Assas Recherche | Apprentissage multiannotateur et explications communes en logique du premier ordre

Apprentissage multiannotateur et explications communes en logique du premier ordre (Document en Français)

Accès au(x) document(s)

Accéder au(x) document(s) :

http://scbd-sto.univ-paris13.fr/internet/edgalilee_th_2024_kaziaoual.pdf

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Kazi Aoual Malik

Kazi Aoual, Malik

Nom

Kazi Aoual

Prénom

Malik

Nationalité

Français

Date de soutenance : 20-11-2024

Directeur(s) de thèse : Rouveirol Céline

Rouveirol, Céline

Nom

Rouveirol

Prénom

Céline

- Soldano Henry

Soldano, Henry

Nom

Soldano

Prénom

Henry

Etablissement de soutenance : Paris 13

Paris 13

Nom

Paris 13

Laboratoire : Laboratoire informatique de Paris-Nord (Villetaneuse, Seine-Saint-Denis ; 2001-....)

Laboratoire informatique de Paris-Nord (Villetaneuse, Seine-Saint-Denis ; 2001-....)

Nom

Laboratoire informatique de Paris-Nord (Villetaneuse, Seine-Saint-Denis ; 2001-....)

Ecole doctorale : École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)

École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)

Nom

École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)

Informations générales

Discipline : Informatique
Classification : Sciences de l'ingénieur

Mots-clés libres : Intelligence artificielle, Explicabilité, Multijoueur, Programmation Logique Inductive, Bridge
Mots-clés :

Programmation logique
Apprentissage supervisé (intelligence artificielle)

Résumé : L'intelligence artificielle prend une place de plus en plus importante dans notre quotidien, posant de nombreux défis techniques, notamment dans le développement de systèmes capables d'intégrer la connaissance humaine, de considérer divers points de vue et d'expliquer leurs décisions. Assurer que l'IA et l'humain s'améliorent mutuellement est un enjeu majeur pour le développement de systèmes d'IA plus efficaces et plus éthiques. Cette thèse se concentre sur deux contributions principales pour relever ces défis : développer un modèle d'apprentissage supervisé intégrant l'identité des annotateurs et générer des explications compréhensibles pour les décisions de l'IA. La première contribution s'intéresse à la prise de décision multijoueur au bridge, où différents joueurs annotent un ensemble d'observations et peuvent avoir différentes stratégies d'annotation face à des situations similaires. Nous avons développé un algorithme qui prend efficacement en compte l'identité des joueurs lors de la construction du modèle, appliqué à un scénario de bridge où les désaccords des joueurs face à une situation sont fréquents. Notre approche démontre une meilleure performance et gère efficacement l'augmentation du nombre d'annotateurs. Nous avons également utilisé les règles de notre modèle pour regrouper les joueurs en fonction de leurs comportements, facilitant la recherche de partenaires de jeu compatibles. La deuxième contribution se concentre sur la création d'explications pour les actions d'un agent artificiel dans un jeu de bridge simplifié. Nous proposons une méthode pour générer des explications en logique du premier ordre, à la fois diverses et concises, qui sont communes à des sous-ensembles d'observations. Cette approche permet d'obtenir des explications plus générales et compréhensibles pour les humains, facilitant ainsi la compréhension du processus de décision de l'IA.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2024PA131070
Type de ressource : Thèse