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

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

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

Partie 1 :! Conception centrée utilisateur apports de la psychologie!

Partie 1 :! Conception centrée utilisateur apports de la psychologie! Partie 1 :! Conception centrée utilisateur apports de la psychologie! Laurence Nigay! laurence.nigay@imag.fr! Equipe Ingénierie de l Interaction Homme-Machine Page 1 Il était une fois l IHM...! Douglas

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

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

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

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

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

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

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

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

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

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique.

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Mathias PAULIN LIRMM (CNRS, Univ. Montpellier II) 161

Plus en détail

FILIÈRE METHODOLOGIE & PROJET

FILIÈRE METHODOLOGIE & PROJET FILIÈRE METHODOLOGIE & PROJET 109 Gestion de projet METHODOLOGIE ET PROJET Durée 3 jours Conduite de projet COND-PRO s Intégrer les conditions de réussite d une démarche de management par projet. Impliquer

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

Pilotez, ajustez et optimisez votre portefeuille de projets

Pilotez, ajustez et optimisez votre portefeuille de projets Pilotez, ajustez et optimisez votre portefeuille de projets Intervenants 2 octobre 2014 Marianne Delétang Consultante Sénior Atos Grégory Sabathé Responsable Marketing NQI La solution web collaborative

Plus en détail

Règles d affaires. éponse informatique inc. www.reponse.ca. Critères de qualité de toutes spécifications

Règles d affaires. éponse informatique inc. www.reponse.ca. Critères de qualité de toutes spécifications Règles d affaires éponse informatique inc. 1 Critères de qualité de toutes spécifications IEEE830-1998 Recommended Practice for Software Requirements Specifications Une spécification doit être: Correcte,

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

M1if22 - Logiciels éducatifs Conception & rôle de l enseignant

M1if22 - Logiciels éducatifs Conception & rôle de l enseignant M1if22 - Logiciels éducatifs Conception & rôle de l enseignant Stéphanie Jean-Daubias Stephanie.Jean-Daubias@liris.univ-lyon1.fr http://liris.cnrs.fr/stephanie.jean-daubias/ Plan du cours Méthodologies

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

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

une SOluTION basée SuR un modèle POuR PRévOIR le TRaFIc en TemPS Réel

une SOluTION basée SuR un modèle POuR PRévOIR le TRaFIc en TemPS Réel Comment anticiper le temps réel? Une solution basée sur un modèle pour prévoir le trafic en temps réel PTV Optima est la clé pour une gestion du trafic réussie. Cette solution basée sur un modèle propose

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

Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre)

Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre) Tifaifai : Conception de Nouveaux Espaces d Interactions (pour Apprendre) Florent Carlier - Valérie Renault Maîtres de Conférences Université du Maine Centre de Recherche en Education de Nantes - CREN

Plus en détail

Cours de Génie Logiciel

Cours de Génie Logiciel Cours de Génie Logiciel Sciences-U Lyon Diagrammes UML (2) http://www.rzo.free.fr Pierre PARREND 1 Avril 2005 Sommaire Les Diagrammes UML Diagrammes de Collaboration Diagrammes d'etats-transitions Diagrammes

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_SPEC_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche d analyse et de conception objet ainsi les activités liées. Auteur Eric PAPET

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

Table des matières CHAPITRE I : LA COOPERATION INTERENTREPRISES...13 INTRODUCTION...13

Table des matières CHAPITRE I : LA COOPERATION INTERENTREPRISES...13 INTRODUCTION...13 3 Table des matières INTRODUCTION GENERALE...8 1. CONTEXTE ET CADRE DE LA RECHERCHE...8 2. OBJECTIF ET APPROCHE...9 3. ENONCE DU PLAN DE LA THESE...10 PARTIE I : CADRE THEORIQUE ET ETAT DE L ART...12 CHAPITRE

Plus en détail

Quelques éléments sur la conception et l ingénierie des EIAH

Quelques éléments sur la conception et l ingénierie des EIAH Quelques éléments sur la conception et l ingénierie des EIAH Lium Université du Maine Pierre.Tchounikine@lium.univ-lemans.fr EIAH : définition EIAH = Environnement Informatique pour l Apprentissage Humain

Plus en détail

TOGAF & MODELIO La phase préliminaire

TOGAF & MODELIO La phase préliminaire Plan du chapitre Master Informatique et Systèmes Urbanisation des Systèmes d Information Architecture d Entreprise 06 Urbanisation et Architecture d Entreprise en pratique : TOGAF et MODELIO 1 2 3 4 5

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

Apprendre avec les TICE? Projet de recherche PluriFormation (PPF) Une approche pluridisciplinaire Alain Mille Journées Eductice 14-15 mai 2009

Apprendre avec les TICE? Projet de recherche PluriFormation (PPF) Une approche pluridisciplinaire Alain Mille Journées Eductice 14-15 mai 2009 Apprendre avec les TICE? Projet de recherche PluriFormation (PPF) Une approche pluridisciplinaire Alain Mille Journées Eductice 14-15 mai 2009 Plan de l exposé Apprendre avec les TICE? Les questions qui

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

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

L Intelligence Artificielle

L Intelligence Artificielle Conférence L Intelligence Artificielle Taalabi M. 30/04/2004 Intelligence Artificielle 1 Historique Définition Paradigmes Systèmes experts Concevoir un système expert Système à Inférence floue Applications

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

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

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

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

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

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

Environnement de conception de Learning Games

Environnement de conception de Learning Games Environnement de conception de Learning Games Journée de travail sur la conception des jeux sérieux, 5 octobre 2011, Paris UMR 5205 Introduction Journée de travail sur la conception des jeux sérieux, 5

Plus en détail

Mélanges de gaussiennes distribués et incrémentaux

Mélanges de gaussiennes distribués et incrémentaux Mélanges de gaussiennes distribués et incrémentaux CRP Gabriel Lippmann, Luxembourg Pierrick Bruneau Plan Introduction Algorithme EM Variationnel Bayesien pour les GMM Estimation automatique de la complexité

Plus en détail

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée

Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée Colloque : Systèmes Complexes d Information et Gestion des Risques pour l Aide à la Décision Le pilotage des collaborations et l interopérabilité des systèmes d information Vers une démarche intégrée BELKADI

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

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

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

L'analyse conceptuelle assistée par ordinateur et les humanités numériques. Louis Chartrand

L'analyse conceptuelle assistée par ordinateur et les humanités numériques. Louis Chartrand L'analyse conceptuelle assistée par ordinateur et les humanités numériques Louis Chartrand Plan I. Les humanités digitales II. La LACTAO III. Expérimentations Partie I Les humanités digitales (vues par

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

L SIO I N O 3 & & PE P R E S R PE P C E TIV I ES E

L SIO I N O 3 & & PE P R E S R PE P C E TIV I ES E INTRODUCTION SOMMAIRE 1 Modélisation de processus et Workflows 2 - Méthodes et outils pour la Modélisation de processus Workflows 3 Notions de flexibilité et d adaptabilité dans les WorkFlow CONCLUSION

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

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

INTRODUCTION à Microsoft Dynamics CRM 2015

INTRODUCTION à Microsoft Dynamics CRM 2015 INTRODUCTION à Microsoft Dynamics CRM 2015 Durée : 2 jours A propos de ce cours Ce cours mené par un formateur constitue une introduction à Microsoft Dynamics CRM 2015. Le cours se concentre sur l interface

Plus en détail

L école de la facilitation - Bordeaux Formation certifiante de «Facilitateur du travail d équipe» Programme détaillé des modules

L école de la facilitation - Bordeaux Formation certifiante de «Facilitateur du travail d équipe» Programme détaillé des modules L école de la facilitation Bordeaux Formation certifiante de «Facilitateur du travail d équipe» Programme détaillé des modules La facilitation vise à : Valoriser les potentiels de chacun, développer la

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

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

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

La gestion du poste de travail en 2011 : Panorama des technologies

La gestion du poste de travail en 2011 : Panorama des technologies La gestion du poste de travail en 2011 : Panorama des technologies François Clémence C.R.I Université Paul Verlaine Metz UFR Sciences Humaines et Arts clemence@univ-metz.fr Olivier Mathieu C.R.I Université

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

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

Le cloud computing c est pour moi?

Le cloud computing c est pour moi? Le cloud computing c est pour moi? Hackfest 2011 OPTIMIZED 4 novembre 2011 - Version 1.0 Mario Lapointe ing. MBA CISA CGEIT mario.lapointe@metastrategie.com Votre conférencier Mario Lapointe ing. MBA CISA

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

Forum AMOA ADN Ouest. Présentation du BABOK. 31 Mars 2013 Nadia Nadah

Forum AMOA ADN Ouest. Présentation du BABOK. 31 Mars 2013 Nadia Nadah Forum AMOA ADN Ouest Présentation du BABOK 31 Mars 2013 Nadia Nadah Ce qu est le BABOK Ce que n est pas le BABOK Définition de la BA - BABOK version 2 Le processus de Business Analysis La structure du

Plus en détail

Modélisation objet Le langage UML

Modélisation objet Le langage UML Modélisation objet Le langage UML Brahim HAMID La base de contrôle Robot Zone à explorer brahim.hamid@irit.fr brahim.hamid@univ-tlse2.fr http://mass-cara.univ-tlse2.fr/~brahimou/ens/uml 1 Les méthodes

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

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

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

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

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

Modélisation Principe Autre principe

Modélisation Principe Autre principe Modélisation Principe : un modèle est une abstraction permettant de mieux comprendre un objet complexe (bâtiment, économie, atmosphère, cellule, logiciel, ). Autre principe : un petit dessin vaut mieux

Plus en détail

Synergies entre Artisan Studio et outils PLM

Synergies entre Artisan Studio et outils PLM SysML France 13 Novembre 2012 William Boyer-Vidal Regional Sales Manager Southern Europe Synergies entre Artisan Studio et outils PLM 2012 2012 Atego. Atego. 1 Challenges & Tendances Complexité des produits

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

connecting events with people

connecting events with people connecting events with people Surycat est la plateforme de connectivité intelligente pour les systèmes de notification. Surycat apporte une intelligence nouvelle aux applications critiques, tout en préservant

Plus en détail

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get.

Recherche d informations et veille marketing. Beth Krasna 17.10.2003. What you mean is what you get. Recherche d informations et veille marketing Beth Krasna 17.10.2003. Le Cycle de Connaissance KM Adapter Organiser Utiliser Collaboration Publier Analyser Collecter MI Données Information Connaissance

Plus en détail

Présentation de la plateforme d analyse linguistique médiévale

Présentation de la plateforme d analyse linguistique médiévale Présentation de la plateforme d analyse linguistique médiévale 1. Introduction Tout au long de ce document, notre projet sera présenté à travers la méthodologie suivie pour développer la plateforme d analyse

Plus en détail

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK

- Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK ArchiMate et l architecture d entreprise Par Julien Allaire Ordre du jour Présentation du langage ArchiMate - Couches - Éléments - Domaines - ArchiMate et les techniques du BABOK Présentation du modèle

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

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques

Nouvelles de l AS fouille d images. Émergence de caractéristiques sémantiques Nouvelles de l AS fouille d images Émergence de caractéristiques sémantiques Patrick GROS Projet TEXMEX IRISA - UMR 6074, CNRS, université de Rennes 1, INSA Rennes, INRIA L AS fouille d images Qu est-ce

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

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

Monitoring SIP traffic using Support Vector Machines

Monitoring SIP traffic using Support Vector Machines Monitoring SIP traffic using Support Vector Machines Mohamed Nassar, Radu State, Olivier Festor To cite this version: Mohamed Nassar, Radu State, Olivier Festor. Monitoring SIP traffic using Support Vector

Plus en détail

Génie logiciel (Un aperçu)

Génie logiciel (Un aperçu) (Un aperçu) (sommerville 2010) Laurent Pérochon INRA URH 63122 St Genès Champanelle Laurent.perochon@clermont.inra.fr Ensemble d activités conduisant à la production d un logiciel Sur un échantillon de

Plus en détail

Remédiation Neuropsychologique Théorie et pratique. Jérôme BIANCHI Neuropsychologue CE.R.T.A et Exercice en libéral

Remédiation Neuropsychologique Théorie et pratique. Jérôme BIANCHI Neuropsychologue CE.R.T.A et Exercice en libéral Remédiation Neuropsychologique Théorie et pratique Jérôme BIANCHI Neuropsychologue CE.R.T.A et Exercice en libéral Pour plus d informations 1. En théorie Plan 2. En pratique 3. Et l écologie dans tout

Plus en détail

Schéma National de Formation des Sapeurs-Pompiers

Schéma National de Formation des Sapeurs-Pompiers Schéma National de Formation des Sapeurs-Pompiers Direction de la Défense et de la Sécurité Civiles - Sous-Direction des Services de Secours et des Sapeurs-Pompiers - DDSC 9 - JANVIER 99 Date de mise à

Plus en détail

Environnements de Développement

Environnements de Développement Institut Supérieur des Etudes Technologiques de Mahdia Unité d Enseignement: Environnements de Développement Mme BEN ABDELJELIL HASSINE Mouna m.bnaj@yahoo.fr Développement des systèmes d Information Syllabus

Plus en détail

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle

Plus en détail

Vous avez une ambition

Vous avez une ambition Etre capable de concevoir et réaliser une formation digitale Vivre une expérience de formation riche et innovante compatible avec votre agenda professionnel Valoriser vos nouvelles compétences par un diplôme

Plus en détail

Modèles et Architecture d une Mémoire d Annotation context-aware pour l Enseignant

Modèles et Architecture d une Mémoire d Annotation context-aware pour l Enseignant Modèles et Architecture d une Mémoire d Annotation context-aware pour l Enseignant Abdelaziz OUADAH 1, Faiçal AZOUAOU 1, Cyrille DESMOULINS 2 1 Ecole nationale Supérieure en Informatique (E.S.I) Oued Smar

Plus en détail

VISUBAT Votre partenaire BIM

VISUBAT Votre partenaire BIM VISUBAT Votre partenaire BIM MODÉLISATION BIM - AUDIT DE STRUCTURE - BIM MANAGER - BIM COORDINATEUR - AMO BIM - ACCOMPAGNEMENT des entreprises - MISE À NIVEAU de projets - SERVICE D ANALYSE du modele BIM

Plus en détail

Une introduction à l intelligence artificielle

Une introduction à l intelligence artificielle Une introduction à l intelligence artificielle Jean-Paul Haton Institut Universitaire de France LORIA/INRIA- Université de Lorraine Séminaire Espé DANE 13 janvier 2016 1 Plan de l exposé 2 the conjecture

Plus en détail

Conception d un micro éditeur d encre électronique et Embarquement d un système de reconnaissance d écriture manuscrite sur Téléphone mobile

Conception d un micro éditeur d encre électronique et Embarquement d un système de reconnaissance d écriture manuscrite sur Téléphone mobile Conception d un micro éditeur d encre électronique et Embarquement d un système de reconnaissance d écriture manuscrite sur Téléphone mobile Eric Anquetil, François Bouteruche IRISA INSA de Rennes Campus

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

1 sur 12 25/08/2014 16:37

1 sur 12 25/08/2014 16:37 Nous contacter 01 53 63 37 87 ok qui sommes nous consulting agile formations gestion de projet certifications PMI CONSULTING & ACCOMPAGNEMENT Conduite de projets CENTRE DE FORMATION DEPUIS 1986 Formations

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

Le SI et ses utilisa-tueurs Perspectives sur la stratégie IT des organisations à l heure du Cloud Computing

Le SI et ses utilisa-tueurs Perspectives sur la stratégie IT des organisations à l heure du Cloud Computing Le SI et ses utilisa-tueurs Perspectives sur la stratégie IT des organisations à l heure du Cloud Computing Sébastien Tran ISC Paris Emmanuel Bertin Orange Labs Telecom SudParis introduction évolution

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

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

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

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