Cette session a été organisée conjointement par frENBIS et le
Groupe Fiabilité et Incertitudes de la SFdS,
dans le cadre des Journées de Statistique 2025.
La séance a été modérée par Yannig Goude.
Elle était dédiée aux applications industrielles du machine learning et de la statistique, avec un accent particulier sur la prévision, la modélisation sous contraintes et la validation de modèles dans des contextes opérationnels.
Vianney Taquet, Raphaël Nedellec, Antoine Schwartz, Vianney Bruned
Decathlon
Cette présentation a illustré l’intégration opérationnelle de méthodes de machine learning dans les processus de prévision de la demande, à partir d’un retour d’expérience industriel chez Decathlon.
Application à la simulation de transitoires thermohydrauliques accidentels
Jean Baccou
Autorité de Sûreté Nucléaire et de Radioprotection (ASNR)
L’exposé a porté sur la définition et l’analyse d’indicateurs permettant d’évaluer la pertinence de bases de données expérimentales dans un cadre de validation de codes de calcul, avec une application à la simulation de scénarios accidentels.
Nathan Doumèche
Laboratoire de Probabilités, Statistique et Modélisation – EDF Lab
Cette intervention a abordé la problématique de la prévision de séries temporelles intégrant des contraintes linéaires, en lien avec des applications industrielles en énergie.
Yvenn Amara-Ouali
EDF Lab, Laboratoire de Mathématiques d’Orsay
La présentation a exploré des architectures de réseaux de neurones adaptées à la modélisation et à la prévision de la consommation électrique, mettant en évidence les enjeux de performance et d’interprétabilité.