Je suis très heureux de faire partie du GERAD, où j’ai eu le plaisir d’étudier pendant mon doctorat. J’avais alors été impressionné par la qualité et la quantité de recherche collaborative qu’on y menait. Aujourd’hui, je suis professeur adjoint au département de génie informatique et génie logiciel de Polytechnique Montréal. Avant d’intégrer Polytechnique, j’ai été professeur à l’Universidade Federal do Rio Grande do Norte au Brésil pendant sept ans. J’ai décidé de m’installer au Canada, principalement en raison de la création de l’IVADO (l’Institut de valorisation des données) en tant que carrefour de recherche dans les secteurs de la science des données, de la recherche opérationnelle et de l’intelligence artificielle.

Je me passionne pour l’exploration de données, l’optimisation et la programmation mathématique, ainsi que pour la façon dont ces disciplines s’attaquent aux problèmes dans l’actuelle ère des mégadonnées. La popularité des services Internet et infonuagiques nous permet aujourd’hui d’accéder à de très grands ensembles de données.

Je m’intéresse aux nouvelles méthodologies et aux applications relatives à deux tâches fondamentales de l’exploration de données : le regroupement et la classification. En tant que moyen de synthétiser de grandes quantités de données, les méthodes de regroupement contribuent à détecter des groupes latents pour un ensemble d’entités, et peuvent être mises en pratique de plusieurs façons différentes, dans des secteurs aussi variés que les sciences naturelles, l’ingénierie, la psychologie, la médecine, le marketing et l’économie, pour ne nommer que ceux-là. La complexité d’un problème de regroupement dépend des critères utilisés pour regrouper les objets. Ainsi, la maximisation de la plus petite distance (sous l’hypothèse d’un espace métrique pour les entités) entre deux objets appartenant à deux regroupements différents est résolue par un algorithme qui exécute un nombre d’étapes polynomial en nombre d’objets, alors que la minimisation d’une distance maximale entre une paire d’objets faisant partie d’un même regroupement représente un problème combinatoire complexe. En connaissant la complexité algorithmique du problème de regroupement en question, nous sommes mieux outillés pour élaborer la méthode d’optimisation la plus appropriée. En ce qui concerne les problèmes de classification, la structure des données s’apprend à partir de groupes observés pour évaluer par la suite les groupes de données auparavant non observés. Quant à mon approche envers les problèmes de classification, je la fonde habituellement sur des modèles d’apprentissage profond.

En tant que chercheur en optimisation, j’ai publié des articles sur l’emplacement d’installations, l’ordonnancement, la tournée de véhicules, etc. Dernièrement, j’ai travaillé à l’optimisation mathématique s’appliquant à l’analyse de données perceptives hétérogènes, afin d’aider les psychologues et les spécialistes en marketing à détecter les objets qui jouent un rôle tellement essentiel au sein de nos perceptions mentales qu’ils détiennent un avantage de « notoriété ». Ces données sont naturellement complexes et nécessitent d’être examinées afin d’être traitées de manière mathématique et computationnelle.

Membre du GERAD depuis septembre 2017