Amélioration des algorithmes avec statistiques
Dans notre ère centrée sur les données, les organisations dépendent largement de modèles et d’algorithmes riches en données, des assureurs aux prestataires de soins de santé en passant par les plateformes de médias sociaux. Ces outils aident à discerner les caractéristiques des utilisateurs et à influencer positivement leur comportement.
Cependant, l’optimisation de ces modèles pour l’efficacité demeure un effort de recherche en cours, et Rahul Mazumder est en première ligne dans ce domaine. Rahul Mazumder, professeur associé à la MIT Sloan School of Management et affilié au Operations Research Center, dirige les efforts visant à étendre les techniques de construction de modèles et à améliorer les modèles pour des applications spécifiques.
Son travail couvre divers domaines, notamment la statistique et la recherche opérationnelle, avec des implications pratiques dans les domaines de la finance, des soins de santé, de la publicité, des recommandations en ligne, et bien d’autres encore.
Confluence multidisciplinaire
Le travail de Mazumder transcende les frontières disciplinaires en intégrant des éléments d’ingénierie, de science, de théorie et de mise en œuvre. Cette convergence joue un rôle central dans le développement de techniques efficaces pour des tâches diverses.
“La statistique consiste à avoir des données provenant d’un système physique, d’ordinateurs ou d’êtres humains, et vous voulez donner un sens à ces données”, note Mazumder. La construction de modèles apporte une structure aux ensembles de données, mais ce processus comporte un degré de subjectivité. Cependant, il repose sur une rigueur mathématique.
Une décennie d’innovation
Au cours de la dernière décennie, Mazumder a publié environ 40 articles examinés par des pairs, a reçu de multiples récompenses académiques, a collaboré avec de grandes entreprises et a encadré des étudiants diplômés. Ces réalisations ont abouti à son obtention de la titularisation au MIT l’année précédente.
Né à Kolkata, en Inde, avec des racines académiques, le parcours de Mazumder l’a conduit à l’Université Stanford pour ses études doctorales, avant de rejoindre le MIT après une année de post-doctorat. Ses recherches comblent significativement l’écart entre deux branches de l’optimisation : l’optimisation discrète et convexe. Ces approches ont évolué au fil des années et ont été fusionnées pour relever les défis statistiques.
À la recherche de la parcimonie
La recherche de Mazumder s’efforce souvent de privilégier la simplicité dans les modèles et les algorithmes. Il souligne que des méthodes plus simples donnent souvent des résultats tout aussi impressionnants tout en préservant les ressources de calcul.
Dans certains cas, l’essence réside dans la sélection des facteurs les plus influents parmi de nombreuses caractéristiques, démontrant ainsi l’importance de la parcimonie dans la modélisation.
Mazumder met régulièrement en avant les contributions de ses mentors, collègues et étudiants dans ses entreprises de collaboration. Il chérit l’expérience de travailler avec les étudiants du MIT, les considérant comme des collègues. L’excitation de relever des défis complexes grâce à une approche multidisciplinaire alimente sa passion pour la recherche et l’enseignement au MIT.
Lisez l’article original sur le MIT.
Lire la suite : Les Prix du Défi de recherche sur le routage du dernier kilomètre récompensent 175 000 $ à trois groupes gagnants
