Apprentissage et adaptation pour la modélisation stochastique de systèmes dynamiques réels

• Auteur / Autrice : Laurent Jeanpierre
• Direction : François Charpillet
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2002
• Etablissement(s) : Nancy 1
• Partenaire(s) de recherche : autre partenaire : Université Henri Poincaré Nancy 1. Faculté des sciences et techniques

Mots clés

Mots clés contrôlés

Markov, Processus de

Apprentissage professionnel

Télémédecine

Intelligence artificielle en médecine

Systèmes d'aide à la décision

Résumé

L'application concrète des algorithmes de l'intelligence artificielle est intéressante, car les contraintes fortes mettent rapidement en relief les failles des algorithmes. J'étudie en particulier le problème du diagnostic médical et de la navigation d'un robot, où l'alliance des modèles de Markov aux ensembles flous fournit en un système performant et intuitif. La coopération avec les médecins est facilitée par un apprentissage de diagnostic qui permet de corriger le résultat du système afin d'adapter le modèle tout en respectant des contraintes numériques. Un médecin peut donc modifier le modèle de façon cohérente, sans régler chaque paramètre manuellement. Je montre enfin que l'approche peut se généraliser à de nombreux problèmes. Cela a amené la réalisation d'une interface de conception visuelle qui permet de relier simplement des objets entre eux pour obtenir le calcul désiré. Cela aidera donc au développement de nouvelles applications, tout en réduisant le travail des chercheurs.

The exploitation of Artificial Intelligence algorithms in real conditions is an interesting method for their improvement, since weaknesses are shown very quickly thanks to real, uncontrolled constraints. In particular, I study two problems of medical diagnosis and a classical problem of robot navigation. Using fuzzy sets with Markov models provide an intuitive but powerful system to solve such situations. Then, I introduce diagnosis learning which betters the cooperation with doctors, as it allows correcting the model while ensuring numerical stability. Thus, doctors can modify the patient model without setting each parameter manually. Finally, I show this approach can be generalized to a whole class of diagnosis problems. To achieve this goal, I show an integrated development environment that allows to simply link modules altogether to have a given problem solved. This should help creating new applications, while minimizing the programming time of researchers.