbre de décision affine

(CNF-to-EADT) qui se révèle particulièrement efficace, comparé à certains compteurs de


modèles dédiés (pour certaines instances, le temps de compilation est amorti dès la première

requête de comptage de modèles). Enfin, nous avons proposé une nouvelle approche de la

compilation de bases de connaissances fondée sur l'utilisation à la volée de solveurs SAT

[Audemard et al. 2013]. Sur les benchmarks fournis par Renault, un encodage des contraintes

en CNF à l'aide de l'« order encoding » permet de répondre à plusieurs des requêtes utiles en

configuration en moins de 0.01s, dans tous les cas.

En ce qui concerne la compilation de préférences, nous avons étudié les langages de type

« décision de diagrammes valués » de manière algébrique et montré que certaines conditions

simples (la structure doit être un monoïde) garantissent l'existence d'une forme canonique

(à l'instar des OBDDs utilisés dans le cas booléen) [Fargier et al. 2013a ; Fargier et al. 2014a ;

Fargier et al. 2014b]. Le conditionnement et l'optimisation sont réalisables en temps

polynomial pour les formules de ces langages, ce qui est essentiel pour les applications

visées. Nous ensuite construit une carte de compilation des diagrammes de décision valués

« classiques » (ADD, AADD, SLDD+ et SLDDx) qui permet de comparer ces langages. Cette

comparaison théorique a été doublée de la construction d’un compilateur de CSP valué /

réseau bayésien en diagramme de décision valué (AADD, SLDD, ADD). Ses résultats sont

excellents, en termes de temps de réponse et de compacité – moins de 3s pour le plus gros

des benchmarks. Nous l’avons exploité d’une part pour tester des heuristiques et le comparer

expérimentalement à d’autres formes compilées (ADD, AADD, SLDD basés sur la

multiplication) ; il apparaît clairement que les SLDD additifs sont les plus performants.

Nous avons d’autre part proposé d’utiliser ce type de structure pour la recommandation

d’options à partir d’historiques de vente (les historiques définissent une distributions de

probabilité, sur les produits combinatoires, distribution qui peut être représentée par un

diagramme de décision valué) ; la structure est conditionnée en fonction des choix de

l’utilisateur courant, ce qui permet de proposer à l’utilisateur la valeur la plus susceptible de

le satisfaire pour le choix suivant. Il s’agit donc d’une première forme de filtrage collaboratif

combinatoire.

Enfin, nous avons entamé un travail amont de conception d'un cadre générique et abstrait

permettant la comparaison de formalismes pour la représentation des connaissances, en

particulier les langages cibles utilisés en compilation de connaissances [Fargier et al. 2013b].

Il s'agit de pouvoir comparer sur des bases formelles des langages qui ne partagent pas la

même sémantique, ce que le cadre utilisé jusqu'ici ne permet pas.

Validation

Nous avons pu construire un outil de validation rigoureux, à savoir un protocole

d’expérimentation détaillé, que nous avons mis en ligne à disposition de la communauté

avec les jeux d’essais [Astesana et al. 2013]. Nous avons ensuite implémenté ce protocole

sous la forme d’une interface Java pouvant appeler les différents solveurs développés dans le

cadre du projet – et donc comparer à la fois la correction de nos approches et leurs

performances [Izza 2014]. Il apparaît que même si l’approche compilée a les meilleures

performances, les approches directes complètes sont viables (et même très compétitives en ce

qui concerne le maintien de la cohérence inverse des domaines).


C.5 EXPLOITATION DES RESULTATS

Le code destiné à la validation a été dans un second temps intégré à un prototype de

configuration – un démonstrateur, qui permet de montrer les capacités des approches que

nous avons développés [Izza 2014] . Il pourrait être développé pour une application plus

commerciale.

C.6 DISCUSSION ET CONCLUSIONS

Le plan de travail a été suivi de près et tous les livrables réalisés et rendus. L’analyse des

besoins a été plus riche que prévu, et nous avons obtenu un large case study contenant à la

fois des jeux pour la configuration en ligne et des jeux pour la recommandation dans les

domaines combinatoires. Nous les avons mis en ligne, avec les protocoles et les

performances de nos algorithmes sur ces protocoles, afin de motiver des recherches

concurrentes.

Les tâches 3 et 4 ont confirmé l’intérêt et les performances des approches par compilation ;

elles ont aussi montré qu’en pratique les approches SAT/CSP complètes (maintien de la

cohérence inverse globale) ou approchées (arc cohérence) sont compétitives dans une

approche incrémentale itérative – le verrou restant à lever en ce qui concerne le maintien du

prix après retrait de choix utilisateur (ce verrou a en revanche été levé pour les approches

compilées). Les élargissements possibles concernent l’élaboration d’approches directes

fondées sur les solveurs linéaire de type CPLEX et le calcul incrémental de valeurs

alternatives.

En ce qui concerne l’apprentissage et la recommandation, le projet s’est développé sur des

axes plus divers que prévu : apprentissage de CSP, apprentissage des préférences de

l’utilisateur, mise au point d’un case study basé sur les historiques de ventes, apprentissage

de réseaux bayésiens naïfs, et compilation pour la recommandation.

Les points forts du projet sont de trois ordres :

Un ensemble de résultats fondamentaux publiés dans de grandes conférences

d’intelligence artificielle ; ils portent essentiellement sur l’apprentissage de

préférences et la configuration combinatoire, soit à base de contraintes soit par des

techniques de compilation en automates. Deux résultats sont marquants : d’une part,

il apparaît que lorsqu’il s’agit uniquement de propager les choix courants, les

techniques à base de contraintes peuvent avoir des performances du même ordre que

les techniques par compilation ; d’autre part, des techniques de compilation de

préférences, prix et autres formes valuées, développées sur une assise théorique

solide, se révèlent performantes en pratique.

La mise au point d’un case study grandeur réelle et d’un protocole de test afin de

stimuler des recherches (éventuellement concurrentes) dans le domaine.


Enfin, le prototypage d’une maquette logicielle de configuration de produit, qui


C.7 REFERENCES

[Adomavicius & Tuzhilin 2005] G. Adomavicius et A. Tuzhilin. Toward the next generation

of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE

Transactions on Knowledge and Data Engineering , 17(6):734-749, 2005

[Amilhastre et al 2002] J. Amilhastre, H. Fargier, et P. Marquis. Consistency restoration and

explanations in dynamic CSPs - application to configuration. Artificial Intelligence,

135(2002):199-234, 2002

[Amilhastre et al. 2014] J. Amilhastre, H. Fargier, A. Niveau, C. Pralet. Compiling CSPs: A

Complexity Map of (Non-Deterministic) Multivalued Decision Diagrams. International

Journal on Artificial Intelligence Tools 23(4)

[Andersen et al 2010] H.R. Andersen, T. Hadzic, D. Pisinger. Interactive cost configuration

over decision diagrams. JAIR 37:99-139, 2010.

[Astesana et al. 2013] J.M. Astesana, H. Fargier et F. Jurain. An experimental protocol for

constraint-based configurators. http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole.html

[Audemard et al. 2013] G. Audemard, JM Lagniez, L. Simon. Just-In-Time Compilation of

Knowledge Bases. IJCAI-13:447-453.

[Becker & Fargier 2013a] C. Becker, H. Fargier. Maintaining alternative values in constraint-

based configuration. ECAI’2012 Configuration Workshop (ConfWS’12): 1-7 et IJCAI’2013:

454-460.

[Becker et al. 2013b] C. Becker. Problématique des variables optionnelles. Exposé présenté

lors du 2nd workshop BR4CP, Lens, 25-26 juin 2012.

[Bessiere et al. 2013a] C. Bessiere, H. Fargier et C. Lecoutre. Global Inverse Consistency for

Interactive Constraint Satisfaction. CP'13 : 159-174

[Bessiere et al. 2013b] C. Bessiere, R. Coletta, E. Hebrard, G. Katsirelos, N. Lazaar, N.

Narodytska, CG Quimper, T. Walsh. Constraint acquisition via partial queries. IJCAI’13: 475-

481.

[Bessiere et al. 2014a] C. Bessiere, R. Coletta, A. Daoudi, N. Lazaar, Y. Mechqrane, E.H.

Bouyakhf. Boosting Constraint Acquisition via Generalization Queries Proceedings ECAI’14:

99-104.

[Bessiere et al. 2014b] C. Bessiere, R. Coletta, N. Lazaar. Solve a Constraint Problem Without

Modeling It. ICTAI’14: 1-7.

[Bigot et al. 2012] D. Bigot, H. Fargier., J. Mengin, B. Zanuttini. Using and Learning GAI-

Decompositions for Representing Ordinal Rankings. ECAI’2012 workshop on Preference

Learning (PL’12): 5-10

[Bigot et al. 2013] D. Bigot, H. Fargier, J. Mengin, B. Zanuttini. Probabilistic Conditional

Preference Networks. UAI 2013 : 72-81

[Bigot et al. 2014] Damien Bigot, Jérôme Mengin, Bruno Zanuttini. Learning Probabilistic CP-

nets from Observations of Optimal Item: STAIRS 2014: 81-90

[Bordeaux et al. 2013] L. Bordeaux, M. Janota, J. Marques-Silva et P. Marquis. On Unit-

Refutation Complete Formulae with Existentially Quantified Variables. KR'12: 75-84.

[Dubus et al 09] J.P. Dubus, C. Gonzales, P. Perny. Fast recommendations using GAI

models. In IJCAI , pages 1896-1901, 2009.

http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole.html


[Fargier et al. 2013a] H. Fargier, P. Marquis, N. Schmidt. Semiring Labelled Decision

Diagrams, Revisited: Canonicity and Spatial Efficiency Issues. IJCAI 2013: 884-890

[Fargier et al. 2013b] H. Fargier, P. Marquis, A. Niveau. Towards a Knowledge Compilation

Map for Heterogeneous Representation Languages. IJCAI 2013: 877-883

[Fargier et al. 2014a] H. Fargier, P. Marquis, A. Niveau, N. Schmidt. A Knowledge

Compilation Map for Ordered Real-Valued Decision Diagrams. AAAI 2014: 1049-1055

[Fargier et al. 2014b] H. Fargier, P. Marquis, N. Schmidt. Compacité pratique des

diagrammes de décision valués : normalisation, heuristiques et expérimentations. Revue

d’Intelligence Artificielle. (à paraître)

[Furnkranz & Hullermeier 2010] J. Furnkranz, E. Hullermeier, Preference Learning .

Springer, 2011.

[Gelle & Weigel 1996] E. Gelle & Weigel. Interactive configuration using constraint

satisfaction techniques Papers from the 1996 AAAI Fall Symposium on Configuration:37-44.

Technical Report FS-96-03. Published by The AAAI Press, Menlo Park, California

[Hadzic & Andersen 2006] T. Hadzic et H. Reif Andersen. A BDD-based polytime algorithm

for cost-bounded interactive configuration. In Proceedings of AAAI'06 , 2006.

[Hadzic et al. 2007] T. Hadzic, A. Wasowski, H. Reif Andersen.. Techniques for efficient

interactive configuration of distribution networks. In Proceedings of IJCAI'07, pages 100-105,

2007

[Izza 2014] Y. Izza. Résolution interactive et compilation de problèmes de satisfaction de

contraintes.

[Junker & Mailharro 2003] U. Junker et D. Mailharro. Preference programming: Advanced

problem solving for configuration. AI EDAM, 17(1):13{29, 2003.

[Koriche & Zanuttini 2009] F. Koriche, B. Zanuttini. Learning Conditional Preference

Networks with Queries. In Proceedings of IJCAI'09, pages 1930-1935, 2009.

[Koriche & Zanuttini 2009] F. Koriche, B. Zanuttini. Learning conditional preference

networks. Artificial Intelligence 174(11):685-703, 2010.

[Koriche et al. 2013] F. Koriche, J.-M. Lagniez, P. Marquis and S. Thomas. Knowledge

Compilation for Model Counting: Affine Decision Trees. IJCAI'13: 947-953.

[Lagniez & Marquis 2014] J.-M. Lagniez et P. Marquis. Preprocessing for Propositional

Model Counting. AAAI’14: 2688-2694

[Leberre 2014] Daniel Le Berre. Projet ANR BR4CP : Algorithmes et Résultats expérimentaux

individuels. Rapport CRIL 2014-001

[Lhomme 2012] O. Lhomme. Practical Reformulations With Table Constraints. ECAI’2012.

[Lhomme 2013] O. Lhomme. Supports in table constraints. IBM Technical report 8/2013.

[Lhomme 2015] O. Lhomme. Generating Recommendations for Configurable Products. IBM

Technical Rerport 2/2015

[Resnick et al 1994] P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, J. Riedl. GroupLens: An

Open Architecture for Collaborative Filtering of Netnews. Proceedings of ACM 1994

Conference on Computer Supported Cooperative Work, pages 175-186, 1994.

[Sabin & Freuder 1996] D.Sabin, E. C. Freuder. Configuration as composite constraint

satisfaction. In George F. Luger, editor,Proceedings of the 1s) Artificial Intelligenceand

Manufacturing Research Planning Workshop, pages 153-161. AAAI Press, 1996.

[Stumptner et al 1995] M. Stumptner, G. Friedrich, A. Haselbock. Generative constraint-

based configuration of large technical systems. AI EDAM, 12(4):307-320, 1998

[Torrens et al 2002] M. Torrens, B. Faltings, P. Pu. Smartclients: Constraint satisfaction as a

paradigm for scaleable intelligent information systems. Constraints 7(1):49-69, 2002.


[Viappiani et al. 2006] P. Viappiani, B. Faltings, P. Pu. Preference-based search using

example-critiquing with suggestions. JAIR 27:465-503, 2006.

[Viappiani et al. 2008] P. Viappiani, P. Pu, Boi Faltings. Preference-based search with

adaptive recommendations. AI Communications 21(2-3):155-175, 2008

[Viappiani & B. Faltings 2007] P. Viappiani and B. Faltings. Preference-based search for

configurable catalogs. In AAAI 2007 Workshop on Configutation, Vancouver, July 2007.

[Weigel & Faltings 1999] R. Weigel et Boi Faltings. Compiling constraint satisfaction

problems. Artificial Intelligence, 115(2):257-287, 1999.

D LISTE DES LIVRABLES

N° Intitulé Nature*

Date de fourniture Partenaire

s (souligner le

responsable)

Prévue initialement

Replanifiée

Livrée

Etat de l’art critique sur les système de recommandation

Rapport 7/1/13 1/2/13 J. Mengin, IRIT

Analyse des besoins Rapport 7/1/13 20/1/13 O. Lhomme, IBM-ILOG

Benchmarks (produits configurable)

Données (Fichiers en ligne, site BR4CP)

7/1/13 25/6/12 J.M. Astesana, Renault

Benchmarks (historiques de ventes)

Données (Fichiers en ligne, site BR4CP)

7/1/13 25/6/12 J.M. Astesana, Renault

Résultats théoriques Tâche 2 Rapport 7/7/13 3/11/13 J. Mengin, F. Koriche IRIT/CRIL

Protocole Expérimental Tâche 5 Fichier en ligne, site BR4CP2

7/7/13 7/11/13 H. Fargier IRIT

Utilisation d’algorithmes de recherche et de propagation pour la configuration. Résultats expérimentaux individuels.

Rapport 7/1/14 7/1/14 D. Le Berre, CRIL C. Bessiere LIRMM

Carte de compilation (Tâche 4) Rapport 7/1/14 7/1/14 S. Coste CRIL

Algorithmes de Compilation (Tâche 4)

Rapport 7/7/14 15/12/14 S. Coste CRIL

Code source et résultats expérimentaux Tâche 2

Rapport de thèse de Doctorat Damien Bigot

7/1/15 7/4/15 J. Mengin F. Koriche


Mise à disposition en ligne3

7/1/15 7/7/15 D. Leberre CRIL


Mise à disposiiton en ligne4 + Rapport de Thèse de Doctorat de Nicolas Schmidt

7/1/15 7/7/15 S. Coste CRIL

Résultat expérimentaux comparatifs (Tâche 5)

Rapport de Master de Yacine Izza + logiciel

7/1/15

7/7/5 H. Fargier IRIT

2 http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole/Protocole.html 3 https://forge.univ-artois.fr/root/sat4jconfigurator 4 http://www.irit.fr/~Helene.Fargier/BR4CP/SALADD/CompilateurSALADD.html


E IMPACT DU PROJET

E.1 INDICATEURS D’IMPACT

Nombre de publications et de communications (à détailler en E.2)

Liste des publications multipartenaires (résultant d’un travail mené en commun)

International

Revues à comité de lecture 1

Ouvrages ou chapitres d’ouvrage

Communications (conférence) 9

France

Revues à comité de lecture 1



Actions de diffusion

Articles de vulgarisation

Conférences de vulgarisation

Autres 1

Liste des publications monopartenaires (impliquant un seul des partenaires)

International

Revues à comité de lecture



France


Ouvrages ou chapitres

d’ouvrage





Autres

E.2 LISTE DES PUBLICATIONS ET COMMUNICATIONS

Liste des publications multipartenaires (résultant d’un travail mené en commun)


International

Revues à comité de lecture 1. J. Amilhastre, H. Fargier, A. Niveau, C. Pralet: Compiling

CSPs: A Complexity Map of (Non-Deterministic) Multivalued Decision Diagrams. International Journal on Artificial Intelligence Tools 23(4) (2014)

Ouvrages ou chapitres d’ouvrage 1.

Communications

(conférence) 1. J. Amilhastre, H. Fargier, A. Niveau, C. Pralet. Compiling

CSPs: A Complexity Map of (Non-Deterministic) Multivalued Decision Diagrams. ICTAI 2012: 1-8 ; sélectionné pour publication dans International Journal on Artificial Intelligence Tools.

2. C. Becker, H. Fargier. Maintaining alternative values in constraint-based configuration. ECAI’2012 Configuration Workshop (ConfWS’12): 1-7 et IJCAI’2013: 454-460.

3. C. Bessiere, H. Fargier et C. Lecoutre. Global Inverse Consistency for Interactive Constraint Satisfaction. CP'13 : 159-174

1. D. Bigot, H. Fargier., J. Mengin, B. Zanuttini. Using and Learning GAI-Decompositions for Representing Ordinal Rankings. ECAI’2012 workshop on Preference Learning (PL’12): 5-10

4. D. Bigot, H. Fargier, J. Mengin, B. Zanuttini. Probabilistic Conditional Preference Networks. UAI 2013 : 72-81

5. D. Bigot, J. Mengin, B. Zanuttini. Learning Probabilistic CP-nets from Observations of Optimal Item. STAIRS 2014: 81-90

6. H. Fargier, P. Marquis, N. Schmidt. Semiring Labelled Decision Diagrams, Revisited: Canonicity and Spatial Efficiency Issues. IJCAI 2013: 884-890

7. H. Fargier, P. Marquis, A. Niveau. Towards a Knowledge Compilation Map for Heterogeneous Representation Languages. IJCAI 2013: 877-883

8. H. Fargier, P. Marquis, A. Niveau, N. Schmidt. A Knowledge Compilation Map for Ordered Real-Valued Decision Diagrams. AAAI 2014: 1049-1055

France

Revues à comité de lecture 1. Hélène Fargier, Pierre Marquis, Nicolas Schmidt: Compacité

pratique des diagrammes de décision valués. Normalisation, heuristiques et expérimentations. Revue d'Intelligence Artificielle 28(5): 571-592 (2014)



Communications (conférence) 1. C. Becker, H. Fargier. Maintenance de valeurs alternatives

dans les CSP dynamiques: principes et expérimentations en configuration de produit. JFPC 2012 :45-53.

1. D. Bigot, H. Fargier., J. Mengin, B. Zanuttini. Apprentissage de GAI-décompositions. JIAF 2012.

2. D. Bigot, H. Fargier, J. Mengin, B. Zanuttini. Probabilistic Conditional Preference Networks. JIAF 2013: 57-67.

3. A. Niveau, H. Fargier, P. Marquis. Vers une carte de compilation pour des langages de représentation hétérogènes. JIAF 2013 :145-155.

4. A. Niveau, H. Fargier, C. Pralet. Compilation de CSPs: carte de complexité des MDDs. JFPC 2013 : 21-30.

5. D. Bigot, J. Mengin, B. Zanuttini. Apprentissage de CP-nets probabilistes. JFRB 2014.




Autres 1. J.-M. Astesana, H. Fargier et F. Jurain. An experimental

protocol for constraint-based configurators. http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole.html

Liste des publications monopartenaires (impliquant un seul des partenaires)

International

Revues à comité de

lecture


Communications (conférence) 2. G. Audemard, J.-M. Lagniez, L. Simon. Just-In-Time

Compilation of Knowledge Bases. IJCAI-13:447-453.

3. C. Bessiere, R. Coletta, E. Hebrard, G. Katsirelos, N. Lazaar, N. Narodytska, CG Quimper, T. Walsh. Constraint acquisition via partial queries. IJCAI’13: 475-481.

4. L. Bordeaux, M. Janota, J. Marques-Silva, P. Marquis. On Unit-Refutation Complete Formulae with Existentially Quantified Variables. KR'12: 75-84.

5. F. Koriche, J.-M. Lagniez, P. Marquis and S. Thomas. Knowledge Compilation for Model Counting: Affine Decision Trees. IJCAI'13: 947-953.

6. C. Bessiere, R. Coletta, A. Daoudi, N. Lazaar, Y. Mechqrane, E.H. Bouyakhf. Boosting Constraint Acquisition via Generalization QueriesProceedings ECAI’14: 99-104.

7. J.-M. Lagniez and P. Marquis. Preprocessing for Propositional Model Counting. AAAI’14: 2688-2694

8. C. Bessiere, R. Coletta, N. Lazaar. Solve a Constraint Problem Without Modeling It. ICTAI’14: 1-7

9. H. Nguyen, T. Schiex, C. Bessiere and S. de Givry. Maintaining Virtual Arc Consistency Dynamically During Search. Proceedings ICTAI’14: 8-15.

France




Communications (conférence) 1. ]. F. Koriche, J.-M. Lagniez, P. Marquis et S. Thomas. Arbres

de décision affines pour le comptage de modèles. IAF 2013.




Autres

E.3 LISTE DES ELEMENTS DE VALORISATION

Plusieurs logiciels ont été développés , en particulier :

- Pour la tache 4, La boite à outils « SALADD » qui fournit un compilateur de CSP

valués et de réseaux bayésiens en SLDD+, un ensemble de fonctions de traduction de

telles structures de données en SLDDx, ADD et AADD (et réciproquement), ainsi que

l’implémentation des principales fonctions permettant l’exploitation de SLDD+ pour

la configuration. Voir

http://www.irit.fr/~Helene.Fargier/BR4CP/SALADD/CompilateurSALADD.html

- Pour la tache 3, une boite à outils implementant les fonctionnalités utiles à la

configuration et basée sur SAT4J https://forge.univ-artois.fr/root/sat4jconfigurator

- Un logiciel de test implémentant le protocole défini en tâche 1 ; il permet d’appeler,

au choix de l’expérimentateur, chacune des approches développées en tâches 3 et 4

(approche par compilation, approche par maintien de la GIC et approche basée sur

les impliqués)

Voir http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole/Protocole.html

- Un démonstrateur pour la configuration interactive. S’adresser à D. Leberre

[email protected]

http://www.irit.fr/~Helene.Fargier/BR4CP/SALADD/CompilateurSALADD.html

https://forge.univ-artois.fr/root/sat4jconfigurator

http://www.irit.fr/~Helene.Fargier/BR4CP/Protocole/Protocole.html

Rapport à 36 mois (pre compte rendu

de fin de projet)

Référence du formulaire : ANR-FORM-090601-01-01

E.4 BILAN ET SUIVI DES PERSONNELS RECRUTES EN CDD (HORS STAGIAIRES)

Identification Avant le recrutement sur le projet Recrutement sur le projet Après le projet Nom et prénom

Sexe H/F

Adresse email (1)

Date des dernières nouvelles

Dernier diplôme obtenu au moment du recrutement

Lieu d'études (France, UE, hors UE)

Expérience prof. antérieure

Partenaire ayant embauché la personne

Poste dans le projet

Durée mission (mois)

Date de fin de mission sur le projet

Devenir professionnel

Type d’employeur (5)

Type d’emploi (6)

Lien au projet ANR (7)

Valorisation expérience (8)

Nicolas Schmidt

H [email protected]

1/7/2015 MR2 France CRIL Doctorant 36 mois 1/1/15 Start up

Yacine Izza

H [email protected] 1/07/2015 MR1 France IRIT Stagiaire de Master

6 mois 1/9/14 Doctorant Recherche publique

ingénieur partenaire

oui

Pierre Francois Gimenez

H [email protected]

MR1 France IRIT Stagiaire de Master

6 mois 7/7/15

Romain Leroux

H [email protected]

1/11/14 Doctorat France IRIT Post Doctorant

4 mois 1/11/15 Post Doc Recherche publique

chercheur aucun non

E.5 MODIFICATIONS

Les modification suivantes ont été effecutéeé durant l’exécution du projet après demande

officielle et accord de l’ANR.

E.5.1 MODIFICATIONS BUDGETAIRES

Deux modifications budgetaires ont été apportées par rapport à la proposition:

L’IRIT a converti une partie de la somme prévue en mission (2 Keuros) pour financer

le stage de master de P.F. Gimenez

Le LIRMM a converti la somme qu’il avait prevue pour le financement de cinq mois

de post doc (36 Keuros) pour financer des missions de collaboration avec les

laboratoires 4C (Cork, Irlande) et CSIC (Barcelone, Espagne) ainsi que des

déplacements à des conférences internationales.

E.5.2 INTEGRATION DE NOUVEAUX MEMBRES

Paolo Viapiani, du LIP6, a été intégré au projet (en tant que partenaire associé à l’IRIT) ;

Fatma Essghaier, doctorante à l’IRIT, a également été intégrée au projet.

Najib Lazaar, nouveau maitre de conférences au LIRMM été intégré au projet et a remplacé

Christian Bessiere en tant que responsable du projet pour le LIRMM.

Rapport de Fin de Projet - Institut de Recherche en ... · C.2 ENJEUX ET PROBLEMATIQUE, ETAT DE...

Documents

Transcript of Rapport de Fin de Projet - Institut de Recherche en ... · C.2 ENJEUX ET PROBLEMATIQUE, ETAT DE...