Differences

This shows you the differences between two versions of the page.

--- reflexion-adaptation [2025/12/10 05:40]
66.249.64.230 old revision restored (2025/08/28 19:59)
+++ reflexion-adaptation [2025/12/12 02:17] (current)
47.128.58.96 old revision restored (2025/08/28 23:37)
@@ Line 31: / Line 31: @@
 ===== Système d'apprentissage et de prédiction =====
-L'agent cognitif, représentant un objet de la couche matèriel, charge
+L'agent cognitif, représentant un objet de la couche Matèriel, charge
 la couche SMA Réactif d'un certain nombre d'agents par capteur
 et actionneur de l'objet.
 Dans le modèle proposé par [Mazac et al., 2015], les agents chargés
-dans la couche SMA Réactif se divisent en deux rôles principaux :
+dans la couche SMA Réactif se divisent en deux rôles principaux:
- - Les agents "producteurs" qui, comme leurs noms l'indique, produisent des évènements. Ils se divisent en deux sous-rôles :
+ - Les agents "producteurs" qui, comme leurs noms l'indique, produisent des évènements. Ils se divisent en deux sous-rôles:
   - Les agents "découper" qui découpent les données brutes en des évènements identifiables.
   - Les agents "associer" qui associent des évènements qui paraissent et liés, et créé des évènements associés.
@@ Line 44: / Line 44: @@
 Les relations entre ces deux types d'agents sont décrits dans le diagramme Agent-Groupe-Rôle
-ci-dessous :
+ci-dessous:
 {{wiki:hemis_organistation.png}}
 A partir de ces agents et de leurs intéractions, le système sera capable
-d'isoler des évènements récurents. Les agents "découper" récupérant les
+d'isoler des évènements récurrents. Les agents "découper" récupérant les
 variations des états des actionneurs et capteurs à partir des données
 brutes fournies, ensuite les agents "similarité" vont évaluer la
@@ Line 59: / Line 59: @@
 Ces évènements fournis par les agents "similarité" sont ensuite récupéré
 en partie par les agents "associer" qui vont créer des motifs d'évènements
-récurrents qui semble lié entrer eux. Ces motifs seront alors traité
+récurrents qui semble lié entrer eux. Ces motifs seront alors traités
 par les agents "similarité" pour valider leur viabilité.
@@ Line 85: / Line 85: @@
  - Application: Gère l'interface coté client.
- - Services: Gère la liste de services currements proposés à l'utilisateur.
+ - Services: Gère la liste de services couramment proposés à l'utilisateur.
  - Communication: Gère les protocoles de communications de l'objet.
@@ Line 96: / Line 96: @@
   - Context Manager: Gère le stockage des données récoltés de l'environnement courant.
   - Reasoner: Gère la base de connaissances/règles de l'avatar.
-  - Functionality Manager: Gère, en fonction du context et du reasoner, les fonctionnalités proposablent par l'avatar.
+  - Functionality Manager: Gère, en fonction du context et du reasoner, les fonctionnalités proposables par l'avatar.
-  - Deployment Manager: Gère les déploiment des services proposés par l'avater (décidés par le Functionality Manager).
+  - Deployment Manager: Gère les déploiement des services proposés par l'avatar (décidés par le Functionality Manager).
 ===== Adaptation possible du système d'apprentissage =====
+Une similarité peut déjà être faite entre la couche SMA Cognitif et l'idée même d'avatar.
+En effet les deux sont des représentations logiciels d'un objet connecté dans un système d'objets.
+Cependant, là où pour HEMIS le système est clairement implémenté, pour le WoT nous souhaitons
+que le système soit auto-généré, auto-organisé, émergent des intéractions entre les avatars.
+C'est la couche SMA Réactif qui doit être adapté à l'architecture de l'avatar. Celle-ci
+pourrait être implémenté par le composant Reasoner du Core module, ou bien dans un
+nouveau composant Learning Manager qui mettra à jour le composant Reasoner avec de
+nouveau motifs appris par le système, le Reasonner pouvant ainsi implémenter le système
+de prédiction.
+Cependant, si dans le système HEMIS la couche SMA Réactif est commune à tous les objets
+du système et donc c'est le système entier qui apprend, dans le contexte du Web des Objets
+l'avatar n'a accés qu'a ses capteurs et actionneurs pour déterminer des variations dans
+l'environnement et des relations entre ces évènements.
+Il faut donc prendre en compte la communication des avatars, ou plutôt leur collaboration,
+dans l'apprentissage de motifs récurrents. Une possibilité serait de permettre au Learning
+Manager d'utiliser le Collaboration Module afin de récupérer des motifs, des //memes//, des
+autres avatars du système, et leur communiquer les motifs récurrents découverts.
+Pour gérer le partage de connaissances, il serait possible soit que se soit les agents
+"similarité" qui se charge d'envoyer ou non les motifs via le Collaboration module (mais
+cela surchargerait les agents "similarité" de fonctions), soit d'implémenter un nouveau
+type d'agents "diffusion" qui s'occuperont de faire le lien entre les agents "similarité"
+et le Collaboration Module.
+====== Scénario : Régulation de la température d'une pièce ======
+Supposons que le radiateur avec capteurs et le climatiseur sans capteurs sont
+synchronisé et sont capables de réguler la température de la pièce.
+Du point de vue macroscopique, la société, le réseau d'objets connectés dont
+ils font partie, fonctionne, se synchronise et apprend les habitudes de l'utilisateur
+afin de lui proposer de nouveaux services. (La totalité des services proposés
+par la totalité de la société d'objets peut être comparé à la couche API du
+système HEMIS).
+Si l'ont se concentre sur le fonctionnement d'un objet, ou plutôt de son avatar,
+c'est à dire si l'on prend un point de vue mesoscopique, nous nous rendons compte que
+celui-ci échange continuellement des informations avec les autres avatars du système et
+modifie les services proposés en fonction. Les modules de l'avatar se mettent à jour
+mutuellement.
+Si maintenant nous regardons le fonctionnement de son système d'apprentissage
+(point de vue microscopique sur le Learning Module) nous pouvons observer
+le système multi-agent d'apprentissage, identique à celui de HEMIS auquel
+s'est ajouté un nouveau type d'agent: l'agent "diffusion", celui-ci
+s'occupe de récupérer certains motifs générés par les agents "similarité"
+et de les diffuser en les "éjectant" du système (soit vers Reasoner, soit
+vers Collaboration Module), ou bien qui va récupérer des motifs (soit du Reasoner,
+soit du Collaboration Module) pour les "injecter" dans le système d'apprentissage.
+Les agents "diffusion" pourrait aussi s'occuper de la diffusion (et réception) des motifs vers les autres avatars.
+Les motifs seront décrits dans un langage orienté Web comme le Json-LD.
+Remarque: nous pourrions avoir un point de vue supplémentaire se concentrant sur un seul agent du système SMA d'apprentissage.
+===== Schéma récapitulatif =====
+{{wiki:schema_recap.png}}
 ====== Références ======

DokuWiki

Site Tools

Differences

Page Tools