Apprentissage interactif et IA centrée utilisateur : retour d’expérience

Imaginez un environnement numérique capable de composer des applications à la volée, en utilisant les objets connectés autour de vous.
Un système qui s’adapte à votre contexte… et apprend de vos retours.
C’est ce que nous explorons dans un projet de recherche en intelligence ambiante. Nous cherchons à développer un système basé sur une architecture multi-agent qui utilise l’apprentissage par renforcement pour s’adapter, en tenant compte des interactions avec l’utilisateur. Il assemble dynamiquement les composants logiciels disponibles dans l’environnement (capteurs, services métiers, interfaces…) pour proposer des applications qui tiennent compte des préférences apprises de l’utilisateur.
Nous avons conçu un moteur de composition opportuniste – appelé OCE pour « Opportunistic Composition Engine » – capable d’adapter ses propositions en fonction du contexte et de l’utilisateur.
Dans un premier temps nous présenterons l’architecture distribuée et le fonctionnement d’OCE. Nous détaillerons comment le système apprend et s’améliore grâce aux interactions avec l’utilisateur.
Puis nous nous focaliserons sur une de nos questions de recherche portant sur l’interaction humain-IA. Nous traiterons en particulier du cas de l’incertitude, c’est-à-dire des méthodes d’interaction possibles lorsque le système hésite entre plusieurs choix et de l’impact sur l’expérience utilisateur.
Pour illustrer cette question, nous partagerons une expérimentation menée auprès de plus de 150 utilisateurs, dans laquelle un utilisateur assisté d’OCE se déplace dans un campus universitaire simulé.
À l’issue de la présentation, vous aurez un aperçu concret des défis liés à la conception et à l’évaluation de systèmes à base de machine learning interactif.