Intelligence Ambiante Pro-Active De la Spécification à l Impléme

Dimension: px
Commencer à balayer dès la page:

Download "Intelligence Ambiante Pro-Active De la Spécification à l Impléme"

Transcription

1 Intelligence Ambiante Pro-Active De la Spécification à l Implémentation Patrick Reignier, équipe PRIMA / LIG Université de Grenoble Jeudi 16 Septembre 2010

2 Activité de recherche : Doctorat Navigation réactive pour un robot mobile : Poste de MdC à l ENI Brest Environnement multi-agents pour la réalité virtuelle A partir de 2000 : Poste de MdC à l Université Joseph Fourier Intelligence Ambiante

3 l intelligence Ambiante Pro-Active Spe cification du contexte Point de vue De veloppeur Origines The Computer for the 21st Century [Weiser, 1991] Patrick Reignier, e quipe PRIMA / LIG Universite de Grenoble Intelligence Ambiante Pro-Active De la Spe cification a l Imple me

4 1991 : la vision de Weiser

5 1991 : la vision de Weiser

6 1991 : la vision de Weiser 1995 : l informatique calme

7 1991 : la vision de Weiser 1995 : l informatique calme

8 Intelligence ambiante

9 Intelligence Ambiante (suite) Bureau Active Badge [Want et al., 1992] Domestique Adaptive House [Mozer, 1998] Education eclass (Classroom 2000) [Abowd et al., 1996] Applications Pro-Actives Interaction Homme-Machine Implicite [Schmidt, 2005] Entrées implicites (actions utilisateur correspondant à sa tâche) Sorties implicites

10 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

11 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

12 Bilan l intelligence Ambiante Pro-Active Informatique Ubiquitaire: Depuis 2000 : explosion du nombre de terminaux OK Informatique Ambiante Pro-Active: De nombreux verrous scientifiques Difficulté à sortir des laboratoires

13 Axe de recherche Développement des Applications Ambiantes Pro-Actives Faciliter leur déploiement Approche transversale Deux catégories d acteurs: Développeur Utilisateur final Propriétés importantes : confiance, compétence [Maes, 1994]

14 Confiance l intelligence Ambiante Pro-Active La confiance d un usager est basée sur la perception de la compétence du système [Muir & Moray, 1996] Cadre plus large des systèmes automatisés Utilisation optimale d un système: Confiance de l usager compatible avec la compétence du système Calibration of trust Relation de confiance Homme-Machine: relation de confiance Homme-Homme

15 Confiance l intelligence Ambiante Pro-Active La confiance d un usager est basée sur la perception de la compétence du système [Muir & Moray, 1996] Cadre plus large des systèmes automatisés Utilisation optimale d un système: Confiance de l usager compatible avec la compétence du système Calibration of trust Relation de confiance Homme-Machine: relation de confiance Homme-Homme

16 Quelques pistes pour l établissement de la confiance Fournir un retour à l utilisateur sur son fonctionnement: Intelligibilité [Bellotti & Edwards, 2001] Ce qu il sait, comment il le sait, ce qu il en fait Compréhensibilité [Cheverst et al., 2005] Percevoir son fonctionnement interne (Glass Box) Scrutabilité [Kay et al., 2003] Capacité à interroger le modèle ( à l ordinateur invisible) Le fil conducteur de toutes nos approches

17 Quelques pistes pour l établissement de la confiance Fournir un retour à l utilisateur sur son fonctionnement: Intelligibilité [Bellotti & Edwards, 2001] Ce qu il sait, comment il le sait, ce qu il en fait Compréhensibilité [Cheverst et al., 2005] Percevoir son fonctionnement interne (Glass Box) Scrutabilité [Kay et al., 2003] Capacité à interroger le modèle ( à l ordinateur invisible) Le fil conducteur de toutes nos approches

18 Sommaire l intelligence Ambiante Pro-Active 1 2 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel 3 Adaptation supervisée de situations Apprentissage renforcé de situations 4

19 Architecture générale

20 Architecture générale

21 3 Etapes l intelligence Ambiante Pro-Active

22 3 Etapes l intelligence Ambiante Pro-Active

23 3 Etapes l intelligence Ambiante Pro-Active

24 3 Etapes l intelligence Ambiante Pro-Active

25 Spécification

26 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

27 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

28 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

29 Quel modèle de contexte? Premières définitions: orientées Localisation Ex: ActiveMaps [Schilit & Theimer, 1994] Concept beaucoup plus riche: Ex: [Schmidt et al., 1998]: Facteurs humains: environnement social,... Facteurs physiques: lumière, son,... Quels facteurs doit-on modéliser? Tout ce qui concerne l interaction entre les usagers et le système [Dey, 2001] Comment doit-on le modéliser? Notre approche pour la spécification [Crowley et al., 2002]

30 Notre approche Modélisation du monde Dialogue Développeur Utilisateur Langage graphique Représentation prédicative Vision Buts Tâches Etats [Nilsson, 1982]

31 Points de vue Point de vue utilisateur: Monde: graphe d états Arcs: actions Activité: choix opportuniste des actions ( états buts) Plans Point de vue système: Monde: graphe d états Arcs: séquencement temporel des états Reconnaître un scénario. Activité: choix opportuniste des actions

32 Points de vue Point de vue utilisateur: Monde: graphe d états Arcs: actions Activité: choix opportuniste des actions ( états buts) Plans Point de vue système: Monde: graphe d états Arcs: séquencement temporel des états Reconnaître un scénario. Activité: choix opportuniste des actions

33 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

34 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

35 Modèle de contexte : PRIMA Entité Un ensemble de propriétés Rôle Prédicat Unaire Filtre d entités Exemple : Orateur(O)

36 Modèle de contexte : Prima (suite) Relation Prédicat n-aire Contraintes inter-entités Exemple : Proche(E 1,E 2 ) Situation Conjonction de Rôles et de Relations Les rôles sélectionnent les entités Les relations ajoutent des contraintes à cette sélection Exemple: Orateur(O) Ecran(E) Proche(O, E)

37 Modèle de contexte : Prima (suite) Relation Prédicat n-aire Contraintes inter-entités Exemple : Proche(E 1,E 2 ) Situation Conjonction de Rôles et de Relations Les rôles sélectionnent les entités Les relations ajoutent des contraintes à cette sélection Exemple: Orateur(O) Ecran(E) Proche(O, E)

38 Modèle de contexte : Prima (suite) Contexte (Scénario) Graphe de situations Liens = contraintes temporelles de Allen Comment sélectionner les situations clés? Impossibilité de tout décrire Contrainte de perception Etre guidé par les actions Quelles actions souhaite t on que le système déclenche? Dans quelles situations doit il les déclencher?

39 Modèle de contexte : Prima (suite) Contexte (Scénario) Graphe de situations Liens = contraintes temporelles de Allen Comment sélectionner les situations clés? Impossibilité de tout décrire Contrainte de perception Etre guidé par les actions Quelles actions souhaite t on que le système déclenche? Dans quelles situations doit il les déclencher?

40 Exemple : le scénariste

41 Approche l intelligence Ambiante Pro-Active

42 Représentationnel vs Interactionniste Peux t on spécifier le contexte en amont? Remise en cause de la vision plan de la cognition [Greenberg, 2001]: Action située, Théorie de l activité Action = résultat de l interaction de l individu et de son environnement Plan = ressource Remise en cause de la spécification en amont (vision statique) [Dourish, 2004]. Deux catégories de modèles: Représentationnel : quel aspect du monde représenter? Interactionniste : relation entre objets et activités

43 Représentationnel vs Interactionniste

44 Représentationnel vs Interactionniste

45 Représentationnel vs Interactionniste

46 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

47 Apprentissage automatique de rôles Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

48 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

49 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

50 Rôles l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Filtre basé sur les propriétés des entités Problème de catégorisation: Apprentissage non supervisé: (+) Facile à mettre en oeuvre (-) Plus difficile à interpréter Apprentissage supervisé: (+) Retour plus facile vers l utilisateur (-) Annotation de données

51 Apprentissage supervisé de rôles Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Approche générative Classification Bayesienne Mixture de gaussienne pour modéliser chaque classe (EM) Approche discriminative Support Vector Machine Noyau RBF

52 Expérimentation l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

53 Bilan l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Résultats légèrement supérieurs pour SVM Mais: Discriminatif: (+) Forte généralisation (-) Détection de nouvelles classes Génératif: (+) Détection de nouvelles classes Approche hybride:

54 Bilan l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Résultats légèrement supérieurs pour SVM Mais: Discriminatif: (+) Forte généralisation (-) Détection de nouvelles classes Génératif: (+) Détection de nouvelles classes Approche hybride:

55 Reconnaissance de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

56 Reconnaissance de scénarios Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Construire un détecteur: Vérifier que les événements perceptifs sont compatibles avec la spécification Pas de modèle de reconnaissance universel Passer facilement d un modèle à l autre (MDE): Tansformation Model 2 Model Transformation Model 2 Code

57 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Modèle de contexte réseau de Petri Transformation Model 2 Model

58 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Premier méta-modèle : réseau de Petri synchronisé Evénements pour contrôler les transitions Transition S1 S2: Règles de Petri Détection par la perception que: S1 n est plus valide S2 est valide Transformation Model 2 Code Génération de règles Jess

59 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Second méta-modèle: réseau de Petri flous

60 Réseau de Petri synchronisé Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Bien adapté pour une application mono-scénario Application multi-scénarios? Bibliothèque partielle Lequel ressemble le plus aux observations? Réseaux de Petri flous

61 Reconnaissance floue de scénarios Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Fuzzification des concepts du réseau de Petri Synchronisé Situation floue Transition floue Chaque situation détectée est une nouvelle preuve pour le scénario correspondant Fusion de preuves Mesure floue [Sugeno, 1977]: importance de la situation Intégrale floue [Grabish, 2006]: fusion des preuves partielles

62 Exemple l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

63 Apprentissage de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

64 Apprentissage de situations Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Données initiales : une séquence enregistrée de perception Processus en 3 étapes: 1 Découpage automatique de la séquence en segments 2 Nommage des segments par un expert 3 Apprentissage supervisé d un modèle de chaque situation identifiée

65 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Découpage automatique des séquences temporelles Histogramme = caractéristique de l activité sur un segment Objectif : trouver un découpage Séparant clairement les activités Maximisant la différence d histogrammes

66 Divergence de Jeffrey Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

67 Fusion l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

68 Nommage l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

69 Apprentissage l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

70 Exemple l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

71 Modèle attentionnel Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

72 Objectif l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Agent pro-actif action implicite Quand? Comment? Avec quelle conscéquence sur l attention? Objectif Rendre l attention explicite

73 Objectif l intelligence Ambiante Pro-Active Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Agent pro-actif action implicite Quand? Comment? Avec quelle conscéquence sur l attention? Objectif Rendre l attention explicite

74 Qu est ce que l attention? Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Un filtre: Evite d être submergé d événements perceptifs Permet de se concentrer sur une tâche particulière Filtrage partiel Attention = résistance à la distraction

75 Qu est ce que l attention? Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Un filtre: Evite d être submergé d événements perceptifs Permet de se concentrer sur une tâche particulière Filtrage partiel Attention = résistance à la distraction

76 Modèle attentionnel Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Deux composantes: Endogène: volontaire, intention Exogène: réflexe, perception Attention: Pinceau (direction + ouverture) Ressources limitées Représentation vectorielle Direction Norme = quantité de ressources

77 Métaphore gravitationnelle Apprentissage de rôles Reconnaissance de situations Modèle attentionnel Intention = Vitesse initiale (endogène) Perturbation = forces gravitationnelles (exogène) Masse = saillance (niveau d une sonnerie de téléphone... )

78 Matrice attentionnelle Apprentissage de rôles Reconnaissance de situations Modèle attentionnel

79 Point de vue utilisateur Adaptation supervisée de situations Apprentissage renforcé de situations

80 Adaptation supervisée de situations Adaptation supervisée de situations Apprentissage renforcé de situations

81 Adptation supervisée de situations Adaptation supervisée de situations Apprentissage renforcé de situations Utilisation de l application Enregistrement des événements Debreifing en fin de la journée:

82 Apprentissage renforcé Adaptation supervisée de situations Apprentissage renforcé de situations Apprentissage supervisé: Lourd à mettre en oeuvre Non interactif (corrections hors contexte) Apprentissage renforcé: Correction en ligne

83 Apprentissage renforcé Adaptation supervisée de situations Apprentissage renforcé de situations Exploration de grands espaces d états. Convergence lente Sollicitation importante et inopportune de l utilisateur final Apprentissage renforcé indirect Expériences simulées

84 Apprentissage renforcé indirect Adaptation supervisée de situations Apprentissage renforcé de situations Life Long Learning Enregistrement de l ensemble des événements perceptifs Apprentissage d un modèle du monde Apprentissage d un modèle de renforcement Exploitation des modèles pour la mise à jour de la politique Ré-injection de la nouvelle politique au sein de l agent

85 Exemple l intelligence Ambiante Pro-Active Adaptation supervisée de situations Apprentissage renforcé de situations

86 Sommaire l intelligence Ambiante Pro-Active 1 2 Apprentissage de rôles Reconnaissance de situations Modèle attentionnel 3 Adaptation supervisée de situations Apprentissage renforcé de situations 4

87 Informatique ambiante? Yesterday s tomorrow [Bell & Dourish, 2007] Depuis 15 ans: toujours repoussé à demain Vision initiale: infrastructure continue et sans heurt Réalité: fouillis Ne souhaitent pas une informatique transparente Ne cherchent pas à re-programmer [Mackay, 2007] Veulent garder le contrôle (pro-active?) [Rogers, 2006] Doit engager la créativité et l imagination des utilisateurs From Pro-Active computers to Pro-Active people

88 Direction l intelligence Ambiante Pro-Active Quel type d assistant? Concierge : localisé, partagé Ange gardien : personnel, privatif Ange gardien End user programming: Co-construction Intimate computing [Lamming & Flynn, 1994]

89

90 Abowd, Gregory D., Atkeson, Christopher G., Feinstein, Ami, Hmelo, Cindy, Kooper, Rob, Long, Sue, Sawhney, Nitin, & Tani, Mikiya Teaching and learning as multimedia authoring: the classroom 2000 project. Pages of: Proceedings of the fourth ACM international conference on Multimedia. Boston, Massachusetts, United States: ACM. Bell, Genevieve, & Dourish, Paul Yesterday s tomorrows: notes on ubiquitous computing s dominant vision. Personal Ubiquitous Comput., 11(2), Bellotti, Victoria, & Edwards, Keith Intelligibility and accountability: human considerations in context-aware systems. Hum.-Comput. Interact., 16(2), Cheverst, Keith, Byun, Hee, Fitton, Dan, Sas, Corina, Kray, Chris, & Villar, Nicolas Exploring Issues of User Model Transparency and Proactive Behaviour in an Office Environment Control System. User Modeling and User-Adapted Interaction, 15(3), Crowley, James, Coutaz, Joelle, Rey, Gaeten, & Reignier, Patrick Perceptual Components for Context Aware Computing. Pages of: UbiComp 2002: Ubiquitous Computing. Dey, Anind K Understanding and Using Context. Personal and Ubiquitous Computing, 5(1), 4 7. Dourish, Paul What we talk about when we talk about context. Personal Ubiquitous Comput., 8(1),

91 Grabish, Michel L utilisation de l intégrale de Choquet en aide multicritère à la décision. Newsletter of the European Working Group Multicriteria Aid for Decisions, 3(14). Greenberg, Saul Context as a Dynamic Construct. Human-Computer Interaction, 16, Kay, J., Kummerfeld, B., & Lauder, P Managing private user models and shared personas. Page 1 11 of: UM03 Workshop on User Modeling for Ubiquitous Computing. Lamming, M., & Flynn, M Forget-me-not: intimate computing in support of human memory. In: Proceedings FRIEND21 Symposium on Next Generation Human Interfaces. Mackay, Wendy Applications Domestiques. Pages of: Informatique Diffuse, Observatoire Français des Techniques Avancées. Série Arago 31. Maes, Pattie Agents that reduce work and information overload. Commun. ACM, 37(7), Mozer, Michael C The Neural Network House : An Environment that Adapts to its Inhabitants. Pages of: Proceedings of the American Association for Artificial Intelligence Spring Symposium on Intelligent Environments. Menlo Park, CA: AAAI Press.

92 Muir, Bonnie M., & Moray, Neville Trust in automation. Part II. Experimental studies of trust and human intervention in a process control simulation. Ergonomics, 39(3), 429. Nilsson, Nils J Principles of Artificial Intelligence. Springer. Rogers, Yvonne Moving on from Weiser s Vision of Calm Computing: Engaging UbiComp Experiences. Pages of: UbiComp 2006: Ubiquitous Computing. Schilit, B.N., & Theimer, M.M Disseminating active map information to mobile hosts. Network, IEEE, 8(5), Schmidt, Albrecht Interactive Context-Aware Systems Interacting with Ambient Intelligence. Chap. 9, page of: Riva, G., Vatalaro, F., Davide, F., & Alcaniz, M. (eds), Ambient Intelligence. IOS Press. Schmidt, Albrecht, Beigl, Michael, & w Gellersen, Hans There is more to Context than Location. COMPUTERS AND GRAPHICS, 23, Sugeno, M Fuzzy Automata and Descision Process. Chap. Fuzzy Measures and Fuzzy Integrals, pages

93 Want, Roy, Hopper, Andy, Falcão, Veronica, & Gibbons, Jonathan The active badge location system. ACM Trans. Inf. Syst., 10(1), Weiser, Mark The Computer for the 21st Century. Scientific American, février.

Intelligence Ambiante Pro-Active : de la Spécification à

Intelligence Ambiante Pro-Active : de la Spécification à Intelligence Ambiante Pro-Active : de la Spécification à l Implémentation Patrick Reignier To cite this version: Patrick Reignier. Intelligence Ambiante Pro-Active : de la Spécification à l Implémentation.

Plus en détail

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services 69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard

Plus en détail

Vers un nouveau paradigme d interaction humain-ordinateur porté

Vers un nouveau paradigme d interaction humain-ordinateur porté Vers un nouveau paradigme d interaction humain-ordinateur porté Nicolas Plouznikoff nicolas.plouznikoff_à_polymtl.ca Alexandre Plouznikoff alexandre.plouznikoff_à_polymtl.ca (étudiant au doctorat, génie

Plus en détail

Les sections 6 et 7. du ComitéNational de la RechercheScientifique

Les sections 6 et 7. du ComitéNational de la RechercheScientifique Les sections 6 et 7 du ComitéNational de la RechercheScientifique (CoNRS) Frédérique Bassino et Michèle Basseville Plan Le comité national Les missions des sections Les sections 6 et 7 Le comiténational

Plus en détail

Un compagnon virtuel d aide à la décision : Une structuration multi-échelle de la connaissance in-extenso d entreprise

Un compagnon virtuel d aide à la décision : Une structuration multi-échelle de la connaissance in-extenso d entreprise Un compagnon virtuel d aide à la décision : Une structuration multi-échelle de la connaissance in-extenso d entreprise M. A. DHUIEB a, F. LAROCHE a, A. BERNARD a a. Institut de Recherche en Communications

Plus en détail

Formation de recherche. Master MI (MoSIG), 2e année, spécialité Informatique UFRIMAG (UJF) & Ensimag (Grenoble INP)

Formation de recherche. Master MI (MoSIG), 2e année, spécialité Informatique UFRIMAG (UJF) & Ensimag (Grenoble INP) Formation de recherche Master MI (MoSIG), 2e année, spécialité Informatique UFRIMAG (UJF) & Ensimag (Grenoble INP) Massih-Reza Amini mars 2015 Qu est ce qu une thèse de doctorat? Un travail de 36 mois

Plus en détail

HR+ Pour une interaction Homme-Robot Autonome

HR+ Pour une interaction Homme-Robot Autonome HR+ Pour une interaction Homme-Robot Autonome Rachid Alami, LAAS/CNRS, Rachid.Alami@laas.fr Gérard Bailly, ICP/INPG bailly@icp.inpg.fr James L. Crowley, GRAVIR/INPG James.Crowley@inrialpes.fr Résumé Le

Plus en détail

CAPE: Context-Aware Agile Business Process Engine

CAPE: Context-Aware Agile Business Process Engine CAPE: Context-Aware Agile Business Process Engine Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand To cite this version: Irina Rychkova, Manuele Kirsch Pinheiro, Bénédicte Le Grand. CAPE: Context-Aware

Plus en détail

La sélection collaborative de pages Web pertinentes

La sélection collaborative de pages Web pertinentes Environnements Informatiques pour l Apprentissage Humain, Montpellier 347 La sélection collaborative de pages Web pertinentes Jérôme Dinet Université de Metz Equipe Transdisciplinaire sur l Interaction

Plus en détail

Reconnaissance d'activités en environnement intelligent. Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France

Reconnaissance d'activités en environnement intelligent. Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France Reconnaissance d'activités en environnement intelligent Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France Reconnaissance d'activités en environnement intelligent Dominique Vaufreydaz

Plus en détail

Initiation à la Programmation par l exemple : concepts, environnement, et étude d utilité

Initiation à la Programmation par l exemple : concepts, environnement, et étude d utilité Initiation à la Programmation par l exemple : concepts, environnement, et étude d utilité Nicolas Guibert, Laurent Guittet, Patrick Girard To cite this version: Nicolas Guibert, Laurent Guittet, Patrick

Plus en détail

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains Vincent DELCOURT ASC 1 Contexte: Introduction: Besoin Les actes de malveillance et les agressions sur le réseau SNCF

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

Planification dynamique de tâches par raffinement pour un robot dans un environnement ambiant Nathan Ramoly 2éme année de thèse JJCR 15 20/10/2015

Planification dynamique de tâches par raffinement pour un robot dans un environnement ambiant Nathan Ramoly 2éme année de thèse JJCR 15 20/10/2015 Planification dynamique de tâches par raffinement pour un robot dans un environnement ambiant Nathan Ramoly 2éme année de thèse JJCR 15 20/10/2015 1 Introduction: contexte Objectif: Collaboration robot/environnement

Plus en détail

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante

Un système multi-agents sensible au contexte pour les environments d intelligence ambiante sensible au contexte pour les Andrei Olaru Directeurs de thèse: Adina Magda Florea, AI-MAS Lab, UPB Amal El Fallah Seghrouchni, LIP6, UPMC 27062011 Rapport d avancement Paris, France, 27062011 0/ 13 Positionnement

Plus en détail

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome

Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome Modélisation agent d une Architecture Logicielle de commande d un Véhicule Autonome ENNAJI Mourad LASC université de Metz Ile du Saulcy B.P 80794 57 012 METZ Ennaji@lasc.sciences.univ-metz.fr Résumé Cet

Plus en détail

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

Plus en détail

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche

Réseau Sociaux Plan. 1. Historique. 2. Définition et fonctionnalités. 3. Usages actuels. 4. Tendances. 5. Problématiques de recherche Réseaux Sociaux Révolution des usages sur Internet, et nouvelles problématiques de recherche Pierre Maret, Laboratoire Hubert Curien, St-Etienne Adrien Joly, Alcatel-Lucent Bell Labs France, Villarceaux

Plus en détail

Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque

Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque Projet Siminthec Appel à projets Programme Habitat intelligent et solaire photovoltaïque Responsable Wurtz Etienne DR CNRS - CEA Présentation Wurtz Frédéric DR CNRS G2ELAB 1 Le projet ACRONYME Titre: SIMulation

Plus en détail

Cours 7: Conception des systèmes interactifs (partie 2)

Cours 7: Conception des systèmes interactifs (partie 2) Cours 7: Conception des systèmes interactifs (partie 2) Anastasia.Bezerianos@lri.fr (plusieurs slides sont basés sur des slides de T. Tsandilas, W. Mackay, M. Beaudouin Lafon, D. Vogel et S. Greenberg)

Plus en détail

Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires

Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires Adaptation dynamique de l interaction multimodale dans les environnements ubiquitaires Slim Ben Hassen Orange Labs Lannion, France slim.benhassen@orange.com Abstract Mariano Belaunde Orange Labs Lannion,

Plus en détail

Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA

Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz

Plus en détail

Thierry BELLET INRETS-LESCOT

Thierry BELLET INRETS-LESCOT Modélisation et simulation cognitive du conducteur automobile : De l analyse des représentations mentales à la simulation dynamique de la prise de décision Thierry BELLET INRETS-LESCOT Le programme COSMODRIVE

Plus en détail

Analyse qualitative et quantitative des Systèmes Automatisés de Production

Analyse qualitative et quantitative des Systèmes Automatisés de Production Analyse qualitative et quantitative des Systèmes Automatisés de Production Jean-Luc Cojan Laboratoire LISyC Université de Bretagne Occidentale Encadrants : M. Philippe Le Parc M. Loïc Plassart M. Franck

Plus en détail

Perspectives pour l entreprise. Desktop Cloud. JC Devos IBM IT Architect jdevos@fr.ibm.com. 2010 IBM Corporation

Perspectives pour l entreprise. Desktop Cloud. JC Devos IBM IT Architect jdevos@fr.ibm.com. 2010 IBM Corporation Perspectives pour l entreprise Desktop Cloud JC Devos IBM IT Architect jdevos@fr.ibm.com Principe technique Disposer d un poste de travail virtuel accessible par la plupart des terminaux disponibles Ce

Plus en détail

RAPPORT DE STAGE «FAIRE RESPECTER UNE PROPRIÉTÉ EXPRIMÉE SOUS FORME D AUTOMATE TEMPORISÉ»

RAPPORT DE STAGE «FAIRE RESPECTER UNE PROPRIÉTÉ EXPRIMÉE SOUS FORME D AUTOMATE TEMPORISÉ» Université Joseph Fourier Département Licence Sciences & Technologie RAPPORT DE STAGE «FAIRE RESPECTER UNE PROPRIÉTÉ EXPRIMÉE SOUS FORME D AUTOMATE TEMPORISÉ» VISAN Vlad Laboratoire d accueil : Verimag

Plus en détail

Concepts et langages du cadre RM-ODP de l'iso pour analyser et articuler les pratiques de projets libres de système de formation

Concepts et langages du cadre RM-ODP de l'iso pour analyser et articuler les pratiques de projets libres de système de formation Concepts et langages du cadre RM-ODP de l'iso pour analyser et articuler les pratiques de projets libres de système de formation Système de formation fédérant trois projets du logiciel libre (Moodle, OpenGLM

Plus en détail

Business Process Management

Business Process Management Alain Darmon Responsable Avant-Vente BPM, IBM 1 er mars 2011 Business Process Management Améliorez l agilité de l entreprise avec la gestion des processus métier Les processus sont partout! Ouverture de

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Prise de position de la section 7. travail sur une possible partition

Prise de position de la section 7. travail sur une possible partition Prise de position de la section 7 travail sur une possible partition Notre prise de position est structurée comme suit : dans une première partie, nous expliquons le contexte dans lequel notre travail

Plus en détail

LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE

LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE LE PROJET NEIMO : UNE PLATE-FORME MAGICIEN D'OZ MULTIMODALE Daniel Salber Laboratoire de Génie Informatique, IMAG B.P. 53 X, 38041 Grenoble Cedex Tél.: +33 76 51 44 40 E-mail: salber@imag.fr Résumé Le

Plus en détail

Comment rendre un site d e-commerce intelligent

Comment rendre un site d e-commerce intelligent Comment rendre un site d e-commerce intelligent Alexei Kounine CEO +33 (0) 6 03 09 35 14 alex@tastehit.com Christopher Burger CTO +49 (0) 177 179 16 99 chris@tastehit.com L embarras du choix Donner envie

Plus en détail

Francis JAMBON Laboratoire d Informatique de Grenoble

Francis JAMBON Laboratoire d Informatique de Grenoble Francis JAMBON Laboratoire d Informatique de Grenoble Mise en œuvre de l oculométrie dans différents contextes d usage Analyse ergonomique Tuteurs intelligents IHM adaptatives Interaction via le regard

Plus en détail

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents

Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Sujet de thèse Prise en compte des recommandations de l utilisateur dans les services numériques intelligents Directeur de thèse : Bruno Zanuttini GREYC, UMR 6072 UNICAEN/CNRS/ENSICAEN, équipe MAD Démarrage

Plus en détail

La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif?

La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif? La recherche d informations sur le Web par les lycéens : Pourquoi et comment faciliter le travail collaboratif? Jérôme Dinet* & Michèle Archambault** *Université Paul Verlaine Metz Equipe Transdisciplinaire

Plus en détail

Carole Adam Curriculum Vitæ détaillé

Carole Adam Curriculum Vitæ détaillé Carole Adam Curriculum Vitæ détaillé 1 Présentation Docteur-ingénieur en Informatique, je suis actuellement ATER (Attachée Temporaire d Enseignement et de Recherche). J enseigne à l ENSEEIHT (Ecole Nationale

Plus en détail

DEMARCHE OU PROCESSUS LOGICIEL

DEMARCHE OU PROCESSUS LOGICIEL DEMARCHE OU PROCESSUS LOGICIEL PROCESSUS LOGICIEL Définition Un processus définit une séquence d étapes, en partie ordonnées, qui concourent à l obtention d un système logiciel ou à l évolution d un système

Plus en détail

Visualisation d information

Visualisation d information Master SIAD 1 année Visualisation d information Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine/ Master SIAD 1 année Visualisation d information Chapitre 1.0 Introduction Quand voir, c est comprendre

Plus en détail

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg Séminaire de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg 1 Y. Azoz, L. Devi, and R. Sharma. Reliable of human arm dynamics by multiple

Plus en détail

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7

1-Introduction 2. 2-Installation de JBPM 3. 2-JBPM en action.7 Sommaire 1-Introduction 2 1-1- BPM (Business Process Management)..2 1-2 J-Boss JBPM 2 2-Installation de JBPM 3 2-1 Architecture de JOBSS JBPM 3 2-2 Installation du moteur JBoss JBPM et le serveur d application

Plus en détail

Traitement de l image

Traitement de l image Traitement de l image Vidéosurveillance + + Détection et reconnaissance d objets + + Suivi d objets et de personnes + + Analyse automatique de scènes Multimédia + + Classification interactive de données

Plus en détail

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006

Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 Il y a de l'ia dans les programmes de l'agence Nationale de la Recherche Bertrand Braunschweig Responsable de programmes Paris, 3 Novembre 2006 www.agence-nationale-recherche.fr Bref historique Un objectif

Plus en détail

SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne

SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne SONDY : une plateforme open-source d analyse et de fouille pour les réseaux sociaux en ligne Adrien GUILLE, C. Favre, Djamel Abdelkader Zighed To cite this version: Adrien GUILLE, C. Favre, Djamel Abdelkader

Plus en détail

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006 vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan

Plus en détail

Cours 7: Conception des systèmes interactifs (partie 1)

Cours 7: Conception des systèmes interactifs (partie 1) Cours 7: Conception des systèmes interactifs (partie 1) Anastasia.Bezerianos@lri.fr (plusieurs slides sont basés sur des slides de T. Tsandilas, W. Mackay, M. Beaudouin Lafon, D. Vogel et S. Greenberg)

Plus en détail

Approche dirigée par les modèles pour la spécification, la vérification formelle et la mise en œuvre des services Web composés

Approche dirigée par les modèles pour la spécification, la vérification formelle et la mise en œuvre des services Web composés Approche dirigée par les modèles pour la spécification, la vérification formelle et la mise en œuvre des services Web composés Christophe Dumez Laboratoire Systèmes et Transports (SeT) Université de Technologie

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric

Plus en détail

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite

Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur l'activité de conduite Institut français des sciences et technologies des transports, de l aménagement et des réseaux Nouveaux enjeux de recherche en sécurité routière liés à l'automatisation des véhicules : conséquences sur

Plus en détail

Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI

Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI Fouille de données spatiales Mr Dib Abderrahim & Dr Mohamed-Khireddine KHOLLADI Introduction On assiste de plus en plus à la création d entrepôts de données. Les raisons sont multiples : 1. le tout numérique

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

LAAS-CNRS LAAS-CNRS. Le Projet «ADREAM»

LAAS-CNRS LAAS-CNRS. Le Projet «ADREAM» LS-CNRS Le Projet «DREM» Jean rlat, Michel Diaz, Jean-Louis Sanchez LS-CNRS Michel.Diaz@laas.fr Mars 2011 Projet «DREM» rchitectures Dynamiques Reconfigurables de systèmes Embarqués utonomes Mobiles Projet

Plus en détail

INTERFACE D ÉDITION DE DOCUMENTS STRUCTURÉS MULTIMÉDIA

INTERFACE D ÉDITION DE DOCUMENTS STRUCTURÉS MULTIMÉDIA INTERFACE D ÉDITION DE DOCUMENTS STRUCTURÉS MULTIMÉDIA Nabil Layaida et Jean!Yves Vion!Dury Unité mixte Bull!IMAG/Systèmes. Z.I Mayencin, 2 Av. de Vignate, 38610 Gières. E!mail: {Nabil.Layaida, Jean!Yves.Vion!Dury}@imag.fr

Plus en détail

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI

Modalité de contrôle des connaissances Master 2 Informatique : spécialité IFI Modalité de contrôle des connaissances Master Informatique : spécialité IFI La deuxième année de la spécialité IFI est constituée de plusieurs parcours identifiés, chacun sous la responsabilité d un enseignant-

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Fabien BONNEFOI. Vérification Formelle des Spécifications de Systèmes Complexes Application aux Systèmes de Transport Intelligents 1/31

Fabien BONNEFOI. Vérification Formelle des Spécifications de Systèmes Complexes Application aux Systèmes de Transport Intelligents 1/31 Fabien BONNEFOI Vérification Formelle des Spécifications de Systèmes Complexes Application aux Systèmes de Transport Intelligents Soutenance de Thèse sous la direction de M. Fabrice KORDON Jury Mme. Béatrice

Plus en détail

Le Guide Pratique des Processus Métiers

Le Guide Pratique des Processus Métiers Guides Pratiques Objecteering Le Guide Pratique des Processus Métiers Auteur : Version : 1.0 Copyright : Softeam Equipe Conseil Softeam Supervisée par Philippe Desfray Softeam 21 avenue Victor Hugo 75016

Plus en détail

ANGULAR JS AVEC GDE GOOGLE

ANGULAR JS AVEC GDE GOOGLE ANGULAR JS AVEC GDE GOOGLE JUIN 2015 BRINGING THE HUMAN TOUCH TO TECHNOLOGY 2015 SERIAL QUI SUIS-JE? ESTELLE USER EXPERIENCE DESIGNER BUSINESS ANALYST BRINGING THE HUMAN TOUCH TO TECHNOLOGY SERIAL.CH 2

Plus en détail

Analyse,, Conception des Systèmes Informatiques

Analyse,, Conception des Systèmes Informatiques Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance

Plus en détail

Le recrutement CSI/LRDE

Le recrutement CSI/LRDE Le recrutement CSI/LRDE Otto Laboratoire de Recherche et Développement de l EPITA (LRDE) 10 déc 2007 (rév. 489) Otto (LRDE) CSI 10 déc 2007 1 / 32 Le recrutement CSI/LRDE 1 L option CSI 2 3 Otto (LRDE)

Plus en détail

Classification Automatique de messages : une approche hybride

Classification Automatique de messages : une approche hybride RECIAL 2002, Nancy, 24-27 juin 2002 Classification Automatique de messages : une approche hybride O. Nouali (1) Laboratoire des Logiciels de base, CE.R.I.S., Rue des 3 frères Aïssiou, Ben Aknoun, Alger,

Plus en détail

Complément - Comparaison entre le Concept paper et Mahara 1.8

Complément - Comparaison entre le Concept paper et Mahara 1.8 Complément - Comparaison entre le Concept paper et Mahara 1.8 D 1.5.3 Concept paper Annexe Auteurs: Johann Luethi, Nadia Spang Bovey Equipe projet: Emmanuel Fernandes, Céline Restrepo Zea, Patrick Roth,

Plus en détail

Accès personnalisé à l information

Accès personnalisé à l information Multimedia IR Modelling Group Accès personnalisé à l information (partie 1 : Introduction) Nathalie Denos Laboratoire d Informatique de Grenoble Equipe MRIM Projet Web Intelligence Réunion «Web et contexte»

Plus en détail

Objets futés et réalité de l Internet des objets

Objets futés et réalité de l Internet des objets Table ronde Société interactive : des hommes et des objets connectés Objets futés et réalité de l Internet des objets Jean Arlat [jean.arlat@laas.fr] Thomas Nicholls [thomas.nicholls@sigfox.com] www.laas.fr

Plus en détail

Plan de l UE. PARP63 : Interfaces Homme-Machine et Ergonomie du logiciel Cours #1 : La Conception d'interfaces

Plan de l UE. PARP63 : Interfaces Homme-Machine et Ergonomie du logiciel Cours #1 : La Conception d'interfaces PARP63 : Interfaces Homme-Machine et Ergonomie du logiciel Cours #1 : La Conception d'interfaces Plan de l UE! Introduction, définitions, technologie, historique! L interface graphique Xwindow (X11) "

Plus en détail

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits 1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag

Plus en détail

Quelles abstractions de contexte pour la construction d applications sensibles au contexte

Quelles abstractions de contexte pour la construction d applications sensibles au contexte Quelles abstractions de contexte pour la construction d applications sensibles au contexte Chantal Taconet & Zakia Kazi-Aoul Journée IDM/ADAPT 13/11/2008 Équipe MARGE Plan de la présentation 1 Introduction....................................................................

Plus en détail

Colloque SNR Avril 2014. Défis de la Société de l information et de la communication

Colloque SNR Avril 2014. Défis de la Société de l information et de la communication Colloque SNR Avril 2014 Défis de la Société de l information et de la communication Défis du numérique Une profonde rupture de civilisation Enjeux humains, sociaux et économiques majeurs Espoirs et inquiétudes

Plus en détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

Perception de l activité de l apprenant dans un environnement de formationsémantique du parcours de l apprenant

Perception de l activité de l apprenant dans un environnement de formationsémantique du parcours de l apprenant Perception de l activité de l apprenant dans un environnement de formationsémantique du parcours de l apprenant Nabila Bousbia, Jean-Marc Labat To cite this version: Nabila Bousbia, Jean-Marc Labat. Perception

Plus en détail

Analyse et développement de protocoles de communication pour un réseau social mobile

Analyse et développement de protocoles de communication pour un réseau social mobile Analyse et développement de protocoles de communication pour un réseau social mobile Christophe Berger - EPITA Promotion 2007 - Spécialisation CSI Stage effectué sous la direction de Naceur Malouch LIP6

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

TP10 Modélisation, simulation et vérification du «Priority Inheritance Protocol» en Kind2

TP10 Modélisation, simulation et vérification du «Priority Inheritance Protocol» en Kind2 École normale supérieure Année 2014-2015 Systèmes et réseaux TP10 Modélisation, simulation et vérification du «Priority Inheritance Protocol» en Kind2 1 Plan En suivant l exemple de Jahier, Halbwachs et

Plus en détail

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca Domaine de la modélisation des processus pour le génie logiciel. Noureddine Kerzazi noureddine.kerzazi@polymtl.ca DSL4SPM Domain-Specific-Language for Software Process Modeling Il s agit d un nouveau cadre

Plus en détail

11 Février 2014 Paris nidays.fr. ni.com

11 Février 2014 Paris nidays.fr. ni.com 11 Février 2014 Paris nidays.fr 1 Choisir la bonne architecture logicielle pour automatiser les systèmes de test Jérémy Charavet Ingénieur d Applications, National Instruments France Une architecture logicielle

Plus en détail

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Valérian Némesin, Stéphane Derrode, Institut Fresnel (UMR 7249) Ecole Centrale Marseille, Vidéo de l oeil 2 Sommaire 1.

Plus en détail

Aperçu général sur la technologie des Workflows

Aperçu général sur la technologie des Workflows Aperçu général sur la technologie des Workflows Zakaria Maamar Groupe Interfonctionnement Section Technologie des systèmes d'information Centre de recherches pour la défense Valcartier 2459 boul. Pie-XI

Plus en détail

RAPPORT DE STAGE Calcul parallèle sur GPU

RAPPORT DE STAGE Calcul parallèle sur GPU Université Joseph Fourier Département Licence Sciences & Technologie RAPPORT DE STAGE Calcul parallèle sur GPU D Aguanno Carlotta Laboratoire d accueil : INRIA Directeur du laboratoire : GROS Patrick Responsable

Plus en détail

INSTITUT NATIONAL DES LANGUES ET CIVILISATIONS ORIENTALES

INSTITUT NATIONAL DES LANGUES ET CIVILISATIONS ORIENTALES INSTITUT NATIONAL DES LANGUES ET CIVILISATIONS ORIENTALES LICENCE: LANGUES, CULTURES ET SOCIETES DU MONDE SPECIALITE : COMMUNICATION INTERCULTURELLE ET LANGUES DU MONDE (CILM) Design graphique et multimédia

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Interaction Homme/Machine Part. III

Interaction Homme/Machine Part. III Interaction Homme/Machine Part. III Notion d Interaction 3D multi-utilisateurs en RV et RA Samir OTMANE (PR UEVE), Frédéric DAVESNE (IGR UEVE) samir.otmane@ibisc.univ-evry.fr, frederic.davesne@ibisc.univ-evry.fr

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Programmation de services en téléphonie sur IP

Programmation de services en téléphonie sur IP Programmation de services en téléphonie sur IP Présentation de projet mémoire Grégory Estienne Sous la supervision du Dr. Luigi Logrippo Introduction La téléphonie sur IP comme support à la programmation

Plus en détail

Les Interacteurs Hiérarchisés 1

Les Interacteurs Hiérarchisés 1 Les Interacteurs Hiérarchisés 1 Une architecture orientée tâches pour la conception des dialogues. Patrick Girard, Guy Pierra, Laurent Guittet LISI, ENSMA, Site du Futuroscope - B.P. 109-86960 FUTUROSCOPE

Plus en détail

MODALITE DE CONTROLE DES CONNAISSANCES MASTER 2 INFORMATIQUE : SPECIALITE IFI

MODALITE DE CONTROLE DES CONNAISSANCES MASTER 2 INFORMATIQUE : SPECIALITE IFI MODALITE DE CONTROLE DES CONNAISSANCES MASTER INFORMATIQUE : SPECIALITE IFI La deuxième année de la spécialité IFI est constituée de plusieurs parcours identifiés, chacun sous la responsabilité d un enseignant-chercheur

Plus en détail

1 Introduction. 2 Contexte. 2.1 La réalité virtuelle

1 Introduction. 2 Contexte. 2.1 La réalité virtuelle ASSISTANCE COOPERATIVE POUR LA TELEOPERATION Nancy Rodriguez, Olivier Heguy, Jean-Pierre Jessel, Herve Luga IRIT 118 route de Narbonne 31400 Toulouse rodri, heguy, jessel, luga @irit.fr Résumé - Pour aider

Plus en détail

Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés. GéoEduc3D

Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés. GéoEduc3D Les enjeux de la mobilité et de la réalité augmentée dans les jeux éducatifs localisés Le projet de recherche GéoEduc3D Sylvain GENEVOIS Chargé d études et de recherche (INRP, équipe EducTice) Docteur

Plus en détail

Relever les défis des véhicules autonomes

Relever les défis des véhicules autonomes EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,

Plus en détail

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION

PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION PLATEFORME MÉTIER DÉDIÉE À LA PERFORMANCE DES INSTALLATIONS DE PRODUCTION KEOPS Automation Espace Performance 2B, rue du Professeur Jean Rouxel BP 30747 44481 CARQUEFOU Cedex Tel. +33 (0)2 28 232 555 -

Plus en détail

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels Introduction à l Intelligence Artificielle (L3) Agents rationnels vincent.risch@univ-amu.fr Merci (toujours) à Cyril Terrioux Plan 1 Introduction 2 définition d un agent 3 perception de l environnement

Plus en détail

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1

Iyad Alshabani SysCom - CReSTIC Université de Reims 17/02/2011 1 SysCom - CReSTIC Université de Reims 17/02/2011 1 Motivation Gestion des expérimentations Avec les workflows Simulation Simulation des Systèmes Distribués ANR USS SimGrid Campagne de Test et gestion de

Plus en détail

Accès au Contenu Informationnel pour les Masses de Données de Documents

Accès au Contenu Informationnel pour les Masses de Données de Documents Accès au Contenu Informationnel pour les Masses de Données de Documents Grappa LILLE 3 - UR Futurs INRIA MOSTRARE Laboratoire d Informatique de Paris 6 Laboratoire de Recherche en Informatique Orsay -

Plus en détail

Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI

Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI Centre d excellence GIS Intégrer la dimension géographique au cœur de votre SI Cantine Numérique, Open coffee Brest le 6 novembre 2013 David Talabardon david.talabardon@capgemini.com 06 83 58 05 51 Les

Plus en détail

Cartographie multirisques : une méthode semi-automatique

Cartographie multirisques : une méthode semi-automatique Cartographie multirisques : une méthode semi-automatique Yannick Manche Ingénieries EAT 1998 Risques naturels p 115 à 119 L étude des risques naturels est devenue une préoccupation majeure en France avec

Plus en détail

Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS. Tarak Chaari

Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS. Tarak Chaari FRE 2672 Adaptation d'applications à de nouveaux contextes d'utilisation: le projet SECAS Tarak Chaari INSA de Lyon Encadreurs: André Flory & Frédérique Laforest Laboratoire d'informatique en Image et

Plus en détail

Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision

Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision INSTITUT D ÉLECTRONIQUE ET DE TÉLÉCOMMUNICATIONS DE RENNES Architecture Reconfigurable Hétérogène à Gestion Hiérarchique Distribuée pour la Reconfiguration et la Prise de Décision dans les systèmes de

Plus en détail