La transformation numérique actuelle demande la création d’applications autonomes et adaptables à des environnements ouverts, dynamiques, hétérogènes et imprédictibles. Ainsi, il faut doter ces systèmes de capacités d’apprentissage proactives. Pour cela, les Systèmes Multi-Agents Auto-Adaptatifs permettent de décentraliser le processus d’apprentissage en agentifiant les connaissances. Chaque granule de connaissance est alors autonome et coopère avec ses voisins afin de détecter des incohérences, des faiblesses ou des nouvelles zones à explorer pour perfectionner l’apprentissage.
L’apprentissage proactif des granules autonomes conduit à créer de nouvelles connaissances par feedback endogène (sans feedback explicite de l’environnement). Les perspectives de ce travail sont de concevoir un mécanisme d’apprentissage adaptatif utilisable pour des applications diverses (robotique, véhicules autonomes, domotique …).
Agentification et auto-organisation des granules de connaissance (pavés verts et bleus), identification
des incohérences et insuffisances (pavés rouges et zones blanches), transfert et généralisation
Objectifs scientifiques
Les objectifs de la thèse sont :
Conception d’un système auto-apprenant
Apprentissage tout au long de la vie
Génération d’objectifs et de motivations propres
Généricité et passage à l’échelle
Contacts
bruno.dato@irit.fr, frederic.migeon@irit.fr, marie-pierre.gleizes@irit.fr
