Apprentissage en ligne

Les acteurs: 

Laboratoire Angevin de REcherche en MAthématiques et iAdvize

Type de collaboration: 
Collaboration industrielle



L’apprentissage en ligne de suites individuelles a fait l’objet de nombreuses investigations ces trois dernières décennies. De nombreux auteurs ont étudié la prédiction d’une suite déterministe de manière séquentielle. On peut citer [1] pour une large introduction sur le sujet. Plus récemment, l’apprentissage en ligne a été étudié dans un cadre de grande dimension, où des algorithmes PAC-bayésiens permettent d’obtenir des bornes de regret parcimonieuses ([4]). L’extension à des problèmes non-supervisés a été proposé dans [2], [3], où des algorithmes de segmentation en ligne, sans aucun a priori sur la suite d’observations sont construits. Ces idées ont aussi été appliquées à la construction de systèmes de recommandations à partir d’une segmentation parcimonieuse. Ces résultats novateurs ouvrent de nombreuses pistes de recherches, de la théorie à la mise en oeuvre pratique.


L’entreprise iAdvize située à Nantes a été fondée en 2010. Spécialisée dans la relation client par messagerie instantanée, l’entreprise fournit un logiciel de e-relation client instantanée et un moteur de ciblage comportemental choisi par plus de 1000 clients pour augmenter leur taux de conversion. Les problématiques de iAdvize sont directement liées à la segmentation de clients en ligne, la recommandation et le ciblage.


La collaboration entre le LAREMA et iAdvize offre à cette entreprise le moyen de développer son système par des outils innovants de statistique, d’intelligence artificielle et de prédiction automatique. Les critères de ciblage sont ainsi simplifiés. Ces outils permettent également d’améliorer la performance des indicateurs clés.













  1. N. Cesa-Bianchi and G. Lugosi.
    Prediction, learning and Games, Cambridge University Press, 2006, New York.


  2. L. Li, B. Guedj and S. Loustau.
    PAC-Bayesian Online Clustering.
    HAL preprint, 2016.


  3. S. Loustau.
    Online clustering of individual sequence.
    HAL preprint, 2014.


  4. S. Gerchinovitz.
    Prédiction de suites individuelles et cadre statistique classique : étude de quelques liens autour de la régression parcimonieuse et des techniques d’agrégation.
    PhD thesis, 2011, Université Paris-Sud.