Méta-langage endomorphe et planification abstraite pour la reconnaissance des intentions en temps réel

Endomorphic metalanguage and abstract planning for real-time intent recognition

• Auteur / Autrice : Antoine Gréa
• Direction : Samir Aknine, Laëtitia Matignon
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/01/2020
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'InfoRmatique en Images et Systèmes d'information (Ecully, Rhône)
• Jury : Président / Présidente : Hamamache Kheddouci
• Jury : Examinateurs / Examinatrices : Samir Aknine, Laëtitia Matignon, Eva Onaindia, Damien Pellier, Ivan José Varzinczak
• Jury : Rapporteurs / Rapporteuses : Eva Onaindia, Damien Pellier

Mots clés

Mots clés contrôlés

Interaction humain-machine

Représentation des connaissances

Métalangage

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Plannification

Représentation des connaissances

Abstraction

Reconnaissance d'intention

Artificial intelligence

Planning

Knowledge representation

Abstraction

Intent recogniton

Résumé

L’interaction personne-machine fait partie des problèmes les plus complexes dans le domaine de l’intelligence artificielle (IA). En effet, les logiciels qui coopèrent avec des personnes dépendantes doivent avoir des qualités incompatibles telles que la rapidité et l’expressivité, voire la précision et la généralité. L’objectif est alors de concevoir des modèles et des mécanismes capables de faire un compromis entre efficacité et généralité. Ces modèles permettent d’élargir les possibilités d’adaptation de manière fluide et continue. Ainsi, la recherche d’une réponse complète et optimale a éclipsé l’utilité de ces modèles. En effet, l’explicabilité et l’interactivité sont au cœur des préoccupations populaires des systèmes modernes d’IA. Le principal problème avec de telles exigences est que l’information sémantique est difficile à transmettre à un programme. Une partie de la solution à ce problème réside dans la manière de représenter les connaissances. La formalisation est le meilleur moyen de définir rigoureusement un problème. Aussi, les mathématiques sont le meilleur ensemble d’outils pour exprimer des notions formelles. Cependant, comme notre approche exige des mathématiques non classiques, il est plus facile de définir une théorie cohérente qui correspond simplement à nos besoins. Cette théorie est une instance partielle de la théorie des catégories. On propose une algèbre fonctionnelle inspirée du lambda calcul. Il est alors possible de reconstruire des concepts mathématiques classiques ainsi que d’autres outils et structures utiles à notre usage. En se servant de ce formalisme, il devient possible d’axiomatiser un métalangage endomorphique. Celui-ci manipule une grammaire dynamique capable d’ajuster sa sémantique à l’usage. La reconnaissance des structures de base permet à ce langage de ne pas utiliser de mot-clés. Ceci, combiné à un nouveau modèle de représentation des connaissances, supporte la construction d’un modèle de représentation des connaissances expressive. Avec ce langage et ce formalisme, il devient envisageable de créer des cadriciels dans des champs jusqu’alors hétéroclites. Par exemple, en planification automatique, le modèle classique à état rend l’unification de la représentation des domaines de planification impossible. Il en résulte un cadriciel général de la planification permettant d’exprimer tout type de domaines en vigueur. On crée alors des algorithmes concrets qui montrent le principe des solutions intermédiaires. Deux nouvelles approches à la planification en temps réel sont présentées et évaluées. La première se base sur une euristique d’utilité des opérateurs de planification afin de réparer des plans existants. La seconde utilise la planification hiérarchique pour générer des plans valides qui sont des solutions abstraites et intermédiaires. Ces plans rendent possible un temps d’exécution plus court pour tout usage ne nécessitant pas le plan détaillé

Human-machine interaction is among the most complex problems in the field of AI Intelligence . Indeed, software that cooperates with dependent people must have incompatible qualities such as speed and expressiveness, or even precision and generality. The objective is then to design models and mechanisms capable of making a compromise between efficiency and generality. These models make it possible to expand the possibilities of adaptation in a fluid and continuous way. Thus, the search for a complete and optimal response has overshadowed the usefulness of these models. Indeed, explainability and interactivity are at the heart of popular concerns of modern AI systems. The main issue with such requirements are that semantic information is hard to convey to a program. Part of the solution to this problem lies in how to represent knowledge. Formalization is the best way to rigorously define the problem. Mathematics is the best set of tools to express formal notions. However, since our approach requires non-classical mathematics, it is easier to define a coherent theory that simply fits our needs. That theory is a weak instance of category theory. We propose a functional algebra inspired by lambda calculus. It is then possible to reconstruct classical mathematical concepts as well as other tools and structures useful for our usage. By using this formalism, it becomes possible to axiomatize an endomorphic metalanguage.This one manipulates a dynamic grammar capable of adjusting its semantics to exploitation. The recognition of basic structures allows this language to avoid using keywords. This, combined with a new model of knowledge representation, supports the construction of an expressive knowledge description model. With this language and this formalism, it becomes possible to create frameworks in fields that were previously heterogeneous. For example, in automatic planning, the classic state-based model makes it impossible to unify the representation of planning domains. This results in a general planning framework that allows all types of planning domains to be expressed. Concrete algorithms are then created that show the principle of intermediate solutions. Two new approaches to real-time planning are developed and evaluated. The first is based on a usefulness heuristic of planning operators to repair existing plans. The second uses hierarchical task networks to generate valid plans that are abstract and intermediate solutions. These plans allow for a shorter execution time for any use that does not require a detailed plan. We then illustrate the use of these plans on intent recognition by reverse planning. Indeed, in this field, the fact that no plan libraries are required makes it easier to design recognition models. By exploiting abstract plans, it becomes possible to create a system theoretically more efficient than those using complete planning