Raisonnement distribué dans un environnement ambiant

par Amina Jarraya (Yaacoubi)

Projet de thèse en Informatique

Sous la direction de Amel Bouzeghoub et de Amel Borgi.

Thèses en préparation à Paris Saclay en cotutelle avec l'Université El-Manar , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....) , en partenariat avec Télécom SudParis (France) (laboratoire) , ACMES (equipe de recherche) et de Télécom SudParis (établissement de préparation de la thèse) depuis le 01-11-2015 .


  • Résumé

    Contexte général L'informatique émerge vers des environnements pervasifs ou encore ubiquitaires dans lesquels les dispositifs intelligents sont censés se connecter d'une manière transparente et collaborer les uns avec les autres pour aider l'être humain, anticiper ses besoins et fournir l'information adéquate à la bonne personne, et ce quel que soient le lieu et le moment. L'enjeu de cette évolution est de rendre l'informatique invisible : « The most profound technologies are those that disappear. They weave themselves into the fabric of everyday life until they are indistinguishable from it» . L'informatique pervasive et l'intelligence ambiante constituent des domaines importants dans la recherche et le développement des prochaines générations des technologies de la communication et de l'information. Elles ont introduit beaucoup de défis de recherche dans le domaine de l'IA au cours de ces dernières années. Dans un environnement ambiant, plusieurs entités ambiantes différentes coexistent, elles collectent et traitent l'information contextuelle disponible. Ces entités ne partagent pas nécessairement le même vocabulaire. Elles possèdent chacune leurs propres objectifs, leurs perceptions et leurs capacités et elles peuvent collaborer les unes avec les autres pour atteindre leurs objectifs communs. Dans ce contexte, nous nous intéressons plus particulièrement aux aspects liés à la modélisation distribuée de l'environnement ambiant et à ceux liés au raisonnement distribué en présence d'informations imparfaites. Raisonnement en présence d'informations imparfaites Dans un environnement ambiant, les informations du contexte peuvent être imparfaites. Henricksen et Indulska classent cette information imparfaite en 4 types : inconnue, ambigüe, imprécise et erronée. En effet, une information contextuelle n'est parfois pas disponible, et est donc inconnue, par exemple suite aux défaillances des capteurs ou de connexion. Quand une information d'un contexte provient de plusieurs sources, alors le contexte peut devenir ambigu. L'imprécision provient quant à elle des mesures des capteurs. Une information contextuelle erronée peut être due aux erreurs humaines ou liée à un problème de machine. Nous pouvons également considérer d'autres types d'imperfections, par exemple : l'information incomplète ou encore entachée d'incertitude. Le rôle du raisonnement contextuel dans les systèmes d'intelligence ambiante est de : - détecter et gérer les informations contextuelles - évaluer la qualité et la validité des données détectées - transformer les données contextuelles brutes en des données de plus haut-niveau d'abstraction - s'adapter dynamiquement et prendre les bonnes décisions en fonction du contexte. La plupart des systèmes actuels de l'intelligence ambiante n'ont pas pris en compte tous les aspects de l'imperfection des données dans le modèle de raisonnement contextuel. Par exemple, Bikakis et ses co-auteurs s'intéressent à la résolution de l'ambigüité entre deux sources de données dans les environnements ambiants en proposant des critères de résolution et en privilégiant «l'ordre de préférence » entre les différentes entités. D'autre part, ils gèrent les informations incertaines en modélisant les contextes comme des théories locales de la logique défaisable (raisonnement non monotone). Néanmoins, ils ne prennent pas en compte l'incomplétude éventuelle des informations, quand par exemple certains aspects du contexte sont manquants. Pajares et Onaindia introduisent un autre critère de résolution de l'ambiguïté : la spécificité généralisée qui favorise l'entité avec le plus d'informations et le moins de règles. Ils utilisent de même la logique défaisable pour gérer les informations incertaines. Cependant, leur approche ne prend pas en compte l'aspect des informations manquantes ou incomplètes. Il serait intéressant de mener une étude bibliographique approfondie sur le traitement des informations imparfaites et d'étudier dans quelle mesure plusieurs facettes de cette imperfection (ambigüité, incertitude, imprécision, …) peuvent être intégrées dans une même approche plus générale. Approche distribuée de l'environnement ambiant La majorité des systèmes ambiants s'appuie sur une approche totalement centralisée. Cette approche désigne une entité centrale responsable à la fois de la collecte des données contextuelles à partir des entités présentes dans l'environnement et du raisonnement sur celles ci. A titre d'exemple, les auteurs proposent une plateforme de raisonnement centralisée pour l'intelligence ambiante. Elle s'appuie sur une architecture orientée évènement dans laquelle une couche médium « Middleware » permet la circulation des informations entre les différents capteurs, le raisonneur et les applications. Citons d'autres exemples représentatifs de tels systèmes centralisés comme GECAF system, A Context-Aware Multi-Agent System ou encore OBCAS system. Le raisonnement centralisé via une entité centrale dans un environnement ambiant a de nombreux avantages. En effet, il réalise un meilleur contrôle et une meilleure coordination entre les différentes entités participantes. Néanmoins, aucune garantie n'est présente sur le lien de connexion entre les entités ambiantes et l'entité centrale de raisonnement. Les communications peuvent être peu fiables ou restreintes dans certaines conditions. Pour remédier à cela, une approche totalement décentralisée est nécessaire permettant de répartir à la fois les sources des données de contexte et le raisonnement. Le besoin d'avoir une approche plus décentralisée dans les systèmes d'intelligence ambiante a récemment conduit plusieurs sujets de recherche à s'intéresser à la distribution des méthodes et des techniques de l'intelligence artificielle distribuée. Dans une approche entièrement distribuée, chaque entité doit raisonner localement en ne se basant que sur les données qui lui sont accessibles. Cela nécessite la prise en compte des conflits qui peuvent en découler aussi bien durant le raisonnement que pour les prises de décision. Plusieurs approches du raisonnement distribué ont été proposées, certaines se basent sur le modèle pair à pair, d'autres sur le modèle multi-agents. Par exemple Bikakis et ses co-auteurs présentent un modèle P2P pour le raisonnement distribué dans laquelle l'entité ambiante est modélisée comme étant une théorie locale (ensemble de règles locales et de vocabulaires) consistante. La réunion des théories locales peut conduire à une inconsistance et donc à un conflit. Elle rajoute l'utilisation de la logique défaisable pour gérer l'information incertaine. D'autres approches ont recours au raisonnement spéculatif afin de manier l'information incomplète. La logique floue est également utilisée pour le raisonnement distribué dans un environnement ambiant, notamment pour gérer l'imperfection de l'information.

  • Titre traduit

    Distributed Reasoning in Ambient Environnement


  • Résumé

    Pervasive Computing and Ambient Intelligence are considered to be key issues in the further development of Ambient Environment. Ambient Intelligence Systems aim at providing the right information to the right users, at the right time, in the right place, and on the right device. In order to achieve this, several ambient entities co-exist in Ambient Environment. They collect and process the available context information. Entities do not necessarily share the same vocabulary. They are expected to have their own goals, their own perceptive capabilities and to collaborate with each other to achieve their common goals. So far, most Ambient Computing frameworks have been based on fully centralized approaches for reasoning about context. The common caracteristic of these approaches is the use of a central entity, which is responsible for collecting the available context information from all ambient entities operating in the same environment and taking decisions to dictate the behavior of the system. However, the connections between ambient entities and the centralized ambient entity are not guaranted. The communication may be unreliable or restricted under certain conditions. To rectify these shortcomings, a fully decentralized approach seems to be a necessity for distributing both data context and reasoning. Several approaches have been proposed in distributed reasoning deploying techniques from Distributed Artificial Intelligence; some are based on peerto- peer (P2P) model, others are based on multi-agent model. For example, Bikakis and his co-authors present a P2P model for distributed reasoning in which ambient entity is modeled as a consistent local theory (a set of local rules and vocabularies). Fuzzy logic and abduction are used for distributed reasoning in Ambient Environment to manage the imperfect nature of the available context information. However, these proposed approaches present two major inconvenient. Firstly, entities communicate and collaborate to reach a set of goals, while they keep their private contextual informations. This is not always realistic in Ambient Environment because we need to have minimum information about environment in order to detect context-aware situations and environmental changes. Secondly, they adopt a top-down inference during reasoning process which do not fit well with the needs of Ambient Intelligence because we risk to reason with outdated knowledge. The aim of this study is to propose a distributed cooperative reasoning solution tailored to the special characteristics of Ambient Environment. The approach that we propose is to model Ambient Environment as a peer-to-peer system and ambient entities as intelligent peers. The local knowledge is expressed in terms of facts and rules. Specifically, peers will not keep their local knowledge private but they will share part of their local knowledge with neighboring peers through facts to reach a set of goals. Moreover, we adopt a bottomup inference for reasoning process to deal with real context information collected through specific peers called observer peers.