20
proposer des options susceptibles d’être intéressantes pourvu que certaines actions complémentaires
accompagnent la décision. Ceci vaut pour des décisions isolées, mais aussi pour des plans d’actions.
Sémantique et compréhension de la langue
Le processus de transfert de la syntaxe vers la sémantique et inversement de la sémantique vers syntaxe nécessaire à la compréhension et la génération d'un message nécessite l'adoption de modèles de
représentation de la sémantique des langues. Ces modèles relèvent soit de la sémantique formelle qui
rencontrent des problèmes de robustesse, soit de la sémantique distributionnelle qui souffrent d'inexactitude. Les enjeux portent sur la proposition de modèles formels robustes et distributionnels exacts,
mais aussi sur la convergence des sémantiques compositionnelles et distributionnelles en proposant
des modèles intégratifs; de méthodes pour transformer des données langagières modélisées comme
les ontologies en texte et inversement; de modèles et de méthodes qui permettent l'interprétation du
texte, et en particulier l'analyse ou la génération d'un discours.
Intentionnalité / Emotions
La prise en compte des émotions et des intentions des humains dans une interaction demande leur
détection et reconnaissance chez l’humain à partir de signaux multimodaux (e.g., acoustiques, visuels,
parole), leur simulation par la machine (comme par le comportement non-verbal d’un robot, la voix de
synthèse émotionnelle) et l’adaptation de la machine aux émotions et intentions des utilisateurs. Les
premières tâches demandent des méthodes d’analyse de signaux multimodaux et de modèles de fusion
(pour la reconnaissance) et de fission (pour la simulation). Une difficulté majeure réside en la très
large variété d’émotions et d’intentions dans une interaction. Les modèles d’adaptation reposent généralement sur des modèles de raisonnement du processus cognitif de l’humain et des modèles de stratégies de dialogue.
Intelligence Artificielle à large échelle
Une des données saillante à l’heure actuelle est le fait que dans de nombreux domaines une grande
quantité de données est disponible, et il faut adapter les méthodes usuelles (raisonnement, décision,
apprentissage, etc) pour pouvoir appréhender efficacement ces données.
Les grands défis concernant cette thématique:
Raisonner sur des données massives
Les algorithmes de raisonnement mécanisent des inférences à partir d'ensembles d’expressions symboliques, dans le cadre de formalisations logiques. La complexité du raisonnement dépend de l'expressivité du langage dans lequel les formules sont exprimées, combinée avec la taille des données correspondant à des formules très simples mais pouvant être en grand nombre. Il est important de développer
de nouvelles formes de raisonnement donnant une plus large place aux données et passant à l'échelle
de données de grande taille. Pour cela, il est essentiel de revisiter les différentes formes de raisonnement et les formalismes de représentation de connaissances. Le développement d'approches de raisonnement décentralisé sur des données distribuées est en particulier un défi important à relever.
proposer des options susceptibles d’être intéressantes pourvu que certaines actions complémentaires
accompagnent la décision. Ceci vaut pour des décisions isolées, mais aussi pour des plans d’actions.
Sémantique et compréhension de la langue
Le processus de transfert de la syntaxe vers la sémantique et inversement de la sémantique vers syntaxe nécessaire à la compréhension et la génération d'un message nécessite l'adoption de modèles de
représentation de la sémantique des langues. Ces modèles relèvent soit de la sémantique formelle qui
rencontrent des problèmes de robustesse, soit de la sémantique distributionnelle qui souffrent d'inexactitude. Les enjeux portent sur la proposition de modèles formels robustes et distributionnels exacts,
mais aussi sur la convergence des sémantiques compositionnelles et distributionnelles en proposant
des modèles intégratifs; de méthodes pour transformer des données langagières modélisées comme
les ontologies en texte et inversement; de modèles et de méthodes qui permettent l'interprétation du
texte, et en particulier l'analyse ou la génération d'un discours.
Intentionnalité / Emotions
La prise en compte des émotions et des intentions des humains dans une interaction demande leur
détection et reconnaissance chez l’humain à partir de signaux multimodaux (e.g., acoustiques, visuels,
parole), leur simulation par la machine (comme par le comportement non-verbal d’un robot, la voix de
synthèse émotionnelle) et l’adaptation de la machine aux émotions et intentions des utilisateurs. Les
premières tâches demandent des méthodes d’analyse de signaux multimodaux et de modèles de fusion
(pour la reconnaissance) et de fission (pour la simulation). Une difficulté majeure réside en la très
large variété d’émotions et d’intentions dans une interaction. Les modèles d’adaptation reposent généralement sur des modèles de raisonnement du processus cognitif de l’humain et des modèles de stratégies de dialogue.
Intelligence Artificielle à large échelle
Une des données saillante à l’heure actuelle est le fait que dans de nombreux domaines une grande
quantité de données est disponible, et il faut adapter les méthodes usuelles (raisonnement, décision,
apprentissage, etc) pour pouvoir appréhender efficacement ces données.
Les grands défis concernant cette thématique:
Raisonner sur des données massives
Les algorithmes de raisonnement mécanisent des inférences à partir d'ensembles d’expressions symboliques, dans le cadre de formalisations logiques. La complexité du raisonnement dépend de l'expressivité du langage dans lequel les formules sont exprimées, combinée avec la taille des données correspondant à des formules très simples mais pouvant être en grand nombre. Il est important de développer
de nouvelles formes de raisonnement donnant une plus large place aux données et passant à l'échelle
de données de grande taille. Pour cela, il est essentiel de revisiter les différentes formes de raisonnement et les formalismes de représentation de connaissances. Le développement d'approches de raisonnement décentralisé sur des données distribuées est en particulier un défi important à relever.