Architectures de sélection d actions. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 1 / 101
|
|
- Luc Morneau
- il y a 8 ans
- Total affichages :
Transcription
1 Architectures de sélection d actions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 1 / 101
2 Plan Introduction 1 Introduction V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 2 / 101
3 Introduction Introduction Comment choisir une action qui va mener à l accomplissement des buts de l agent De manière autonome De manière réactive De manière pro-active Comment éviter les oscillations entre actions Architecture de Sélection d Actions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 3 / 101
4 Introduction suite Introduction Plusieurs techniques possibles dépendantes : du type d architecture des agents des applications V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 4 / 101
5 Part I Architecture BDI V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 5 / 101
6 Plan Introduction 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 6 / 101
7 Principes Introduction [Rao and Georgeff, 1995] L architecture BDI est issue de l étude philosophique du raisonnement pratique. Et consiste à décider à tout moment : Quoi faire, Comment le faire. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 7 / 101
8 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101
9 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. Les choix offerts sont fonctions de vos croyances (Beliefs). L option choisie devient une Intention. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101
10 Introduction suite Introduction Quand vous avez une décision à prendre vous examinez les choix qui s offrent à vous (les options ou Désirs) et vous en choisissez un dans lequel vous vous engagez. Les choix offerts sont fonctions de vos croyances (Beliefs). L option choisie devient une Intention. Tom a un final le lendemain. Il a le choix de faire la fête ou de rester chez lui pour bosser son examen. S il choisit de faire la fête il va s investir consciencieusement dans ce choix. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 8 / 101
11 Introduction suite Introduction Les hypothèses L intention mène à des actions. L agent va essayer d agir pour aboutir à la satisfaction de l intention. L intention va avoir une persistance dans le temps...mais pas trop. L intention est en lien avec mes croyances (Beliefs) futures. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 9 / 101
12 Introduction Introduction suite et fin En résumé [Wooldridge, 2003] Les intentions dirigent le raisonnement moyen-fins Les intentions contraignent les délibérations futures Les intentions persistent Les intentions influencent les croyances futures V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 10 / 101
13 Plan Logique modale pour agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 11 / 101
14 Logique modale pour agents BDI [Weiss, 1999] En logique classique la sémantique d une formule renvoit vraie ou faux. La logique modale propose d autre type de vérité comme il est possible que ou il est nécessaire que V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 12 / 101
15 CTL Logique modale pour agents BDI En fait on considère que la vérité d une formule dépend d un contexte qu on appelle monde possible Une des utilisations de ces mondes possibles est de les considérer comme un historique Logique du temps arborescent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 13 / 101
16 Logique modale pour agents BDI Quantificateurs de CTL Aφ sur toutes les branches φ Eφ sur certaines les branches φ V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 14 / 101
17 Logique modale pour agents BDI (Bel i φ) i croit que φ est vraie (Des i φ) i désire que φ est vraie (Int i φ) i a l intention de réaliser φ V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 15 / 101
18 Logique modale pour agents BDI Logique pour agents BDI (Des i φ) = (Bel i φ) (Int i φ) = (Des i φ) et donc (Int i φ) = (Bel i φ) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 16 / 101
19 Logique modale pour agents BDI B=Beliefs, D=Desire, I=Intention B relation d accessibilité des croyances ou opérateur modal. Pour chaque agent et chaque moment tout ce que l agent croit possible. D ou désirs associe à tout moment ce que veut l agent. Un agent a un désir φ a un moment ssi φ est vraie dans les mondes D-accessibles de l agent. I ou intentions associe à tout moment pour chaque agent les conditions vraies pour les futurs de l agent ce qui définit un ensemble de chemins sélectionnés/préférés. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 17 / 101
20 Plan Principes des agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 18 / 101
21 Principes des agents BDI Des croyances courantes (Beliefs) une fonction de révision des croyances (brf) une fonction de génération d options (options) des options courantes qui représentent les actions possibles une fonction de filtre qui représente le processus de délibération de l agent et qui calcule les intentions de l agent un ensemble d intentions courantes une fonction de sélection d actions (execute) qui détermine l action à exécuter en fonction des intentions courantes. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 19 / 101
22 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin Algorithme 1 : Algorithme naïf d un agent BDI V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 20 / 101
23 Exemple Principes des agents BDI Beliefs Desires Intentions exécuté accompli verre verre boire - - g-add(boire) verre boire { soda, - g-add(soda) boisson } aucunsoda boire - frigo frigo, g- add(boire) verre boire { boisson } prendreboisson prendreboisson boire - - boire boire V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 21 / 101
24 Principes des agents BDI Problèmes et hypothèses liés à l algorithme Les intentions posent le problème de comment les réaliser Les intentions fournissent un filtre pour adopter d autres intentions S il y a échec lors de la réalisation d une intention l agent retente Les agents croient que leurs intentions sont possibles E φ Les agents ne croient pas qu ils ne peuvent pas réussir leurs intentions A φ Les agents croient que sous certaines conditions ils peuvent réussir leurs intentions A φ Les agents ne s attendent pas à tous les effets de leur intention V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 22 / 101
25 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 23 / 101
26 Principes des agents BDI B:=B 0 ; I:=I 0 ; tant que True faire p:=getpercept(); B:=brf(B,p); D:=options(D,I); I:=filter(B,D,I); π:=plan(b,i); execute(π); fin tant que non vide(π) ou succès(i,b) ou impossible(i,b) faire α:=head(π); execute(α); π:=tail(π); p:=getpercept(); B:=brf(B,p); si reconsider(i,b) alors D:=options(π); I:=filter(B,D,I); si non sound(π,i,b) alors π:=plan(b,i); fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 23 / 101
27 Remarques Principes des agents BDI Architecture pour SMA cognitifs Comportements fortement prédictibles Problèmes de sémantique et d efficacité Complexité d analyse et conception V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 24 / 101
28 Plan Exemple d implémentation d agents BDI 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 25 / 101
29 IRMA Exemple d implémentation d agents BDI [Chaib-Draa, 2003] Une librairie de plans Beliefs ou croyances Desires sous forme de tâches Intentions sous-ensemble de désirs que l agent a choisi et sur lesquels il s est engagé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 26 / 101
30 Exemple d implémentation d agents BDI IRMA suite et fin un moteur d inférence pour raisonner sur le monde un analyseur moyen-fin détermine quels plans sont les mieux adaptés pour réaliser les intentions un analyseur d opportunité monitore l environnement et peut générer de nouvelles options un processus de filtrage détermine quelles options sont compatibles avec les intentions courantes un processus de délibération pour décider quelles sont les intentions à adopter V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 27 / 101
31 Plan Conclusion 2 Introduction 3 Logique modale pour agents BDI 4 Principes des agents BDI 5 Exemple d implémentation d agents BDI 6 Conclusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 28 / 101
32 Conclusion Conclusion Une des architectures agent les plus utilisés jusque là Lien intuitif avec actes de langages Formalisation de nombreux aspects V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 29 / 101
33 Part II Architectures modulaires V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 30 / 101
34 Plan Subsomption 7 Subsomption 8 Architecture ANA de P. Maes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 31 / 101
35 Subsomption [Brooks and Connell, 1986] Architecture modulaire verticale Interaction par rapport dominance/dominé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 32 / 101
36 Subsomption Dominant Stimulus Dominé Réponse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 33 / 101
37 Subsomption éviter les obstacles Stimulus se rapprocher du but Réponse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 34 / 101
38 Exemple de genghis Subsomption [Brooks, 1989] V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 35 / 101
39 Subsomption Architecture de genghis Se Lever Marche Simple 2Balance Perceptions Hauteur Patte Moustaches 6Balance Explorer Suiveur Commande V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 36 / 101
40 Plan Architecture ANA de P. Maes 7 Subsomption 8 Architecture ANA de P. Maes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 37 / 101
41 Définitions Architecture ANA de P. Maes [Maes, 1989] Définition Un module i est défini par un quadruplet (c i, a i, d i, α i ). Où c i est une liste de pré-conditions à remplir avant d activer le module a i et d i sont les effets attendus du module sous la forme de listes d ajouts et de retraits α i est le niveau d activation du module. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 38 / 101
42 Définitions Architecture ANA de P. Maes Il y a un arc successeur d un module x vers un module y pour tout p a x c y Il y a un arc prédecesseur d un module x vers un module y pour tout p c x a y il y a un arc inhibiteur d un module x à un module y pour tout p c x d y V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 39 / 101
43 Architecture ANA de P. Maes Principes : activation Activation par les perceptions : ajout d énergie aux modules qui matchent partiellement l état de l environnement Activation par les buts : ajout d énergie aux modules qui accomplissent un des buts de l agent (add-list) Inhibition par buts protégés : on enlève de l énergie à un module si un des buts déjà réalisé fait partie de sa liste des retraits (delete-list) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 40 / 101
44 Architecture ANA de P. Maes Principes : propagation Activation des successeurs : on augmente l énergie des successeurs d un module actif Activation des prédecesseurs : on augmente l énergie des prédecesseurs d un module non actif Inhibition des modules conflictuels : chaque module diminue l énergie des modules qui sont en conflit avec lui V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 41 / 101
45 Algorithme Architecture ANA de P. Maes tant que True faire Impacter niveaux d action par env et buts ; Propagation d énergie par les arcs du graphe; Dégrader énergie; si 1 module exécutable et niveau d énergie seuil d activation alors ce module devient actif; remise à 0 du niveau d énergie de ce module; si deux modules répondent à ces conditions alors choix aléatoire; remise à 0 du niveau d énergie de ce module; si aucun module alors seuil diminué de 10% fin V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 42 / 101
46 Architecture ANA de P. Maes Paramètres globaux θ : le seuil pour qu un module devienne actif φ : l énergie qu une proposition vraie observée injecte dans le réseau γ : l énergie qu un but injecte dans le réseau δ : l énergie qu un but protégé enlève du réseau V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 43 / 101
47 Exemple Architecture ANA de P. Maes Soit un robot avec deux mains qui doit se peindre lui-même avec un spray et poncer une planche. Une fois peint le robot n est plus opérationnel. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 44 / 101
48 Architecture ANA de P. Maes Exemple suite PICK-UP-SPRAYER condition-list : sprayer-somewhere hand-is-empty add-list : sprayer-in-hand delete-list : sprayer-somewhere hand-is-empty PICK-UP-SANDER condition-list : sander-somewhere hand-is-empty add-list : sander-in-hand delete-list : sander-somewhere hand-is-empty PICK-UP-BOARD condition-list : board-somewhere hand-is-empty add-list : board-in-hand delete-list : board-somewhere hand-is-empty V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 45 / 101
49 Architecture ANA de P. Maes Exemple suite put down sprayer put down sander put down board predecesseur pick up sprayer pick up sander pick up board inhibiteur spray paint self sand board in hand place board in vise sand board in vise V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 46 / 101
50 Conclusion Architecture ANA de P. Maes Architecture de sélection d actions connectioniste et délibérative Apprentissage des paramètres possible Problème de choix entre actions avec niveau d énergie équivalent Difficulté de prise en compte de buts multiples V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 47 / 101
51 Part III Systèmes Auto-organisé V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 48 / 101
52 Plan Introduction 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 49 / 101
53 Introduction Apparition dynamique de structures intéressantes Etat stable vus comme des solutions (ECO-résolution) Modélisation intentionnelle on va provoquer l émergence de structures organisationnelles pertinentes V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 50 / 101
54 Introduction suite Introduction Plusieurs niveaux d interprétation/modélisation nécessaire pour expliquer l émergence en terme d organisations. Les choses n existent que de la façon dont on les perçoit à une certaine échelle. B. Mandelbrot V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 51 / 101
55 Plan SMA Holonique 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 52 / 101
56 SMA Holonique Définition structures naturelles ou artificielles qui ne sont ni touts ni parties au sens absolu. (Kostler, 1967) Chaque holon peut être composé d un ensemble de sous-holons et/ou être membre d un holon qui le contient Cette holarchie définit une structure organisationnelle apte à réagir de manière dynamique aux changements de l environnement Chaque holon utilise au mieux les ressources et répond au mieux aux buts du système V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 53 / 101
57 Exemple SMA Holonique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 54 / 101
58 Exemple suite SMA Holonique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 55 / 101
59 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101
60 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101
61 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion Groupes modérés V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101
62 Structure d un holon SMA Holonique Framework générique Comment les sous-holons sont organisés pour former un super-holon? trois solutions [Gerber et al., 1999] Fusion Groupes modérés Fédération V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 56 / 101
63 SMA Holonique Framework générique [Rodriguez et al., 2003] Standalone : initialisation, un holon tout seul Head : représentant d un holon à l extérieur, gère le holon Part : membre d un holon Multipart : membre de plusieurs holons V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 57 / 101
64 SMA Holonique Framework générique : structure Framework générique V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 58 / 101
65 Interactions inter-holons SMA Holonique Framework générique Fusion Standalone 1 * Head > merge <accept refuse V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 59 / 101
66 Interactions intra-holon SMA Holonique Framework générique Holon Management Multipart * 1 Head 1 Part * V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 60 / 101
67 Satisfactions SMA Holonique Framework générique Self Satisfaction (SS i ) produite pour un holon i par ses actions. Collaborative Satisfaction (CSi H ) produite pour un holon i par ses collaboration avec les autres membres du super-holon H. Accumulative Satisfaction (AS i ) produite pour un holon i par ses collaborations avec les membres des super-holons. AS i = CS p i p superholon(i) p (1) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 61 / 101
68 Satisfactions (suite) SMA Holonique Framework générique Instant Satisfaction (IS i ) Current satisfaction of holon i CS i + SS i R i = Part Head i HMAS IS i = AS i + SS i R i = MultiPart SS i R i = Stand Alone (2) R i : role joué par le holon i. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 62 / 101
69 Dynamique des rôles SMA Holonique Framework générique Stand Alone [ SS < NS ] Head [ SS < NS ] [ LS > SS or REJECTED ] [ ( SS < NS ) and ( SS > Head.SS ) ] Fusioning [LS < SS] Part V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 63 / 101
70 SMA Holonique Framework générique : affinité Framework générique Critère de décision pour le choix du holon avec qui fusioner Heuristique pour l émergence de structures organisationnelles Attirance/complémentarité de services/ressources V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 64 / 101
71 Le maillage adaptatif SMA Holonique Exemple : le maillage adaptatif V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 65 / 101
72 SMA Holonique Exemple : adaptation du framework Exemple : le maillage adaptatif Satisfaction NS = couverture maximale des stations émettrices SS = ressource d un holon Head.SS = ressource d une maille V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 66 / 101
73 SMA Holonique Exemple : adaptation du framework Exemple : le maillage adaptatif Affinité Affinité liée à la distance (contrainte géométrique) On conserve des mailles convexes Affinité liée à la ressource (couverture) On tente d obtenir des mailles de ressource homogène V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 67 / 101
74 SMA Holonique Exemple : le maillage adaptatif Head Parts Holon trying to fusion Acceptance distance Average Distance V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 68 / 101
75 Conclusion SMA Holonique Conclusion Framework générique pour SMA auto-organisés Difficulté de conception de la distance et du paramétrage des satisfactions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 69 / 101
76 Plan Système immunitaire 9 Introduction 10 SMA Holonique Framework générique Exemple : le maillage adaptatif Conclusion 11 Système immunitaire Introduction Réseau idéotypique Structures Exemple : robots footballeurs 12 Sélection par clonage Conclusion 13 Conclusion générale V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 70 / 101
77 Vue calculatoire du SI Système immunitaire Introduction [Farmer et al., 1986] parallèle, distribué, système complexe (non prévisible). V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 71 / 101
78 Principes généraux Système immunitaire Introduction Collectif : La réponse du SI est collective c est l anticorps dont le paratope correspond le mieux à l épitope de l antigène. Auto-régulé : au travers de stimulation-inhibition la population d anticorps évolue selon les agressions. Auto-organisation : la structure du SI varie selon les évolutions de l environnement. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 72 / 101
79 Mécanismes de base Système immunitaire Introduction Le SI fonctionne selon trois grands principes Reconnaissance (intrus/non intrus) Apprentissage Mémoire associative V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 73 / 101
80 Comment ça marche? Système immunitaire Introduction Système Immunitaire au repos Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101
81 Comment ça marche? Système immunitaire Introduction Antigen Un Antigène arrive Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101
82 Comment ça marche? Système immunitaire Introduction Antigen l Antigène est reconnu (self/non self) Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101
83 Comment ça marche? Système immunitaire Introduction Antigen Antibody 3 Mémoire Associative Antibody 1 Antibody 2 Antibody 3 Antibody 3 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101
84 Comment ça marche? Système immunitaire Introduction Immune System au repos et amélioré (apprentissage) Antibody 1 Antibody 2 Antibody 3 V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 74 / 101
85 Réseau idéotypique Système immunitaire Réseau idéotypique [Jerne, 1974] Les anticorps communiquent par des liens de stimulation-inhibition et identifie les intrusions (antigènes) L idéotope d un anticorps est reconnu par les autres anticorps comme un antigène. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 75 / 101
86 Système immunitaire Réseau idéotypique de Jerne Structures [Watanabe et al., 1999] Antigen epitope B Cell 3 B Cell 2 idiotope 3 paratope 3 B Cell 1 idiotope 2 paratope 2 idiotope 1 Stimulation paratope 1 Suppression V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 76 / 101
87 Système immunitaire Mécanisme d adaptation Structures Mécanisme d auto-régulation. Maintenance d un ensemble approprié de cellules. Optimisation de la réaction à l environnement. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 77 / 101
88 Comportement du SI Système immunitaire Structures [Watanabe et al., 1999] Bone marrow Immune Network remove natural death incorporation new antibody proliferation V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 78 / 101
89 Système immunitaire Structures Résolution par Auto-organisation Emerged service idiotypic network=h agent B agent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 79 / 101
90 Structure des agents Système immunitaire Structures [Watanabe et al., 1999] précondition attributs, code, données, comportement Paratope Spécification de l agent références au à d autres B-Agent à stimuler ou inhiber avec le degré correspondant (affinité) Idéotope V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 80 / 101
91 Structure du SMA Système immunitaire Structures [Suzuki and Yamamoto, 2000] Antibody 1 paratope behaviour m1i mi1 Antibody 1 paratope behaviour Antibody j paratope behaviour mji Antibody i paratope behaviour mik Antibody k paratope behaviour Antibody N Antibody M paratope behaviour mni Antigen 1 mim paratope behaviour V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 81 / 101
92 Méchanisme d affinités Système immunitaire Structures Ab i est choisit, {Ab j1,..., Ab jn } sont sélectionnés Ab i reçoit des récompenses : les affinités de {Ab j1,..., Ab jn } avec Ab i augmentent Ab i reçoit des pénalités : les affinités de Ab i avec {Ab j1,..., Ab jn } augmentent V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 82 / 101
93 Calcul de l affinité Système immunitaire Structures m 12 = T p Ab1 + T Ab2 r T Ab2 Ab1 (3) is the number of times penalty reinforcement signals were received when Ab1 was selected. T Ab1 p is the number of times reward reinforcement signals were received when Ab2 was selected. T Ab2 r TAb1 Ab2 is the number of times both, Ab1 and Ab2, have reacted to specific antigens. V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 83 / 101
94 Système immunitaire Calcul de la concentration Structures da i (t) dt = (α 1 N N m ji a j (t) α 1 M j=1 M m ik a k (t) + βm i k i )a i (t) k=1 stimulation par anticorps ayant une affinité positive inhibition par anticorps ayant une affinité négative m i =0 1 (stimulé ou non) facteur de dissipation V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 84 / 101
95 Système immunitaire Structures Calcul de la concentration (suite) La valeur calculée est rapporté à un intervalle [0,1] a i (t) = exp(0.5 A i (t)) V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 85 / 101
96 Scénario Système immunitaire Structures ImmuneSystem Antibody environmentanalysis() *antigens() stimulationtest() *[stimulated]broadcast() sendconcentration() computeconcentration() choosewinningantibody() execute() behavior() analyseaction() *reinforcement() updateaffinities() Figure: Séquence typique d interactions V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 86 / 101
97 Principes généraux Système immunitaire Exemple : robots footballeurs Equipe Affectation role Role Affectation objectif Mouvement V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 87 / 101
98 SI de bas niveau Système immunitaire Exemple : robots footballeurs Quelques anticorps : Paratope Spécification de l agent AimFront MoveFront ObstacleLeft MoveFront ObstacleRight TurnLeft Idéotope V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 88 / 101
99 SI de niveau moyen Système immunitaire Exemple : robots footballeurs defense far defense far defense far Figure: Examples of medium level antibodies Precondition Behavior Affinities defense-far NorthEast Table: Medium level immune system antibody example V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 89 / 101
100 SI de haut niveau Système immunitaire Exemple : robots footballeurs Precondition Behavior Affinities TeamInControl and (BallZone goalkeeper, near-defender, =1 or BallZone=2 or Ball- midfielder, left-attacker, rightattacker Zone=3) Table: High level immune system antibody example V. Hilaire () Intelligence Artificielle Distribuée & Systèmes Multi-Agents IA54 90 / 101
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 détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailSystème immunitaire artificiel
République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieure Université des Sciences et de la Technologie D Oran Mohammed Boudiaf (USTO) Faculté des Sciences Département d Informatique
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailIntelligence 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 détailCurriculum Vitae. 1 Etat civil. 2 Diplômes. 3 Thèse. 4 Publications. 4.1 Publications dans des revues ou chapitres de livres
Curriculum Vitae 1 Etat civil Nom : Hilaire Prénom : Vincent Date et lieu de naissance : 15/12/1972 à Béziers (34) Situation de famille : marié e-mail : vincent.hilaire@utbm.fr 2 Diplômes Baccalauréat
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailProgrammation 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 détailLaboratoire 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 détailProgrammation 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 détailRé-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules
Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules M. Shawky, K. Chaaban, P. Crubillé Heudiasyc UMR 6599 CNRS, Univ. Tech. De Compiègne 1 ADAS (Advanced Driving Aid System) Reactive
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailIngénierie et gestion des connaissances
Master Web Intelligence ICM Option Informatique Ingénierie et gestion des connaissances Philippe BEAUNE Philippe.Beaune@emse.fr 18 novembre 2008 Passer en revue quelques idées fondatrices de l ingénierie
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détailMailCube MC 2. 2,5 jours / homme / an. 33 milliards de kwh. 17 millions de. 3,1 millions de. nouvelle génération. Le spam en quelques chiffres :
Le spam en quelques chiffres : Pour faire face à cet afflux de courriers électroniques non désirés Vade Retro Technology lance une nouvelle génération de sa solution appliance MailCube. Le nouveau boîtier
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailCOR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR
COR-E : un modèle pour la simulation d agents affectifs fondé sur la théorie COR SABRINA CAMPANO DIRECTION: NICOLAS SABOURET ENCADREMENT : NICOLAS SABOURET, VINCENT CORRUBLE, ETIENNE DE SEVIN SOUTENANCE
Plus en détailOptimisation grâce aux Systèmes Immunitaires Artificiels
Optimisation grâce aux Systèmes Immunitaires Artificiels Mokhtar GHARBI Professeur encadrant : Vincent RODIN CERV : Centre Européen de Réalité Virtuelle EA 3883 EBV Ecosystémique et Biologie Virtuelles
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailBrève introduction à la recherche d!information sur le Web à base d!agents logiciels
Plan Brève introduction à la recherche d!information sur le Web à base d!agents logiciels Bernard ESPINASSE Université d!aix-marseille 2010 Rappels sur les agents logiciels Problématique de la RI sur le
Plus en détailFrancis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) IFT702 Planification en intelligence artificielle
Francis BISSON (06 794 819) Kenny CÔTÉ (06 836 427) Pierre-Luc ROGER (06 801 883) PLANIFICATION DE TÂCHES DANS MS PROJECT IFT702 Planification en intelligence artificielle Présenté à M. Froduald KABANZA
Plus en détailRÉSUMÉ DE THÈSE. L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile
RÉSUMÉ DE THÈSE L implantation des systèmes d'information (SI) organisationnels demeure une tâche difficile avec des estimations de deux projets sur trois peinent à donner un résultat satisfaisant (Nelson,
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailL évaluation de la performance de la communication media
L évaluation de la performance de la communication media Pascal ROOS Enseignant en BTS Management des Unités Commerciales Lycée Edmond Rostand, Saint Ouen l Aumône (95) «Je sais qu un dollar de publicité
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailLa plate-forme DIMA. Master 1 IMA COLI23 - Université de La Rochelle
La plate-forme DIMA Master 1 IMA COLI23 - Université de La Rochelle DIMA Bref aperçu Qu'est-ce? Acronyme de «Développement et Implémentation de Systèmes Multi-Agents» Initié par Zahia Guessoum et Jean-Pierre
Plus en détailSystèmes Multi-Agents : Modélisation et simulation informatique de comportements collectifs. Chapitre III
Systèmes Multi-gents : Modélisation et simulation informatique de comportements collectifs Chapitre III Différentes approches de Conception et applications Introduction Les différents concepts Cheminement
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailIntelligence Artificielle et Robotique
Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailModèle multi-agents de prise de décision éthique
Équipe Modèles, Agents, Décision Laboratoire GREYC CNRS UMR 6072 Université de Caen Basse-Normandie ENSICAEN Boulevard du Maréchal Juin CS 14 032, 14 032 Caen Cedex 5 Tel. : +33 (0)2 31 56 74 84 Fax :
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailEfficient Object Versioning for Object- Oriented Languages From Model to Language Integration
Efficient Object Versioning for Object- Oriented Languages From Model to Language Integration Pluquet Frédéric July, 3rd 2012 Etude de techniques efficaces de versionnement d objets pour les langages orientés
Plus en détailSolution A La Gestion Des Objets Java Pour Des Systèmes Embarqués
International Journal of Engineering Research and Development e-issn: 2278-067X, p-issn: 2278-800X, www.ijerd.com Volume 7, Issue 5 (June 2013), PP.99-103 Solution A La Gestion Des Objets Java Pour Des
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailJOURNÉE THÉMATIQUE SUR LES RISQUES
Survol de Risk IT UN NOUVEAU RÉFÉRENTIEL DE GESTION DES RISQUES TI GP - Québec 2010 JOURNÉE THÉMATIQUE SUR LES RISQUES 3 mars 2010 - Version 4.0 Mario Lapointe ing. MBA CISA CGEIT mario.lapointe@metastrategie.com
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailUn 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 détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailFrank LASCK. Courriel : f.lasch@montpellier-bs.com Fonction : Professeur. Biographie
Frank LASCK Courriel : f.lasch@montpellier-bs.com Fonction : Professeur Biographie Frank Lasch, professeur en entrepreneuriat, a rejoint le Groupe Sup de Co Montpellier Business School en septembre 2003
Plus en détailComplexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux
Complexité et auto-organisation chez les insectes sociaux Guy Theraulaz Centre de Recherches sur la Cognition Animale CNRS, UMR 5169, Toulouse, France Marathon des Sciences XXIII ème Festival d Astronomie,
Plus en détailEditing and managing Systems engineering processes at Snecma
Editing and managing Systems engineering processes at Snecma Atego workshop 2014-04-03 Ce document et les informations qu il contient sont la propriété de Ils ne doivent pas être copiés ni communiqués
Plus en détailRelever 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- 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailPropriétés du Document EMA. Résumé
Propriétés du Document Source du Document FSN OpenPaaS Titre du Document Définition et exploitation d un référentiel de processus collaboratifs : Rapport de synthèse quant aux référentiels existants Module(s)
Plus en détailNormes de référence. Comparaison. Commande cognitive Sentiments épistémiques Incarnés dépendants de l activité
Séminaire Sciences Cognitives et Education 20 Novembre 2012 Collège de France L importance de la Métacognition: Joëlle Proust Institut Jean-Nicod, Paris jproust@ehess.fr http://joelleproust.org.fr Plan
Plus en détailNouveaux 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 détailMéthodologie d amélioration du développement logiciel chez ABB
Software Méthodologie d amélioration du développement logiciel chez ABB Stig Larsson, Peter Kolb Le logiciel joue un rôle phare dans la réussite d ABB. Il investit les produits ABB et est source de valeur
Plus en détailHaka : un langage orienté réseaux et sécurité
Haka : un langage orienté réseaux et sécurité Kevin Denis, Paul Fariello, Pierre Sylvain Desse et Mehdi Talbi kdenis@arkoon.net pfariello@arkoon.net psdesse@arkoon.net mtalbi@arkoon.net Arkoon Network
Plus en détailUrbanisation de système d'information. PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations
Urbanisation de système d'information PLM 6 (Product Lifecycle Management) Collaboration et partage d'informations Gestion de données techniques et Gestion électronique de documents Diversité des modalités
Plus en détailL hypertexte, le multimédia, c est quoi?
L hypertexte, le multimédia, c est quoi? Hervé Platteaux Centre NTE et Département de pédagogie Université de Fribourg Cours de pédagogie - Second cycle Session du 29 octobre 2001 Selon vous, l hypertexte
Plus en détailSynergies 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 détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailChapitre III Le phénotype immunitaire au cours de la vie
Chapitre III Le phénotype immunitaire au cours de la vie Le phénotype immunitaire d un individu caractérise sa capacité à répondre, grâce aux effecteurs de l immunité adaptative, aux différents agents
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailCURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE
CURRENT UNIVERSITY EDUCATION SYSTEM IN SPAIN AND EUROPE 1 st Cycle (1 Ciclo) (I livello) DEGREE (Grado) 240 ECTS (European Credit Transfer System) credits* over four years of university study). The equivalent
Plus en détailLa nouvelle dimension de l analyse acoustique et vibratoire
La nouvelle dimension de l analyse acoustique et vibratoire HEAD Gallery Des fonctions innovantes intégrées dans une technologie de pointe ArtemiS suite est la solution logicielle intégrée de HEAD acoustics
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détail17/07/2013. Décisionnel dans le Nuage. Laboratoire ERIC. Section 1. Équipe d Accueil 3083. Décisionnel dans le Nuage.
Master 2 FDGC-ECD Année 203-204 Laboratoire ERIC Équipe d Accueil 3083 et Jérôme Darmont eric.univ-lyon2.fr/~jdarmont/ Section Décisionnel dans le Nuage 2 Le meilleur des mondes Du décisionnel à papa datawarehousing0.wikispaces.com
Plus en détailAnalyse,, 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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailNotes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence
Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence Gwenole Fortin To cite this version: Gwenole Fortin. Notes de lecture : Dan SPERBER & Deirdre WILSON, La pertinence. 2006.
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailEnvironnement Architecture de controle. Décisions
Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,
Plus en détailÉvaluation d une architecture de stockage RDF distribuée
Évaluation d une architecture de stockage RDF distribuée Maeva Antoine 1, Françoise Baude 1, Fabrice Huet 1 1 INRIA MÉDITERRANÉE (ÉQUIPE OASIS), UNIVERSITÉ NICE SOPHIA-ANTIPOLIS, I3S CNRS prénom.nom@inria.fr
Plus en détailLes systèmes de gestion de version
Les systèmes de gestion de version Matthieu Herrb Envol 2010 http://homepages.laas.fr/matthieu/talks/envol10-sgv.pdf Systèmes de gestion de version - kesako? Logiciel permettant de gérer l historique des
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailL Excellence Achats et l Evaluation 360
L Excellence Achats et l Evaluation 360 Comment développer et transformer une organisation Achats pour des performances exceptionnelles? Comment pouvons-nous continuer à développer les Achats afin qu'ils
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailAudition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI. Guillaume Lozenguez.
Audition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI Guillaume Lozenguez Chercheur post-doctorant, École Normale Supérieure de Lyon, CNRS Doctorat en cotutelle
Plus en détailLe bilan neuropsychologique du trouble de l attention. Ania MIRET Montluçon le 4-12- 2009
Le bilan neuropsychologique du trouble de l attention Ania MIRET Montluçon le 4-12- 2009 Introduction L attention est une fonction de base dont l intégrité est nécessaire au bon fonctionnement cognitif
Plus en détailVérification formelle de la plate-forme Java Card
Vérification formelle de la plate-forme Java Card Thèse de doctorat Guillaume Dufay INRIA Sophia Antipolis Cartes à puce intelligentes Java Card : Environnement de programmation dédié. Dernières générations
Plus en détailIntegrated Music Education: Challenges for Teaching and Teacher Training Presentation of a Book Project
Integrated Music Education: Challenges for Teaching and Teacher Training Presentation of a Book Project L enseignement intégré de la musique: Un défi pour l enseignement et la formation des enseignants
Plus en détailICA Congress, Brisbane 2012 Thème général : Les temps qui changent. La confiance et les archives*
ICA Congress, Brisbane 2012 Thème général : Les temps qui changent. La confiance et les archives* Titre : Un résumé de la pratique archivistique internationale adaptée au niveau local : manuel pratique
Plus en détailPensezdifféremment: la supervision unifiéeen mode SaaS
Pensezdifféremment: la supervision unifiéeen mode SaaS Web-séminaire Bull-CA Technologies 25 Mars 2014 2014 CA. All rights reserved. Agenda Introduction : pourquoi la supervision unifiée? Pourquoi le SaaS?
Plus en détailSIP. Plan. Introduction Architecture SIP Messages SIP Exemples d établissement de session Enregistrement
SIP Nguyen Thi Mai Trang LIP6/PHARE Thi-Mai-Trang.Nguyen@lip6.fr UPMC - M2 Réseaux - UE PTEL 1 Plan Introduction Architecture SIP Messages SIP Exemples d établissement de session Enregistrement UPMC -
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
Plus en détailGénie Logiciel avec Ada. 4 février 2013
Génie Logiciel 4 février 2013 Plan I. Généralités II. Structures linéaires III. Exceptions IV. Structures arborescentes V. Dictionnaires I. Principes II. Notions propres à la POO I. Principes Chapitre
Plus en détailComportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource
Comportements Individuels Adaptatifs dans un Environnement Dynamique pour l'exploitation Collective de Ressource Intelligence Artificielle Située, Cerveau, corps et environnement, Drogoul A. & Meyer J-A.
Plus en détailGRIDKIT: Pluggable Overlay Networks for Grid Computing
GRIDKIT: Pluggable Overlay Networks for Grid Computing Paul Grace, Geoff Coulson, Gordon Blair, Laurent Mathy, Wai Kit Yeung, Wei Cai, David Duce, Chris Cooper Computing Department, Lascaster University
Plus en détailrecommandation Domaine : Informatique, Intelligence Artificielle, Modélisation de préférences
Modélisation des utilisateurs atypiques dans les systèmes de recommandation Directeur de thèse : Anne BOYER Si le directeur de thèse n'apparait pas dans le menu déroulant, vous pouvez indiquer cette information
Plus en détailGroupe Eyrolles, 2004 ISBN : 2-212-11504-0
Groupe Eyrolles, 2004 ISBN : 2-212-11504-0 Table des matières Avant-propos................................................ 1 Quel est l objectif de cet ouvrage?............................. 4 La structure
Plus en détailUtilisation de l ingénierie des modèles pour la conception collaborative de produits mécaniques
Utilisation de l ingénierie des modèles pour la conception collaborative de produits mécaniques Mathias Kleiner Laboratoire des Sciences de l Information et des Systèmes (LSIS) - UMR CNRS 7296 Projet Ingenierie
Plus en détailArchitecture distribuée
Architecture distribuée Conception et développement d algorithmes distribués pour le moteur Baboukweb Jean-Christophe DALLEAU Département de Mathématiques et Informatique Université de La Réunion 26 juin
Plus en détailSECTION 5 BANQUE DE PROJETS
SECTION 5 BANQUE DE PROJETS INF 4018 BANQUE DE PROJETS - 1 - Banque de projets PROJET 2.1 : APPLICATION LOGICIELLE... 3 PROJET 2.2 : SITE WEB SÉMANTIQUE AVEC XML... 5 PROJET 2.3 : E-LEARNING ET FORMATION
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailConcevoir des supply chains résilientes
Concevoir des supply chains résilientes Karine Evrard Samuel CERAG UMR 5820 Université de Grenoble, France Définition de la résilience appliquée aux supply chains La résilience est la capacité à revenir
Plus en détailPremière partie: Restitution + Compréhension (08 points)
Lycée M hamdia Année scolaire : 2011/2012 Prof : Saïd Mounir Date : 17/05/2012 Première partie: Restitution + Compréhension (08 points) EXERCIE N O 1: (4 points) : 1 : a-b 2 : b 3 : a-b 4 : d 5 : d 6 :
Plus en détailCURRICULUM VITAE. Informations Personnelles
CURRICULUM VITAE Informations Personnelles NOM: BOURAS PRENOM : Zine-Eddine STRUCTURE DE RATTACHEMENT: Département de Mathématiques et d Informatique Ecole Préparatoire aux Sciences et Techniques Annaba
Plus en détail1. Formation F5 - Local Traffic Manager Configuring (LTM)
Description F5 F5 Networks, Inc. (NASDAQ: FFIV) est une entreprise informatique américaine fondée en 1996 établie à Seattle qui commercialise des équipements réseau. Dans les années 1990, la société a
Plus en détailInterministerial crisis management and operational centre - COGIC
Interministerial crisis management and operational centre - COGIC Situation One Ops Center among many others. For protection civil in priority... Permanent information of the Ministry of the interior and
Plus en détail