====== Création de connaissance par un objet connecté sans capteurs, ni effecteurs ======

Supposons l'existence d'un objet connecté, faisant partit d'une société d'objets connectés,
n'ayant aucun capteurs ni effecteurs. Ainsi son avatar ne pourrait "connaître" le monde que 
par l'intermédiaire des autres avatars du système.

Le but étant que cet objet, ou plutôt son avatar, soit capable d'apprendre et de produire
des motifs comme tout autre avatar de la société.

===== Système d'apprentissage =====

==== Variables d'entrées ====

Bien que basé sur le modèle d'apprentissage constructiviste de [Mazac et al., 2015], l'avatar 
notre objet n'a pas accès à des entrées continues provenant de l'environnement (via des capteurs)
comme pour le modèle implémenté par [Mazac et al., 2015].

Ici, seul des évènements déjà observés par des systèmes extérieurs (càd par d'autres avatars de
la société), et identifiés comme viables et récurrents par ceux-ci.

Ainsi, chacune des variables d'entrées du système d'apprentissage de l'avatar de notre objet
correspondrait à un avatar de la société, et plus particulièrement à chaque //concept d'évènement//
reçu de l'avatar par le système d'apprentissage. Les agents du système d'apprentissage pouvant
se "désintéresser" d'une entrée si celle-ci n'est plus ou peu active (signifiant par exemple
que ce //concept d'évènement// n'est plus utilisé par l'avatar lié à cette entrée).

==== Variables de sorties ====

Le système d'apprentissage d'un avatar devant obtenir des informations d'autres avatars de la
société pour potentiellement apprendre de nouveaux pattern, il faut donc que chaque avatar
possède la capacité d'envoyer de l'information aux autres avatars du système.

Une possibilité est d'utiliser les variables internes d'un système d'apprentissage
comme des **flux RSS** sur lesquels pourraient se connecter les autres avatars de la
société, ou plutôt les agents de leur système d'apprentissage.

==== Agents du système d'apprentissage ====

=== Agents "Producteurs" ===

Les variables d'entrées du système d'apprentissage étant une connexion au flux RSS que
sont les variables "internes" des autres avatars, tout du moins dans la cas de notre 
objets sans capteurs, il semble logique de récupérer les agents **Association** du
modèle de [Mazac et al., 2015].

Ceux-ci prendrait comme élément de référence le //concept d'évènement// de la variable d'entrée,
et récupérant les //instances d'évènements// venant de ce flux.

Cependant il serait intéressant de garder des agents **Découper**, non pas pour créer des
instances d'évènements à partir d'une variable continue (rappelons que notre objet n'en est
pas pourvu), mais pour diviser une instance d'évènement en sous-évènements, pouvant servir
à créer de nouvelles associations.

Ainsi nous les agents découper pourraient se spécialiser en fonction de la variable
d'entrée à laquelle ils sont affectés :
  - L'affectation à une variable environnementale (càd capteur ou effecteur) entraînera la recherche d'un découpage adéquat à la nature continue de l'entrée.
  - L'affectation à une variable "interne" (ou flux RSS) entraînera un découpage en sous-instances d'évènement (variant entre un découpage nul et total).

=== Agents "Similarité" ===

Tout comme les agents **Association**, les agents **Similarité** seraient récupérés tel quels
du modèle de [Mazac et al., 2015].

Tout comme les couples qu'ils forment avec les agents **Association** et **Découper**.

==== Espace de marquage ====

Une autre représentation pouvant être récupérer du modèle de [Mazac et al., 2015] est son
système d'espace de marquage permettant aux couple {Producteur, Similarité} d'explorer plusieurs
possibilité de paramétrage et de marquer les résultats liés à un paramétrage.

{{wiki:hemis_marquage.png}}

Cependant, cet espace de marquage devra être spécifique aux échanges entre objets, car les
agents explorant cet espace de recherche devront changer de variable d'entrée autant que
de paramétrage. Ce qui devrait permettre, plus tard, de "sélectionner" les flux pertinents
"d'écouter", voir plus globalement, les avatars pertinents.

===== Problèmes =====

 -> Avec de telles variables d'entrées, le système d'apprentissage ne devrait-il pas connaitre toutes les "Flux RSS" disponible ?

De base le système ne peut connaitre tous les "flux RSS" disponible, simplement car pour chaque avatar son nombre de variable interne n'est pas fixe,
la seule connaissance de du système serait au départ les avatars auquel il est connecté. Nous pouvons imaginer un processus de "découverte" de flux 
pour un avatar donné et qui créerait une variable d'entrée pour chacun de ses flux. Sachant que les flux de sorties sont créés et entretenue par un système si 
le //concept d'évènement// qui lui est associé est stable, càd que les //instances// de cet évènements sont récurrentes.

 -> Comment évaluer la pertinence d'un flux, et plus globalement d'un autre avatar ?

 -> Comment évaluer la prédiction d'un motif, si ceux-ci prendre en compte plusieurs avatars ?

 -> Comment le flux d'un avatar peut aider l'apprentissage d'un autre ?


====== Références ======

[Mazac et al., 2015]  Mazac,  S.,  Armetta,  F.,  and  Hassas,  S.  (2015).   
//Approche décentralisée pour un apprentissage constructiviste en environnement
 continu  :  application  à  l'intelligence  ambiante.//   In
Journées  Francophones sur   les   Systèmes   Multi-Agents   (JFSMA),  
Rennes,   France.