Co-construction et apprentissage actif pour une assistance à la prise de décision

Ce stage s’inscrit dans les thématiques de l’intelligence artificielle et vise le développement d’un agent intelligent autonome capable d’apprendre dans un environnement inconnu et changeant, grâce à ses interactions. En exploitant les capacités d’acquisition de connaissances d’un tel agent, ces travaux visent l’élaboration d’un module d’aide à la décision intégré à un CRM (logiciel de gestion de la relation client) permettant de détecter les opportunités d’affaires à partir d’informations statiques et dynamiques recueillies. Au cours de cette étude, on s’intéresse particulièrement au problème d’amorçage de l’apprentissage ([1]) d’un tel système lorsque peu de données composent l’expérience du système et que les méthodes usuelles d’apprentissage supervisé ne peuvent apporter à elles seules satisfaction. Ainsi, l'un des enjeux de cet apprentissage est de rendre opérationnel le système rapidement à partir d’une quantité tout d’abord limitée de données sur lesquelles baser l’apprentissage. Pour cela, deux voies complémentaires de recherche sont privilégiées dans le cadre de ce stage.

D’une part, on s’intéresse a l’exploitation un paradigme de curiosité artificielle, utile au développement des systèmes cognitifs [2]. Dans ce contexte, l’agent pourra d’une part itérativement affiner la représentation qu’il construit [3], tout en sollicitant de nouvelles expériences dans les domaines qu’il connaît peu ou pour lesquels il estime avoir de bonnes possibilités de progrès. Pour l’application de gestion de clients, l’agent pourra ainsi si il le juge utile recommander le démarchage d’un prospect afin d’améliorer suite au retour d’expérience la fiabilité de son estimateur de ventes concernant la catégorie du prospect concerné. Afin de faciliter la construction de la représentation interne du système, ce travail pourra également s’appuyer sur des méthodes du domaine du machine learning (par exemple, par apprentissage non supervisé [4], et selon une perspective plus longue aux travaux disponibles dans le domaine du transfer learning).

Afin d’accélérer le processus d’apprentissage, nous nous intéressons également aux mécanismes de co-construction permettant au système de compléter son expérience par des interactions avec un utilisateur humain expérimenté ou un oracle. La représentation interne adoptée pour le système est étroitement corrélée à la méthode d’apprentissage (Random Forest → arbres, Réseaux de neurones → graphes, etc.). Elle influence considérablement les capacités d’interaction avec un utilisateur humain. Une partie du travail consiste ainsi à étudier, et suivant l’avancement éprouver, les différentes possibilités de représentations internes pertinentes pour l’agent. Le pouvoir explicatif que pourra développer le système qui permet à l’utilisateur humain de mettre à jour sa représentation est également un des enjeux de cet aspect du travail.

Ce travail intervient dans le cadre d’un partenariat entre la société GRC Contact et le laboratoire LIRIS. En complément des contributions qui seront proposées au cours de ce stage, le stage a pour objet de délimiter et préciser des pistes de recherche sur un plus long terme. Il est prévu de poursuivre le travail de recherche au cours d’une thèse CIFRE à partir de septembre 2018.

Une première étude sur des données réelles de la société GRC Contact a été réalisées, en exploitant un outil permettant de recueillir en temps réel différents flux d’informations (Web Services, PhP). Des outils décisionnels ont été développés (librairies en python, outils d’analyse statistique). En complément de son travail de recherche et des implémentations à réaliser, l’étudiant intéressé par ce projet devra être en mesure de s’approprier ces méthodes, afin de pouvoir réaliser si nécessaire une maintenance ponctuelle.

Bibliographie

[1] Mazac, S., Armetta, F., Hassas, S. (2014). «On bootstrapping sensori-motor patterns for a constructivist learning system in continuous environments. In Alife 14

[2] Pierre-Yves Oudeyer and Frederic Kaplan. What is intrinsic motivation? A typology of computational approaches. Frontiers in neurorobotics, 1:6, 2009.

[3] Jean Piaget. La naissance de l’intelligence chez l’enfant. 1948.

[4] H. Elghazel and A. Aussem. Unsupervised Feature Selection with Ensemble Learning, Machine Learning, Volume 98, Number 1-2, pages 157-180, 2015.

 


Mots-clés
Aide à la décision/CRM; Apprentissage actif/par curiosité; Apprentissage développemental; Co-construction; Modèles prédictifs; Pouvoir explicatif; Thèse recherche appliquée en laboratoire et en entreprise
Établissement
LIRIS - LABORATOIRE D'INFORMATIQUE EN IMAGES ET SYSTEMES D'INFORMATION
69622 VILLEURBANNE  
Niveau
Bac +5
Durée
5 mois, à négocier, dès janvier/février 2017
Indemnité
~500 euros par mois