DeepLearning pour l'apprentissage non supervisé de relations de causalités

De Ensiwiki
Aller à : navigation, rechercher


DeepLearning pour l'apprentissage non supervisé de relations de causalités

Labo LIG
Equipe PRIMA
Encadrants Patrick.Reignier@imag.fr

Thème général

Exploration des approches de type apprentissage profond (deep learning) pour l'apprentissage non supervisé de régularités dans l'environnement. L'environnement dans notre cas est une habitation pourvue de capteurs et d'effecteurs (intelligence ambiante).

Contexte du travail

Les approches classiques en Intelligence Artificielle repose sur une méthodologie descendante. Le problème à résoudre est d'abord analysé par un expert qui propose alors une modélisation adaptée au problème et incorporant une connaissance experte. Cette représentation donne ensuite naissance à un algorithme de résolution ou d'apprentissage. La difficulté de ce type d'approche lorsque l'on considère des systèmes en interaction avec le monde extérieur (robotique, intelligence ambiante) est que l'environnement est très complexe et évolutif, pouvant rapidement conduire le système hors des limites des modèles injectés.

Les approches constructivistes ou développementales, à l'opposé, incorpore le moins de connaissances initiales. Le système est immergé dans son environnement et construit sa propre représentation de cet environnement à travers le résultat de ses interactions avec celui ci (schémas). Ce principe s'inspire de l'apprentissage des enfants tel qu'il est décrit par exemple par Piaget.

Sujet

Le premier niveau de schéma de Piaget correspond aux schémas sensorimoteurs : il s'agit de mettre en relation une perception résultant d'une action (création de liens de causalité). Dans le cadre d'un appartement, cela peut être par exemple de constater que l'ouverture de la porte de la chambre le matin provoque une augmentation de CO2 dans le salon ou que l'extinction de la radio le matin est généralement suivie par l'ouverture de la porte extérieure de l'appartement. Ce problème est complexe et sa résolution va bien au delà d'un IRL. Des approches existent basées en particulier sur les probabilités. L'objectif du travail demandé est de voir si les approches connexionnistes profondes peuvent être une piste intéressantes dans ce cadre.

Ce travail exploratoire est en lien avec le projet ANR Involved en cours dans l'équipe PRIMA. Ce projet a pour objectif de construire un gestionnaire énergétique chargé d'aider les habitants à mieux gérer leur consommation énergétique.


Résultats attendus

Un état de l'art sur les approches de type deep learning non supervisée. Un prototype sera construit (en s'appuyant sur des frameworks existants comme caffe ou torch7) afin d'essayer d'extraire des schémas sensorimoteurs des données provenant de l'appartement de référence.