La représentation par un ensemble de connaissances de haut-niveau d’une situation donnée est une étape classique d’étude d’un problème en intelligence artificielle fondamentale. Ici, le stagiaire sera amené à décrire en termes de contraintes logiques des problèmes posés dans l'environnement physique d'une plateforme tangible. Il devra donc analyser les contraintes spécifiques aux interfaces tangibles, les traduire dans un langage interprétable par un solveur de contraintes, passer à l'automatisation et au test de ce procédé.
Attention : ce sujet relève du domaine de l’intelligence artificielle mais pas de l’apprentissage à partir de données (machine learning). Ici, on s’intéresse à la représentation des connaissances et à la formalisation des raisonnements.
Le projet TUIConstraint vise à exploiter des avancées récentes dans les domaines de l’interaction humain-machine et de l’intelligence artificielle. Il s’agit de proposer, concevoir, réaliser et évaluer une interface humain-machine permettant de manière tangible (en manipulant directement des éléments) la gestion d'espaces de solution avec contraintes. Ce système interactif est destiné à un humain ou une équipe ayant à intervenir dans la résolution de tâches industrielles. Ce projet part sur l’hypothèse que l’incarnation tangible des caractéristiques de l’espace de solution et en particulier de ses contraintes (au sens large du terme), va faciliter les activités de décisions.
Dans ce travail, nous désirons inciter les acteurs (ingénieurs/opérateurs de l’industrie) à coopérer et interagir avec la plateforme tangible afin de trouver des solutions par eux-mêmes, l'intelligence artificielle sera utilisée pour la formalisation des connaissances expertes et des contraintes et pour la conception de problèmes intéressants à résoudre dans ce cadre afin d'aider les utilisateurs à progresser en compétences dans le domaine ciblé. On pourra aussi l'utiliser pour guider les acteurs vers des solutions, ou vérifier la faisabilité a priori.
Livrables un rapport de stage, un réseau de contraintes
Pré-requis logique, CSP (problèmes de satisfaction de contraintes)
Co-encadrement/réunions de projet avec les partenaires du LAMIH (Valenciennes, Nord) et de l’EstiaR (Bidart, Pyrénées Atlantiques).
Les surprises arrivent souvent dans le monde réel, être capable de programmer des agents qui peuvent s'adapter à ces surprises est un défi important pour l'intelligence artificielle.
L'objectif de ce stage est d'abord de situer le cadre des agents à buts autonomes (Goal-Driven autonomy (GDA) agents) par rapport à celui de l'extrapolation de croyances (en effet dans ces deux cadres l'objectif est de trouver des explications à des faits inattendus dans un scenario). Dans un second temps l'étudiant devra proposer un algorithme GDA qui adapte les buts d'un agent autonomes en fonction des réponses données par son environnement.
On the right hand side of this Figure we consider a human agent having its logical knowledge base (with factual observations about the world and generic statements such as Miradoux is a wheat variety, wheat contains proteins), its own associations (proteins are related to nutrition) and its opinions (I like Miradoux, I don’t like spoiled wheat). The logical knowledge is stored as a logical knowledge base (I, in the Figure) expressed in Datalog+/- (for re-utilisability purpose).
The associations (II) (that can relate two pieces of information as well as a piece of information to an appreciation—in that case it is called opinion) are more difficult to elicit and are not often handled in the literature. One of the main difficulties is that the associations depend on the profile of the person (expert, non-expert, etc.).
A third parameter is also required by our model, namely, the cognitive availability (abbreviated ca) of the agent (III) which depends on the agent’s interest about the particular argument and on the amount of attention he has to spent (its precise definition is not studied here, it may be based on the agent mood, her knowledge, sometimes on the speaker, on the topic of the argument, etc.). This cognitive availability is a parameter that we use to filter the possible reasoning the agent is able to do.
On the left hand side of the figure, we show the proposed process of argument acceptance using the cognitive model. When the agent hears a new argument [step (1)], a number of critical questions are fired [‘‘is the premise of the argument correct?’’, ‘‘do I agree with the conclusion?’’, ‘‘can I infer is the premise of the argument correct?”, “do I agree with the conclusion?”, “can I infer the conclusion from the premise based on what I know?” - step (2)).
Thanks to the proposed cognitive model, it will then be possible to compute reasoning paths (i.e. sequences of logical rules and association rules constituting a chain of inferences that leads to a desired conclusion) for each critical question (step (3)). For a reasoning path we introduce the notion of effort (cognitive effort to use the rules of the reasoning path) which is confronted to the cognitive availability of the agent. An association is usually effortless while logical reasoning is considered as more expensive. The cognitive availability of the agent allows us to have an upper bound of the effort the agent is able to put into her reasoning paths. The reasoning paths will be selected based on the effort needed to carry on (step (4)). Based on this selection we can accept or reject an argument. Note that the reasoning paths are constructed from the logical knowledge base and the associations that computationally represent the knowledge of the expert.
The aim is to develop a computational cognitive model for argument acceptance based on the dual model system in cognitive psychology.
Encadrement : Florence Bannay avec la collaboration éventuelle de collègues MontpelliérainsLa transmission d’idées passe principalement à ce jour par le langage écrit. Ce dernier répond à des règles syntaxiques et grammaticales, à un sens de lecture des mots qui constituent des phrases. Au-delà de ce mode linéaire, même s’il permet la complexité et la subtilité des idées communiquées, il existe des types de représentations plus axées sur la spatialisation de graphiques, éventuellement sur un support interactif, ou sur une approche combinant une vue globale vers des niveaux de détail.
Nous avons commencé une étude comparative de différentes représentations de la connaissance (cartes mentales, graphes conceptuels, frises chronologiques, diagrammes de Venn, cartes géographiques...). Nous souhaitons étudier les caractéristiques de ces représentations (ce qui les rend efficaces, lisibles, les conventions qu’elles utilisent, les types de données et d’informations qu’elles permettent de manipuler, etc.). Nous désirons construire les bases d’une grammaire visuelle qui tiendrait compte de notre perception visuelle en utilisant l'intelligence artificielle pour la modélisation, le raisonnement et le contrôle de la structuration cohérente des idées exprimées au travers d’attributs visuels.
L'objectif pratique de ce stage serait de développer un outil permettant l'affichage et le raisonnement dans ce nouveau langage. L'objectif théorique serait d'avancer sur la formalisation des propriétés caractéristiques de ce langage.
Nous avons proposé un cadre d'aide à la décision (appelé BLF) dont la description est visuelle: il s'agit d'un graphe bipolaire de principes de décisions où les décisions sont associées à des utilités. Ce cadre permet à la fois d'exprimer les caractéristiques d'un problème de décision et de raisonner pour sélectionner la décision appropriée à la situation.
L'objectif de ce stage est de créer automatiquement le BLF à partir de bases de données. Les techniques utilisées seront des techniques d'apprentissage de règles, et de leurs exceptions (appelées inhibiteurs), de clustering de règles. On pourra explorerr les liens avec l'analyse formelle de concept.
L'objectif pratique de ce stage serait de développer un outil permettant l'apprentissage automatique de principes de décision à partir d'une base de données, et l'aide à la décision dans différentes situations. L'objectif théorique serait de montrer la faisabilité d'une telle approche, de comparer les résultats avec d'autres techniques d'aide à la décision et de faire le lien avec l'analyse formelle de concepts.