Actualités recherche
Mobilité économique et inégalités intergénérationnelles
le 1 juin 2026
Recherche
Actualités recherche
Publié le 1 juin 2026– Mis à jour le 1 juin 2026
Réduire le coût énergétique du machine learning
Le projet Learn2Opt porté par Emiliano Traversi, professeur à l’ESSEC Business School, vise à développer des techniques hybrides optimisation/apprentissage pour réduire la consommation de données et d’énergie lors de la phase d’entraînement des modèles d’intelligence artificielle, tout en améliorant la performance des algorithmes d’optimisation.
CY Initiative : Pourriez-vous vous présenter et nous en dire plus sur votre carrière et vos grandes thématiques de recherche ?
Emiliano Traversi : J’ai rejoint l’année dernière le département Systèmes d’Information, Data Analytics et Opérations de l’ESSEC Business School. J'ai obtenu un doctorat en recherche opérationnelle à l'Université de Bologne. Avant de rejoindre l’ESSEC, j'ai été professeur titulaire au LIRMM, Université de Montpellier, en France.
Mes domaines de recherche incluent l'optimisation mathématique, les méthodes de décomposition et le machine learning. À la base, je fais des mathématiques appliquées, en lien avec les domaines de l'informatique, des maths ou de l'ingénierie. Plus spécifiquement, je m'occupe d'optimisation : comment développer des algorithmes efficaces pour résoudre certaines classes de problèmes. Mon but, c'est d'essayer de définir des procédures efficaces pour mieux résoudre des questions difficiles — efficaces en temps et en qualité de la réponse. Le domaine s'appelle aussi recherche opérationnelle.
Historiquement, c'est une méthode très utilisée dans des domaines comme le transport, la logistique, la planification des horaires, la gestion du personnel, et la gestion de l'énergie et l'optimisation de portefeuille dans le domaine financier : ces systèmes ne pourraient pas fonctionner sans ces outils. Techniquement, les problèmes sont complexes car l'ensemble des possibilités est extrêmement élevé, il faut satisfaire beaucoup de contraintes et optimiser une fonction de coût/performance. À partir d'exigences concrètes et opérationnelles, la discipline décline aussi des questions théoriques et méthodologiques.
CY Initiative : Vous avez été lauréat de l’appel à projets 2025 de CY Initiative. En quoi consiste ce projet ? Quel est son objectif ?
Emiliano Traversi : La recherche opérationnelle existe depuis des décennies. Cependant, au cours de la dernière décennie, l'apprentissage a commencé à être utilisé pour améliorer des algorithmes d'optimisation. Le mot-clé que l’on peut ajouter, c'est "intelligence artificielle", ou "machine learning", ou "apprentissage automatique". Leur utilisation peut effectivement aider à améliorer les performances des algorithmes d'optimisation, mais l'entraînement est souvent très coûteux en données et en puissance de calcul.
La littérature a parfois fait l'impasse sur ce coût : on considère que si l’on entraîne une fois et que cela fonctionne, le coût initial n'est pas un problème. Nous, nous nous intéressons précisément à cette phase en amont : combien cela coûte-t-il, et comment réduire cette consommation ?
L'idée du projet est d'améliorer l'efficacité de la phase d'apprentissage pour la rendre moins coûteuse en énergie et en données, en développant des techniques hybrides optimisation/apprentissage. Par exemple, comment gérer les données de façon parcimonieuse ? Même si on a une très grosse base, comment générer ou sélectionner des données ad hoc qui améliorent l'entraînement tout en réduisant le coût des ressources ? L'objectif est double : d'abord valider que le modèle d'apprentissage améliore réellement l'optimisation, ensuite rendre cette utilisation de l'apprentissage moins énergivore et moins demandeuse en données, éventuellement en considérant des approches en temps réel.
CY Initiative : Concrètement, comment va se déployer ce projet ?
Emiliano Traversi : Nous avons choisi une application liée au transport parce que c'est la suite naturelle d'une thèse SIFRE. Le consortium est petit mais pointu : nous sommes trois chercheurs, dont deux spécialistes affiliés à Chalmers University et au département d'ingénierie de Göteborg, qui sont des experts en active learning et en entraînement en temps réel.
Nous allons recruter un chercheur ou une chercheuse en post-doctorat à l’ESSEC à Cergy avec, idéalement, un profil transdisciplinaire qui pourra concilier optimisation et apprentissage. Le projet démarrera dès janvier et nous souhaitons organiser un atelier ou workshop début 2027 pour partager les premiers résultats et actualiser l'état de l'art en invitant des experts.
CY Initiative : Pourquoi avoir candidaté à cet appel à projets ?
Emiliano Traversi : L'appel à projets CY Initiative est intéressant parce qu'il était flexible et ouvert. La liberté accordée aux candidats m'a permis de proposer un projet qui correspond parfaitement à mes objectifs de recherche à long terme. Je pense qu'un tel projet sera pour moi le point de départ de nouvelles pistes de recherche très intéressantes. Cet appel à projet offre une combinaison entre flexibilité du choix de la thématique, possibilité de financer des postes et un environnement favorable.
Emiliano Traversi : J’ai rejoint l’année dernière le département Systèmes d’Information, Data Analytics et Opérations de l’ESSEC Business School. J'ai obtenu un doctorat en recherche opérationnelle à l'Université de Bologne. Avant de rejoindre l’ESSEC, j'ai été professeur titulaire au LIRMM, Université de Montpellier, en France.
Mes domaines de recherche incluent l'optimisation mathématique, les méthodes de décomposition et le machine learning. À la base, je fais des mathématiques appliquées, en lien avec les domaines de l'informatique, des maths ou de l'ingénierie. Plus spécifiquement, je m'occupe d'optimisation : comment développer des algorithmes efficaces pour résoudre certaines classes de problèmes. Mon but, c'est d'essayer de définir des procédures efficaces pour mieux résoudre des questions difficiles — efficaces en temps et en qualité de la réponse. Le domaine s'appelle aussi recherche opérationnelle.
Historiquement, c'est une méthode très utilisée dans des domaines comme le transport, la logistique, la planification des horaires, la gestion du personnel, et la gestion de l'énergie et l'optimisation de portefeuille dans le domaine financier : ces systèmes ne pourraient pas fonctionner sans ces outils. Techniquement, les problèmes sont complexes car l'ensemble des possibilités est extrêmement élevé, il faut satisfaire beaucoup de contraintes et optimiser une fonction de coût/performance. À partir d'exigences concrètes et opérationnelles, la discipline décline aussi des questions théoriques et méthodologiques.
CY Initiative : Vous avez été lauréat de l’appel à projets 2025 de CY Initiative. En quoi consiste ce projet ? Quel est son objectif ?
Emiliano Traversi : La recherche opérationnelle existe depuis des décennies. Cependant, au cours de la dernière décennie, l'apprentissage a commencé à être utilisé pour améliorer des algorithmes d'optimisation. Le mot-clé que l’on peut ajouter, c'est "intelligence artificielle", ou "machine learning", ou "apprentissage automatique". Leur utilisation peut effectivement aider à améliorer les performances des algorithmes d'optimisation, mais l'entraînement est souvent très coûteux en données et en puissance de calcul.
La littérature a parfois fait l'impasse sur ce coût : on considère que si l’on entraîne une fois et que cela fonctionne, le coût initial n'est pas un problème. Nous, nous nous intéressons précisément à cette phase en amont : combien cela coûte-t-il, et comment réduire cette consommation ?
L'idée du projet est d'améliorer l'efficacité de la phase d'apprentissage pour la rendre moins coûteuse en énergie et en données, en développant des techniques hybrides optimisation/apprentissage. Par exemple, comment gérer les données de façon parcimonieuse ? Même si on a une très grosse base, comment générer ou sélectionner des données ad hoc qui améliorent l'entraînement tout en réduisant le coût des ressources ? L'objectif est double : d'abord valider que le modèle d'apprentissage améliore réellement l'optimisation, ensuite rendre cette utilisation de l'apprentissage moins énergivore et moins demandeuse en données, éventuellement en considérant des approches en temps réel.
CY Initiative : Concrètement, comment va se déployer ce projet ?
Emiliano Traversi : Nous avons choisi une application liée au transport parce que c'est la suite naturelle d'une thèse SIFRE. Le consortium est petit mais pointu : nous sommes trois chercheurs, dont deux spécialistes affiliés à Chalmers University et au département d'ingénierie de Göteborg, qui sont des experts en active learning et en entraînement en temps réel.
Nous allons recruter un chercheur ou une chercheuse en post-doctorat à l’ESSEC à Cergy avec, idéalement, un profil transdisciplinaire qui pourra concilier optimisation et apprentissage. Le projet démarrera dès janvier et nous souhaitons organiser un atelier ou workshop début 2027 pour partager les premiers résultats et actualiser l'état de l'art en invitant des experts.
CY Initiative : Pourquoi avoir candidaté à cet appel à projets ?
Emiliano Traversi : L'appel à projets CY Initiative est intéressant parce qu'il était flexible et ouvert. La liberté accordée aux candidats m'a permis de proposer un projet qui correspond parfaitement à mes objectifs de recherche à long terme. Je pense qu'un tel projet sera pour moi le point de départ de nouvelles pistes de recherche très intéressantes. Cet appel à projet offre une combinaison entre flexibilité du choix de la thématique, possibilité de financer des postes et un environnement favorable.
