Les graphes, qui servent à représenter des relations entre tous types d’objets physiques ou virtuels, sont devenus incontournables dans l’analyse des grandes masses de données. Par exemple, l’encyclopédie Wikipedia peut être représentée par un graphe correspondant aux liens hypertextes entre les millions de pages qui la composent ; les ventes réalisées par une entreprise forment un graphe liant produits et clients ; un corpus de textes peut être représenté par un graphe de similarité entre les textes. Pour faciliter diverses tâches de détection, de prédiction et de recommandation sur ces données, il est important d’avoir des représentations compactes des graphes, en associant par exemple à chaque nœud du graphe un point dans un espace métrique de faible dimension. Le chercheur s’intéresse à ce type de représentations, dans le cadre de collaborations avec Inria et Thalès notamment.
Un autre axe de recherche de Thomas Bonald concerne l’apprentissage automatique de données multi-variées, comme celles issues de capteurs d’un moteur d’avion ou d’hélicoptère. Comment détecter un état d’usure anormal du moteur et prédire le besoin d’une opération de maintenance ? Diverses techniques sont explorées, comme les réseaux de neurones récurrents. Ces travaux sont menés dans le cadre d’une collaboration avec Safran.
Enfin, l’enseignant-chercheur s’intéresse à la performance des réseaux et des centres de données. Il s’agit ici de concevoir des modèles simples mais réalistes du partage dynamique des ressources (bande passante, CPU, RAM, etc.) entre les utilisateurs, afin de proposer des règles de dimensionnement efficaces et de nouveaux algorithmes d’allocation de ressources. Thomas Bonald a publié avec Mathieu Feuillet un livre sur les principales techniques d’analyse de performance des réseaux et a reçu en 2013 la médaille Blondel pour ses travaux sur le sujet, développés notamment dans les laboratoires d’Orange. Ses travaux actuels sont menés dans le cadre de collaborations avec Nokia et Cisco.
