Prédiction & décision sur données structurées
Prévoir, détecter et optimiser sur des données tabulaires et des séries temporelles, en conditions réelles.
Ce que nous explorons
Nous développons et évaluons des approches de modélisation pour la prévision (court/long terme), la détection d'événements rares et l'aide à la décision, avec une attention particulière à la stabilité, la dérive et l'actionnabilité des modèles.
Verrous scientifiques & techniques
Ce qui rend le sujet non trivial en conditions réelles.- Non-stationnarité et dérive (saisonnalité, ruptures, changements de politique ou de marché).
- Déséquilibres de classes et événements rares (fraude, incidents, défauts).
- Généralisation et robustesse hors-distribution (sites, segments, périodes).
- Explicabilité et pilotage : transformer une prédiction en décisions opérationnelles.
Approches & briques technologiques
Comment nous abordons le problème en R&D.- Baselines solides + modèles avancés : gradient boosting, modèles séquentiels, architectures attention, ensembles.
- Protocoles d'évaluation temporels (walk-forward / rolling origin), stress-tests, ablations.
- Calibration et quantification de l'incertitude (quantiles, intervalles, ensembles).
- Feature engineering contrôlé et détection de dérive (data/model drift) avec monitoring.
Illustrations de travaux
Quelques exemples de sujets traités dans ce thème.
Prévision de séries temporelles multi-variables
Illustration de travauxArchitectures profondes et comparaisons systématiques vs modèles statistiques, avec protocoles anti-leakage et calibration.
Scoring & détection d'anomalies
Illustration de travauxModèles robustes aux déséquilibres, seuils adaptatifs, optimisation du rappel sous contraintes métier.
Aide à la décision
Illustration de travauxChaînage prédiction→optimisation : scénarios, sensitivity analysis et métriques d'impact.
Envie d’échanger sur ce thème ?
Nous pouvons partager nos protocoles d’évaluation, nos retours d’expérience et nos options techniques adaptées à vos contraintes.