<b>Contexte</b>
Dans le cadre de l'analyse décisionnelle, il est souvent intéressant de chercher à optimiser les séquences de questions/réparations qui permettront de trouver (et résoudre) la cause d'une panne, d'un défaut, d'une maladie (par exemple dans une application d'aide au diagnostic). En particulier, dans les cadre des réseaux bayésiens, on parle de decision-theoretic troubleshooting (Jensen et al., 2001); tests et réparations sont alors des nœuds dans un réseau bayésien, et, lorsque on observe leurs résultats, l’ensemble du modèle met à jour ses probabilités afin de prendre en compte ces nouvelles observations. Même si le problème générale est NP-difficile, on peut trouver efficacement des bonnes solutions et même la solution optimale sous certaines hypothèses assez restrictives. Une notion-clé est celle de "valeur espérée de l'information" (EVOI), qui permet de quantifier l'avantage de faire un test à un certain moment sur la base de la distribution actuelle.
<b>Sujet</b>
Dans l'approche classique, on suppose connues les valeurs des coûts de chaque observation et de chaque réparation (ces coûts sont classiquement considérés comme des paramètres du problème.). Le but de ce stage est de relâcher cette hypothèse. On ne supposera connue qu’une estimation de cette valeurs, voire une distribution de probabilité de la valeur. Il s'agit alors de trouver des méthodes de mise à jour des connaissances sur les coûts, intercalés ou intégrés aux séquences de test/réparation grâce à des questions posées à l'utilisateur ou à d’autres formes plus sophistiqués d’accès à une information pertinente pour préciser les coûts associés (par exemple méta-observations du processus de réponses de l’utilisateur, généralisation, transfert learning, etc.).