Cette thèse s'inscrit dans le cadre de la théorie de la décision algorithmique, qui est une discipline au croisement de la théorie de la décision, la recherche opérationnelle et l'intelligence artificielle. Dans cette thèse, nous étudions l'utilisation de plusieurs modèles décisionnels pour résoudre des problèmes de décision séquentielle dans l'incertain, d'optimisation robuste, et d'optimisation multi-agents équitable. Pour résoudre efficacement ces problèmes, nous utilisons des méthodes de type maître-esclaves, dites à base d'oracles dans la thèse. Ces méthodes permettent de résoudre des problèmes de grande taille en procédant de manière incrémentale. Une attention particulière est portée au modèle de l'espérance d'utilité antisymétrique et bilinéaire, au modèle de l'espérance d'utilité pondérée et à leurs pendants en décision multicritère. L'intérêt de ces modèles est multiple. En effet, ils étendent les modèles standards (e.g., modèle de l'espérance d'utilité) et permettent de représenter un spectre étendu de préférences tout en conservant leurs bonnes propriétés théoriques et algorithmiques. La thèse apporte des réponses sur des aspects théoriques (e.g., résultats de complexité algorithmique) et sur des aspects opérationnels (e.g., conception de méthodes de résolution efficaces) aux problèmes soulevés par l'emploi de ces critères dans les contextes susmentionnés. / This thesis falls within the area of algorithmic decision theory, which is at the crossroads between decision theory, operational research and artificial intelligence. In this thesis, we study several decision models to solve problems in different domains: sequential decision problems under risk, robust optimization problems, and fair multi-agent optimization problems. To solve these problems efficiently, we use master-slave algorithms which solve the problem through an incremental process. These procedures, referred to as oracle methods in the thesis, make it possible to solve problems of large size. A particular attention is given to the skew-symmetric bilinear utility model, the weighted expected utility model and their counterparts in multicriteria decision making. These models are interesting at several respects. They extend the standard models (e.g., the expected utility model) and allow to represent a broader class of preferences while retaining their good theoretical and algorithmic properties. The thesis focuses both on theoretic (e.g., complexity results) and operational (e.g., design of practically efficient solution methods) aspects of the problems raised by the use of these criteria in the domains aforementioned.

Traitement des mégadonnées, surveillance, prédictions comportementales ou aides à la décision, les avantages techniques et commerciaux attribués à l'intelligence artificielle emportent l’engouement et l’adhésion des acteurs économiques privés. Ayant vocation à reproduire les facultés cognitives de l’être humain, l’intelligence artificielle s’immisce ainsi progressivement dans nos activités, nos usages et plus largement, dans nos vies. Pourtant, les défauts de la technologie inquiètent. Utilisée à des fins de reconnaissance faciale, de profilage publicitaire ou encore de recrutement, les biais de l’intelligence artificielle représentent des risques de discriminations pour les personnes qui interagissent avec cette technologie. Or dans un secteur aussi sensible que le recrutement, un tel risque représente un enjeu aussi bien pour les candidats, exposés à une violation de leur droit fondamental à l’égalité, que pour les employeurs qui, eux, s’exposeraient à des sanctions juridiques. En l’absence d’un cadre juridique spécifique à l’intelligence artificielle, la question se pose donc de savoir si notre droit permet l’appréhension de ces formes de discriminations à l’embauche. Le propos de ce mémoire consistera donc à proposer des réponses à cette interrogation en trois temps : l’étude du cadre légal applicable, la gestion du risque de biais discriminatoire et l’enjeu de l’accès à la justice des candidats lésés. / Big data processing, surveillance, behavioral predictions or decision aids, the technical and commercial advantages attributed to artificial intelligence have won the enthusiasm and support of private economic players. Designed to reproduce the cognitive abilities of human beings, artificial intelligence is gradually interfering in our activities, our practices and more widely in our lives. Nevertheless, the flaws of the technology are concerning. Used for facial recognition, advertising profiling or recruitment purposes, the artificial intelligence biases are a risk of discrimination against people who interact with this technology. In a sector as sensitive as recruitment, such a risk constitutes a challenge both for candidates, exposed to a violation of their fundamental right to equality, and for employers who would be exposed to legal sanctions. Without a specific legal framework for artificial intelligence, the question therefore arises as to whether our law allows for the apprehension of these forms of discrimination in hiring. The purpose of this thesis will consist in proposing answers to this question in three stages : the study of the applicable legal framework, the challenges of managing the risk of discriminatory bias, and access to justice for aggrieved candidates.