Cours M1S2

Cette UE aborde les problématiques d'apprentissage et d'optimisation dans le cadre de la robotique autonome. Nous y abordons les méthodes d'apprentissage et d'optimisation pertinentes dans un contexte d'agent robotique situé en environnement réel : régression, apprentissage par renforcement, méthodes d'optimisation heuristiques et multi-objectifs, apprentissage de représentations structurées ainsi que les méthodes statistiques de validation. Les aspects théoriques et pratiques seront abordés à travers des cours et travaux pratiques.

Cette unité d'enseignement offre un panorama des modèles de comportement décisionnel, individuel et collectif de la RO et de l'IA et fournit les outils d'analyse en permettant un examen critique. La théorie de la décision et la théorie des jeux permettent de formaliser et d'expliquer les comportements observés. Les principes de rationalité dégagés par ces théories servent de base au développement d'agents décisionnels et de systèmes d'aide à la décision.

Après avoir introduit la notion d'agent en tant qu'entité autonome interagissant avec son environnement, nous présenterons les différents aspects des systèmes multi-agents. Nous décrirons les différents modèles d'agents (réactifs, cognitifs, rationnels,...) et montrerons comment des systèmes d'agents peuvent être utilisés pour résoudre des problèmes de manière collective. Les problématiques d'autonomie, de distribution et d'asynchronisme seront ensuite mises en avant afin d'apprendre, concevoir et modéliser des systèmes multi-agents.

Comment intégrer l'humain dans la conception d'une IA et plus largement d'un système interactif? Comment favoriser l'adoption et la compréhension d'un système intelligent? et éviter le rejet ou la méfiance des utilisateurs? ou au contraire, comment tirer partie de l'IA peut élaborer des interfaces utiles et utilisable?

Cette UE adresse ces questions en vous apportant les compétences nécessaires en Interaction Humain-Machine (IHM)

Cette UE couvre les principales méthodes de résolution de problèmes difficiles en Intelligence Artificielle et en Recherche Opérationnelle. Le cours abordera ainsi les algorithmes de résolution exacte, mais également les algorithmes approchés (recherche heuristique dans les espaces d'états, les méthodes de recherche locale, les méta-heuristiques, etc.), et notamment ceux avec garantie de performance.