Apprentissage et adaptation pour la modélisation stochastique de systèmes dynamiques réels

Laurent Jeanpierre (1)

1 MAIA - Autonomous intelligent machine

The exploitation of Artificial Intelligence algorithms in real problems is a very interesting method for their improvement. Actually, these applications have such constraints that any weakness of the intended algorithm is exposed, far quicker than using the usual academic problems. More precisely, in my PhD thesis, I studied two medical diagnosis helping projects. Thus, each tool I have created is constantly interacting with a medical team. One of my contributions consists in associating the reasoning capabilities of Markov models with intuitive-looking fuzzy sets. The resulting system has strong diagnosis capabilities, primarily based on this interaction. In particular, I propose a new method for learning directly from a diagnosis. Its application is useful when a doctor needs modifying the system's diagnosis. At this moment, the system starts learning from this correction to enhance the patient profile, so that the new diagnosis is compatible with the doctor's one while ensuring some numerical stability properties. Using this method, any doctor is able to correct a patient's profile without manually modifying every parameter of the model. Finally, I explain we can generalise this approach to apply it to non-medical applications. This is exposed in a classical problem, the localisation of a mobile robot that evolves in a structured environment. This generalisation allowed the realisation of a generic Object Oriented package. With this software, a given user could create a whole application, merely by putting aside some modules and linking them altogether so that the required computations are done in the right order. Thanks to its Object nature, this package allows for easily integrating and updating modules along their evolution. Finally, such an interface should help the creation of new applications by reducing the amount of time that is necessary. Actually, once the user has chosen the modules, their order and their parameters, the application handles the whole code generation to obtain a complete module.

L'application des algorithmes issus de l'Intelligence Artificielle à des applications concrètes est un domaine de recherche intéressant de par les perspectives que cela ouvre. En effet, les contraintes de ces problèmes sont telles que les faiblesses des algorithmes sont mises en évidence de façon beaucoup plus efficace que sur les exemples académiques classiques. Dans cette thèse, je m'intéresse plus particulièrement à deux problèmes d'aide au diagnostic médical. Les outils développés sont donc en interaction constante avec l'équipe médicale correspondante. Je montre donc comment, en alliant la puissance de raisonnement des modèles Markoviens au côté intuitif des ensembles flous, il est possible d'obtenir un système de diagnostic viable. Pour aider encore cette coopération, j'introduis la notion d'apprentissage de diagnostic. Cette méthodologie permet en effet au médecin de corriger le diagnostic établi par le système sur un laps de temps donné. Le système adapte alors le modèle du patient, de façon à se rapprocher de la consigne, tout en respectant des contraintes de stabilité numérique. Ce processus autorise donc le médecin à modifier les paramètres du modèle de manière cohérente, et, surtout, sans avoir à régler chacun des paramètres manuellement. Je montre finalement comment cette approche peut être généralisée à des problèmes éloignés de la médecine, en prenant l'exemple de la localisation d'un robot mobile. Cette approche mène à la réalisation d'une interface de conception d'agents ‘intelligents'. L'utilisateur désireux de construire une nouvelle application peut alors mettre cette bibliothèque en œuvre, en reliant des modules les uns aux autres afin d'obtenir les traitements nécessaires. De par sa conception à base d'objets, cette bibliothèque permet aisément l'ajout ou la modification d'algorithmes au fur et à mesure de leur développement. Cela devrait aider au développement de nouvelles applications, tout en réduisant le travail nécessaire des chercheurs impliqués.

Mots clés: Processus stochastiques markoviens; Intelligence Artificielle Située; Télémédecine; Diagnostic; Apprentissage; Processus stochastiques markoviens.

Domaines: Modélisation et simulation; Génie logiciel [cs.SE]

Laurent Jeanpierre. Apprentissage et adaptation pour la modélisation stochastique de systèmes dynamiques réels. Modélisation et simulation. Université Henri Poincaré - Nancy I, 2002. Français. ⟨NNT : ⟩. ⟨tel-00003378⟩