Three essays on how deep learning can revolutionize coopetition contexts

• Auteur / Autrice : Sumon Chaudhuri
• Direction : Arnaud De Bruyn
• Type : Thèse de doctorat
• Discipline(s) : Sciences de gestion
• Date : Soutenance le 27/06/2024
• Etablissement(s) : Cergy-Pontoise, Ecole supérieure des sciences économiques et commerciales
• Ecole(s) doctorale(s) : École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques (Cergy-Pontoise, Val d'Oise)
• Jury : Président / Présidente : Ayse Öncüler

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage profond

Coopétition

Artificial intelligence

Deep learning

Coopetition

Résumé

L'apprentissage profond a été utilisé pour trouver de nouvelles solutions à des problèmes de longue date dans la recherche en sciences sociales. Il nous permet non seulement d'analyser de multiples modalités de données (texte, audio, vidéo, images), mais aussi de découvrir de nouvelles techniques pour améliorer les approches de modélisation existantes. Dans ma thèse, j'étudie comment l'apprentissage profond peut apporter de nouvelles solutions aux problèmes dans le contexte de la coopetition. La coopétition fait référence à un environnement dans lequel plusieurs agents peuvent simultanément rivaliser et collaborer les uns avec les autres. Naturellement, la plus grande question dans ce domaine est de savoir comment trouver un équilibre entre les forces opposées de la collaboration et de la concurrence. Dans ma thèse, j'utilise l'apprentissage profond pour résoudre ce problème à la fois au niveau du consommateur et au niveau de l'entreprise. Chacun de mes chapitres examine un contexte de concurrence différent. Le chapitre 1 porte sur les négociations entre les entreprises et leurs clients, le chapitre 2 sur la concurrence entre plusieurs entreprises sur la base des données des clients, et le chapitre 3 sur les jeux de négociation non structurés avec des informations asymétriques entre deux agents. Traduit avec DeepL.com (version gratuite)

Deep learning has been used to find novel solutions to long-standing problems in social science research. It not only allows us to analyze multiple modalities of data (i.e., text, audio, video, images) but also uncover new techniques to improve upon existing modeling approaches. In my thesis, I look at how deep learning can provide new solutions to problems in the context of coopetition. Coopetition refers to a setting where multiple agents can simultaneously compete, as well as collaborate with each other. Naturally, the biggest question in this area is how to find a balance between the opposing forces of collaboration and competition. In my thesis, I use deep learning to tackle this problem statement at both the consumer level and the firm level. Each of my chapters considers a different coopetition context. Chapter 1 looks at negotiations between firms and their customers, chapter 2 is on coopetition between multiple firms on the basis of customer data, and chapter 3 focuses on unstructured bargaining games with asymmetric information between two agents.