27
de l’humain, de ses connaissances et de ses intentions, ce qui exige une capacité de prise de perspective et de raisonnement sur autrui. La planification, avec des contraintes temporelles, des actions de la
machine doit inclure aussi celles qui seront effectuées par l’autre agent ainsi que les actions de coordination.
L'obstacle majeur pour la plupart des sujets de recherche concernés est le passage à l'échelle. C'est très
nettement le cas pour la résolution collective de problèmes: la planification d'un seul agent dans un
environnement partiellement connu est déjà un problème très difficile, et l'introduction de l'aspect
distribué rend les choses encore bien plus complexes, notamment en raison de la prise en compte des
croyances des agents sur les plans et croyances des autres agents, et de la nécessité de planifier des
actions de communication visant à réduire l'incertitude.
IA intégrative et robotique
Le système nerveux et le cerveau ont évolué vers ce qu’ils sont chez l’être humain aujourd’hui en
développant des capacités de perception, de raisonnement, d’apprentissage et de communication, pour
une action plus efficace et plus adaptée. Le robot comme paradigme de l’IA matérialisée, agent à la
fois autonome et interactif, est soumis à la complexité et à l’incertitude du monde réel dans lequel il
évolue et dont il doit respecter sa dynamique. Il doit intégrer, en tant que système, des capacités de
perception, d’action, de raisonnement, d’apprentissage, et de communication/interaction dans une
architecture de contrôle globale ou architecture cognitive. Il est important d’observer que l’étude de
ces capacités de manière séparée risque d’aboutir à des solutions inappropriées à leur intégration,
même si elles sont individuellement performantes. En revanche la prise en compte conjointe de leurs
liens aboutit à des approches qui doivent nécessairement appréhender le réel de manière opérationnelle, et par conséquence la problématique de recherche elle-même s’en trouve renouvelée.
L’apprentissage par renforcement est un apprentissage non supervisé qui permet au robot de découvrir
à la fois les effets de ses actions et l’incertitude caractérisant ses actions ainsi que l’environnement. Le
lien entre perception, action et apprentissage - en particulier apprentissage par renforcement - permet
d’associer les représentations perceptuelles aux capacités d’action pour extraire une sémantique du
monde en particulier à travers la notion d’affordance qui rend compte des propriétés des objets en ce
qu’elles représentent pour l’agent. D’autre part cette interaction pose la question de l’apprentissage à
partir d’une faible quantité de données ou d’expériences.
La prise de décision dans un système intégré nécessite l’étude de l’architecture qui permet la mise en
œuvre des différentes fonctionnalités de manière cohérente et coordonnée, au delà des problématiques
du middleware. Il faut comprendre comment intégrer des processus décisionnels de complexités différentes permettant la délibération et la réactivité à travers des mécanismes réflexifs comme le métaraisonnement et l’auto-évaluation.
Intelligence artificielle générale
Au delà du développement nécessaire de techniques dédiées à des problèmes particuliers, il est important de développer des techniques permettant de s’adapter à des situations peu ou pas connues à
l’avance. Ce que nous avons résumé en ``intelligence artificielle générale''.
Les grands défis concernant cette thématique:
Informatique neuro-inspirée
L'informatique classique s'est développée sur le modèle de la machine de Turing dans laquelle mémoire et instructions sont physiquement séparées. Une autre informatique, dans son sens le plus géné-
de l’humain, de ses connaissances et de ses intentions, ce qui exige une capacité de prise de perspective et de raisonnement sur autrui. La planification, avec des contraintes temporelles, des actions de la
machine doit inclure aussi celles qui seront effectuées par l’autre agent ainsi que les actions de coordination.
L'obstacle majeur pour la plupart des sujets de recherche concernés est le passage à l'échelle. C'est très
nettement le cas pour la résolution collective de problèmes: la planification d'un seul agent dans un
environnement partiellement connu est déjà un problème très difficile, et l'introduction de l'aspect
distribué rend les choses encore bien plus complexes, notamment en raison de la prise en compte des
croyances des agents sur les plans et croyances des autres agents, et de la nécessité de planifier des
actions de communication visant à réduire l'incertitude.
IA intégrative et robotique
Le système nerveux et le cerveau ont évolué vers ce qu’ils sont chez l’être humain aujourd’hui en
développant des capacités de perception, de raisonnement, d’apprentissage et de communication, pour
une action plus efficace et plus adaptée. Le robot comme paradigme de l’IA matérialisée, agent à la
fois autonome et interactif, est soumis à la complexité et à l’incertitude du monde réel dans lequel il
évolue et dont il doit respecter sa dynamique. Il doit intégrer, en tant que système, des capacités de
perception, d’action, de raisonnement, d’apprentissage, et de communication/interaction dans une
architecture de contrôle globale ou architecture cognitive. Il est important d’observer que l’étude de
ces capacités de manière séparée risque d’aboutir à des solutions inappropriées à leur intégration,
même si elles sont individuellement performantes. En revanche la prise en compte conjointe de leurs
liens aboutit à des approches qui doivent nécessairement appréhender le réel de manière opérationnelle, et par conséquence la problématique de recherche elle-même s’en trouve renouvelée.
L’apprentissage par renforcement est un apprentissage non supervisé qui permet au robot de découvrir
à la fois les effets de ses actions et l’incertitude caractérisant ses actions ainsi que l’environnement. Le
lien entre perception, action et apprentissage - en particulier apprentissage par renforcement - permet
d’associer les représentations perceptuelles aux capacités d’action pour extraire une sémantique du
monde en particulier à travers la notion d’affordance qui rend compte des propriétés des objets en ce
qu’elles représentent pour l’agent. D’autre part cette interaction pose la question de l’apprentissage à
partir d’une faible quantité de données ou d’expériences.
La prise de décision dans un système intégré nécessite l’étude de l’architecture qui permet la mise en
œuvre des différentes fonctionnalités de manière cohérente et coordonnée, au delà des problématiques
du middleware. Il faut comprendre comment intégrer des processus décisionnels de complexités différentes permettant la délibération et la réactivité à travers des mécanismes réflexifs comme le métaraisonnement et l’auto-évaluation.
Intelligence artificielle générale
Au delà du développement nécessaire de techniques dédiées à des problèmes particuliers, il est important de développer des techniques permettant de s’adapter à des situations peu ou pas connues à
l’avance. Ce que nous avons résumé en ``intelligence artificielle générale''.
Les grands défis concernant cette thématique:
Informatique neuro-inspirée
L'informatique classique s'est développée sur le modèle de la machine de Turing dans laquelle mémoire et instructions sont physiquement séparées. Une autre informatique, dans son sens le plus géné-