Bassem Monla est un expert en Intelligence artificielle (IA) chez IBM Québec et directeur du développement commercial pour les Villes intelligentes. Il a 32 ans d’expérience professionnelle dans le domaine des technologies de l’information et du conseil, dont 25 ans d’entreprenariat.

Il est diplômé de l’École polytechnique de Paris en 1983 et de l’École nationale supérieure de techniques avancées en 1985. Il a constamment maintenu un niveau élevé de savoir scientifique, en particulier dans les technologies de l’information ainsi que dans diverses branches des mathématiques appliquées. Ce dernier domaine en est justement à un point où sa fusion avec les technologies de l’information concrétise la nouvelle promesse de l’intelligence artificielle.

Monsieur Monla travaille activement à vulgariser ces concepts mathématiques nécessaires pour l’Intelligence Artificielle et à les rendre accessibles à la communauté des informaticiens.

Les modèles réseaux bayésiens (ou en anglais Bayesian Networks) représentent un formalisme très riche pour le raisonnement avec incertitude et aussi pour l’aide à la décision dans un contexte plein d’incertitudes. De plus, ils combinent dans un même modèle l’expertise formulée par un expert du domaine et le savoir qui peut être extrait des données à travers l’apprentissage machine (Machine Learning). Dans ces types de modèles, la connaissance humaine vient compléter et enrichir la connaissance extraite des données.

L’analyse des risques dans la gestion des projets peut profiter d’une manière substantielle de ces modèles car cette gestion des risques nécessite de faire des raisonnements dans un contexte incertain et de prendre des décisions dans ce même contexte incertain. Les modèles réseaux bayésiens font partie intégrale des modèles utilisés en intelligence artificielle et sont les plus adaptés au contexte de gestion de projets. Ces modèles sont également des modèles « White Box » car l’interprétation des décisions est possible par les humains.

La présentation abordera les points suivants :
• Raisonnement avec incertitude: présentation des possibilités des modèles probabilistes graphiques bayésiens et leur importance pour pouvoir faire un raisonnement dans un contexte d’incertitude.
• Modèle quantitatif des risques sur un projet: présentation des modèles statistiques des risques de délais, de coûts et de qualité.
• Aide à la décision pour optimiser les risques: montrer l’application de ces modèles de raisonnement avec incertitude pour la prise de décisions qui ont pour objectif d’optimiser les risques quantifiés.