This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
compte-rendu-etat-art-these [2025/10/13 23:18] 192.204.123.238 old revision restored (2025/10/02 02:20) |
compte-rendu-etat-art-these [2025/10/18 11:34] (current) 216.73.216.169 old revision restored (2025/10/16 02:13) |
||
---|---|---|---|
Line 1: | Line 1: | ||
- | ===== Mémento | + | ===== Compte-rendu |
==Types d’apprentissage artificiel== | ==Types d’apprentissage artificiel== | ||
Line 46: | Line 46: | ||
===L’apprentissage par renforcement=== | ===L’apprentissage par renforcement=== | ||
Difficilement utilisable pour l'AmI, car : | Difficilement utilisable pour l'AmI, car : | ||
- | -discrétisation du temps est faite de manière arbitraire | + | ->discrétisation du temps est faite de manière arbitraire |
- | | + | ->compliqué d' |
- | Bilan : Besoin d'une approche plus globale ne se limitant pas à mettre en place des solutions pour des sous problèmes indépendants. | ||
- | ===Exemple d’une approche globale=== | ||
- | Triplet de capteurs (O, M, C) [Objet, Mouvement, Contextuel], | ||
- | Représentations définies sur un triplet (E, C, A) [Evenement, Condition, Action], | ||
- | Algo de classification -> chercher des motifs d' | ||
- | |||
- | ====Les systèmes multi-agents==== | ||
- | Système complexe : système qui a un effet sur son environnement et ses propres composantes. | ||
- | |||
- | Application des SMA : | ||
- | * alternative à la résolution de problèmes centralisés | ||
- | * la simulation (biologie, sociologie...) | ||
- | * paradigme de programmation | ||
- | |||
- | Façons d' | ||
- | * Un système peut être améliorer en dotant ses agents de capacités d' | ||
- | * Les agents peuvent apprendre de manière distribué et interactive -> c'est le système qui apprend par l' | ||
- | |||
- | Catégories d' | ||
- | * apprentissage centralisé : les agents apprennent seul. | ||
- | * apprentissage décentralisé : les agents sont impliqués dans la même activé d' | ||
- | L' | ||
- | |||
- | |||
- | |||
- | ===Attribution des récompenses=== | ||
- | |||
- | Difficulté de donner des récompenses, | ||
- | (CAP : Credit Assignement Problem) | ||
- | |||
- | Décomposition du problème en deux sous problèmes : | ||
- | * CAP inter-agent : Rétribution des agents en fonction d'un changement de performance au niveau global. | ||
- | * CAP intra-agent : Rétribution des inférences internes ou décisions d’un agent en fonction d’une action externe effectuée. | ||
- | Une solution plus simple consiste à diviser la récompense globale entre tous les agents du système, mais ceci ne marche pas correctement dans les cas plus complexe qui nécessitent un feedback plus précis. | ||
- | |||
- | ===Caractéristiques de l’apprentissage décentralisé=== | ||
- | |||
- | Apprendre un comportement collectif total ciblé est compliqué. Il est possible de simplifier le problème en isolant les comportements appris de certains agents, en réduisant l' | ||
- | Réduction de la complexité -> utiliser l' | ||
- | |||
- | ====Approches neuro-inspirée==== | ||
- | |||
- | Approche connexionniste : modélise les phénomènes mentaux ou comportementaux comme des processus émergents de réseaux d’unités simples interconnectées. | ||
- | |||
- | L'IA actuelle (systèmes experts, solveurs logiques, ...) exécute des algos, alors que l' | ||
- | L' | ||
- | |||
- | Représentation invariante : régularité constante dans l' | ||
- | |||
- | ===Les approches connexionnistes dans le cadre de l’AmI=== | ||
- | |||
- | Le système ACHE (Adaptive Control of Home Environments) utilise les réseaux de neurone afin de gérer les dispositifs d'une maison. Le système se base sur une représentation d' | ||
- | |||
- | Problème de ce système : | ||
- | * La connaissance acquise par les réseaux de neurones ne peut être utilisée que pour l' | ||
- | * La connaissance est difficilement interprétable (pour l' | ||
- | |||
- | ===L’intelligence comme adaptation=== | ||
- | |||
- | En psychologie -> théorie constructiviste : le sujet construit sa vision du monde en agissant sur celui-ci. L' | ||
- | |||
- | ===Application en IA=== | ||
- | |||
- | L’approche traditionnelle peut être résumée comme cela : | ||
- | - On part d’une tâche (connue par le concepteur) | ||
- | - On conçoit une représentation spécifique pour cette tâche | ||
- | - On crée un programme de résolution de la tâche qui utilise cette représentation | ||
- | - On lance le programme sur la machine | ||
- | L’approche développementale quant à elle se résume par ces étapes : | ||
- | - On conçoit un corps adapté à l’environnement du robot | ||
- | - On conçoit un programme de développement | ||
- | - Initialement (à sa " | ||
- | - Le robot apprend à partir de son expérience. | ||
- | |||
- | Caractéristiques des programmes développementaux : | ||
- | * Ils ne sont pas spécifiques à une tâche | ||
- | * Les tâches sont globalement inconnues à priori | ||
- | * Il s’agît d’un apprentissage en temps réel | ||
- | * C’est un apprentissage ouvert (open-ended) : l’apprentissage d’un concept offre la possibilité d’apprendre un nouveau concept | ||
- | |||
- | ===L’apprentissage sensorimoteur=== | ||
- | |||
- | Apprentissage sensorimoteur en premier lieu. Cet apprentissage doit permettre à l' | ||
- | |||
- | ===Mécanismes d’apprentissage de schémas=== | ||
- | |||
- | Schema learning : technique d' | ||
- | |||
- | Schéma : Triplet (Contexte, Action, Prédiction). | ||
- | |||
- | Ce système représente donc les conséquences de chaque actions à partir d'un contexte. | ||
- | |||
- | Problème d' | ||
- | |||
- | Solution proposée : notions d' | ||
- | Un résultat est jugé pertinent si le résultat apparait plus souvent lorsque l' | ||
- | |||
- | Lorsque le résultat est pertinent, il faut savoir quand il est fiable. Il faut être capable de trouver les contextes permettant de distinguer les cas de succès et d' | ||
- | |||
- | <note important> | ||