Posts tagged "apprentissage"

Endogenous Learning by Cooperation

Context Presentation

The current digital transformation requires the creation of autonomous applications that can be adapted to complex, dynamic, heterogeneous and unpredictable environments. These systems must be equipped with proactive learning capabilities. To this end, Self-Adaptive Multi-Agent principle allows the decentralization and self-observation of the learning process. Each knowledge granule is an autonomous agent that cooperates with its neighbors to improve learning from exogenous and endogenous feedbacks. Detecting and solving concurrences, conflicts and incompetencies leads to active endogenous learning.This work on an adaptive decentralized learning mechanism will be applied on application domains such as robotics, autonomous vehicles and smart cities.

image030image029

Figure 1: « Schema of the Learning

Figure 2: « Implementation Example Multi-Agent System » on an Industrial Robot »

Scientific Goals

- Design a Self-Learning System

- Lifelong and Endogenous Learning

- Genericity and Scalability

Keywords

Self-Adaptive Learning, Endogenous Learning, Adaptive Multi-Agent Systems, Artificial Intelligence

Contacts

bruno.dato@irit.frfrederic.migeon@irit.fr marie-pierre.gleizes@irit.fr

SANDMAN: a Multi-Agent System for Anomaly Detection in Smart Buildings

Context Presentation

The number of sensors in buildings is constantly increasing, thanks to more accessible costs and the obvious interest of their use for optimized management. In this thesis we are interested in the use of data from these sensors to detect anomalies in buildings. These data, which are very numerous, can be of unknown and heterogeneous types.An anomaly is defined as unexpected and undesirable behaviour in a system and may depend on the context. In order to be able to deploy an anomaly detection system as widely as possible, it is necessary to create a decision support tool for energy experts. To address these issues, a system based on cooperative multi-agent systems implementing AMAS theory is being developed that allows anomalies to be detected by supervised learning. The anomaly detection system must take advantage of the feedback from one or more experts who label certain instances as anomalies or non-anomalies. These feedback are used for learning. The system we develop allows the addition or removal of new sensors without interrupting the detection of anomalies.

image016

 

The system classifies situations

 

Scientific Goals

- Improve energy efficiency

- Detect anomalies in real time

- Learn continuously from the expert feedback

Keywords

Multi-Agent Systems, Smart Buildings, Internet of Things, Supervised Learning, Anomaly Detection

Contacts

Maxime.houssin@irit.fr

 

 

Hybrid IoT: a Multi-Agent System for Persistent Data Accessibility in Smart Cities

Présentation du contexte

La réalité d'un campus intelligent ou plus généralement d'une ville intelligente passe par une observation régulière de l'environnement par des capteurs ad-hoc, afin d’agir dans l’environnement avec des dispositifs automatiques pour améliorer le bien-être des usagers. Ces capteurs permettent d’obtenir une connaissance des activités humaines et des conditions dans lesquelles ces activités sont menées, mais le déploiement d'un grand nombre de capteurs peut être coûteux. Les coûts sont principalement liés à l'installation, la maintenance et les infrastructures de capteurs dans les bâtiments existants. Pour ces raisons, l’objectif de cette thèse vise à réduire ces coûts en utilisant quotidiennement des milliers d’informations partielles et intermittentes provenant de smartphones des usagers du campus de l’Université Toulouse III Paul Sabatier. Ces traitements sont fondés sur une technologie d’Intelligence Artificielle par systèmes multi-agents coopératifs.

 

image011

Figure 1 : «On utilise les informations des dispositifs intermittents et mobiles pour fournir des estimations précises»

Objectifs scientifiques

- Apprendre à partir de données brutes, imprécises et intermittentes sans feedback.

- Fournir les informations en continu, même en l’absence de données de smartphone des usagers.

- Utiliser une approche hybride de l’Internet des objets qui mixe capteurs réels et capteurs virtuels.

Mots clés

Systèmes multi-agents auto-adaptatifs, fusion de données, apprentissage, smart campus

Contacts

Davide Andrea Guastella, Valérie Camps, Marie-Pierre Gleizes, {davide.guastella, camps, gleizes}@irit.fr

QuaLAS - eco-friendly Quality of Life in Ambient Sociotechnical systems

Context Presentation

The usual approach to ambient intelligence is an expert modeling of the devices present in the environment, describing what each does and what effect it will have. When seen as a dynamic and noisy complex systems, with the efficiency of devices changing and new devices appearing, this seems unrealistic. We propose a generic multi-agent (MAS) learning approach that can be deployed in any ambient environment and collectively self-models it. We illustrate the concept on the estimation of power consumption. The agents representing the devices adjust their estimations iteratively and in real time so as to result in a continuous collective problem solving. This approach will be extended to estimate the impact of each device on each comfort (noise, light, smell, heat...), making it possible for them to adjust their behaviour to satisfy the users in an integrative and systemic vision of an intelligent house we call QuaLAS: eco-friendly Quality of Life in Ambient Sociotechnical systems.

 

image009image010

 

 

Figure 1: « eco-friendly Quality of Life in Ambient Sociotechnical systems »

 

Scientific Goals

- multi-learning in a highly dynamic environment,

- conditions for scaling up,

- sensitivity to disturbances and noisy signals

- convergence speed

Keywords

neOCampus, file, presentation, innovation, ambient Intelligence multi-agent systems, complex systems, collective learning.

Contacts

fabrice.crasnier@irit.frmarie-pierre.gleizes@irit.fr - jean-pierre.george@irit.fr

 

Apprentissage endogène par coopération

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 …).

S2P11  S2P11bis  S2P11ter

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

 

Apprentissage par systèmes multi-agents adaptatifs par feedback endogène : Vers des systèmes autodidactes

drone

Nous vivons dans un environnement qui regorge de systèmes artificiels dont le but est de nous assister dans notre quotidien. Toutes ces applications sont développées afin de servir un but précis défini avant leur conception. Cependant, il est impossible de prévoir à l’avance toutes les interactions qu’elles auront avec leur environnement. De plus, ces systèmes sont plongés dans un monde dynamique dans lequel divers dispositifs peuvent apparaître et disparaître. Face à ces besoins, il est légitime de penser que dans un futur proche, nous ne serons plus en mesure de concevoir et programmer tous ces systèmes, ils devront alors apprendre à être utiles de façon autonome et réactive.

Aujourd’hui, pour qu’un système puisse apprendre une tâche ou un service, il a besoin qu’un oracle lui dise ce qu’il est pertinent de retenir, on parle d’apprentissage par démonstrations. Cet apprentissage par démonstrations peut se traduire par une personne qui pilote un robot pour lui montrer une tâche à effectuer. Qu’en est-il si le système se retrouve dans une situation qu’il ne connaît pas ou s’il n’y a personne pour faire cette démonstration ?

Objectifs scientifiques

Ce stage a pour but d’aller au-delà de cet apprentissage par démonstrations et concevoir des méthodes d’auto-apprentissage utilisant seulement les actions et perceptions d’un système afin d’en apprendre un modèle de contrôle. C’est-à-dire de doter un système de capacités d’auto-observation lui permettant d’apprendre quelles conséquences ont ses actions sur ses perceptions sans faire d’hypothèses sur la nature de celles-ci. Ce modèle lui permettra alors d’évoluer dans la représentation qu’il a de son environnement, autrement dit de ses perceptions.

Un autre objectif de ce sujet de recherche est la généricité, les méthodes d’auto-apprentissage devront pouvoir s’appliquer à n’importe quel système doté d’actions et de perceptions. Enfin, le dernier objectif est le passage à l’échelle, cet auto-apprentissage doit pouvoir s’adapter à de grandes quantités d’actions et de perceptions.

Contacts

- Bruno Dato (IRIT) : bruno.dato@irit.fr

- Nicolas Verstaevel (IRIT) : nicolas.verstaevel@irit.fr 

- Marie-Pierre Gleizes (IRIT) : marie-pierre.gleizes@irit.fr 

 

Back to Top