Apprentissage et adaptation pour la modélisation stochastique de systèmes dynamiques réels

Abstract

L'application concrète des algorithmes de l'intelligence artificielle est intéressante, car les contraintes fortes mettent rapidement en relief les failles des algorithmes. J'étudie en particulier le problème du diagnostic médical et de la navigation d'un robot, où l'alliance des modèles de Markov aux ensembles flous fournit en un système performant et intuitif. La coopération avec les médecins est facilitée par un apprentissage de diagnostic qui permet de corriger le résultat du système afin d'adapter le modèle tout en respectant des contraintes numériques. Un médecin peut donc modifier le modèle de façon cohérente, sans régler chaque paramètre manuellement. Je montre enfin que l'approche peut se généraliser à de nombreux problèmes. Cela a amené la réalisation d'une interface de conception visuelle qui permet de relier simplement des objets entre eux pour obtenir le calcul désiré. Cela aidera donc au développement de nouvelles applications, tout en réduisant le travail des chercheurs.