Ce scénario reprend le principe de flux d'instances d'évènements entre les différents avatars définit dans une réflexion sur la création de pattern pour un objet sans capteur.
Dans une même pièce se trouve :
Billy, notre utilisateur, se lève et se rend dans son bureau. Faisant encore nuit, Billy allume la lumière, il est 6h.
Vers 8h Billy sait qu'il fait jour dehors, il éteint donc la lumière et ouvre en grand les stores électrique de sa fenêtre.
Ceux-ci reste ouvert jusqu'à ce que, vers 19h, Billy se rende compte que le soleil se couche. Billy allume donc la lumière de son bureau, puis ferme les stores.
Billy reste ensuite dans son bureau jusqu'à 22h, il éteint alors la lumière avant de partir.
(oui, Billy travaille beaucoup plus qu'il ne le devrait).
L'action se déroule dans le bureau de notre utilisateur, Billy, et ce durant plusieurs semaines.
Au départ de ce scénario, les avatars n'ont pas encore identifiés de pattern récurrents, il n'existe donc pas encore de variables internes (ou de flux d'instances), uniquement des variables d'entrées continues correspondant aux capteurs et actionneurs des objets.
En se basant sur les actions de Billy, décrites précédemment, nous pouvons supposer que les variables d'entrée du système d'objets connectés varieraient, plus ou moins, comme présenté sur les graphiques ci-dessous.
Le but étant de voir comment le système d'éclairage et le store pourraient arriver à faire la relation entre la levée du store et l'augmentation de luminosité, via leurs échanges.
Nous allons voir dans cette partie le fonctionnement du système d'apprentissage, en prenant le point de vue de l'avatar du système d'éclairage.
Le système d'apprentissage est basé sur un système multi agents qui arriveront, par leurs interactions, d'extraire des motifs pertinents pour les interactions des avatars entre eux.
De plus il utilise un système de flux d'évènements lui permettant d'échanger des informations avec les systèmes d'apprentissages des autres avatars de la société (ici le store).
Le système multi agents d'apprentissage implémente des agents différencié en trois rôles :
Ainsi les agents du système d'apprentissage fonctionnent toujours en Couples Producteur-Similarité.
L'apprentissage de la découpe d'une variable d'entrée est implémenté par un couple D-S. Leurs interactions, dont nous allons voir le fonctionnement, permet de connaître la “pertinence” du découpage d'une variable en particulier. Ils font varier leurs paramètres en explorant l'espace de marquage vu précédemment.
L'agent Découper d'un couple D-S associé à la variable V2:2 a pour paramètre un Δt qui est la taille de la fenêtre de découpe.
L'agent Découper va alors parcourir la variable d'entrée en faisant “glisser” sa fenêtre de découpe le long des variations. La fenêtre peut être simplement glissante, ou bien glissante et suivant les variations de la variable d'entrée, comme sur l'image ci-dessus.
La portion découpée par l'agent Découper est alors représenté sous la forme d'un histogramme.
Les histogrammes produit par l'agent Découper sont alors récupéré par l'agent Similarité qui lui associé.
Celui ci compare les nouvelles instances d'évènement avec ceux qu'il a stocké précédemment, ou plutôt avec l'histogramme représentant la moyenne de chaque groupe d'instances similaires. Cette “moyenne” peut être considéré comme un pré-concept d'évènement.
La fonction de comparaison utilisée pour différencier les instances découpées en une fonction d'intersection entre les deux histogrammes représentant les instances.
Ainsi l'agent Similarité du couple D-S “rangera” les nouvelles instances d'évènements avec celles qui lui sont le plus similaire, modifiant par la même la moyenne de ce groupe d'instance. Si aucun groupe n'est trouvé pour une instance, alors un nouveau lui correspondant sera créé.
Les paramètres des agents Similarité est leur seuil de similarité, c'est à dire le seuil qui leur fait dire si oui ou non deux instances sont similaires.
Déterminer l'intérêt d'associer un flux à un autre est la fonction des couples A-S. Les couples A-S de type Explorateur se déplaçant et marquant l'intérêt des paramètres testés dans l'espace de marquage.
L'agent Association d'un couple A-S prend pour référence le flux (interne ou externe) au quel il est affecté dans l'espace de marquage. Les paramètres de l'agent Association étant les autres flux auquel il tente d'associer son flux de référence.
Un agent Association créé donc des motifs basés sur une association d'un évènement e1 et d'un évènement e2, puis créé des instances de ce motif à chaque fois que des instances de e1 et e2 sont captées, toujours une de chaque, une puis l'autre, séparé d'un certain Δt pouvant être nul (voir négatif).
Tout comme pour le couple D-S précédemment présenté, l'agent Similarité va comparer et trier les différentes instances de l'association.
La similarité entre deux associations est calculé par rapport à la différence entre les Δt de chaque associations. L'agent Similarité d'un couple A-S “rangera” donc les instances produite par l'agent Association selon leurs Δt.
<note> TODO : image/illustration </note>
A partir des éléments de la section précédente, décrivant les agents et les couples d'agents, nous pouvons décrire les choix des paramètres de ces agents comme l'exploration d'un espace en trois dimensions par les couples d'agents.
Ces trois dimensions représentent :
Cet espace en trois dimensions sert de “mémoire” au couples du même type qui le marque pour se “souvenir” des paramètres potentiellement intéressants pour une variable ou un flux, à la manière d'un dépôt de phéromones. Il existe donc un espace de marquage par type de couple (voir plus si certains agents implémente plusieurs fonctions différentes, ex. deux espaces pour les couple D-S si les agents Découper ont deux fonctions de découpe possibles).
Pour les espaces de marquage, les couples d'agents se différencient en deux types : les Explorateurs et les Exploiteurs.
Comme leurs nom l'indique, ceux sont les couples “bougeant” le plus dans l'espace de marquage, afin de déterminer rapidement quels sont les paramètres les plus pertinents pour une variable donnée.
Les Explorateurs commencent par se fixer à une position fortement marquée (ou aléatoire si aucun marquage), puis se déplacent en “spiral” jusqu'à trouver une place libre.
Alors ils testent les paramètres un certain temps, marque l'emplacement de l'intérêt maximum trouvé, puis se redéplacent.
Ce type de couple se fixe sur les emplacements les plus marqués, peuvent se déplacer légèrement autour et se “téléporter” d'un emplacement pertinent à un autre.
Les Exploiteurs continue de marquer l'intérêt de l'emplacement, les couples A-S y rajoute un marquage de prédiction, permettant de donner plus de poids à un emplacement.
Dans la section précédente nous avons parlé du marquage d'un intérêt dans l'espace de marquage. Celui-ci est calculé à partir d'un feedback d'intérêt dont se sert les agents Similarité pour classer les instances d'évènement en groupe, chaque groupe ayant un intérêt, c'est l'intérêt maximum qui est marqué dans l'espace de recherche aux coordonées correspondant à la variable et aux paramètres des agents.
Une découpe de variable, ou une association de flux, est évalué sur sa capacité à découvrir des motifs pertinents pour soi, sans prendre en compte autrui. Cet intérêt sert essentiellement au marquage de n'importe quels évènements captés, que se soit des évènements internes comme externes.
L'intérêt intrapersonnel se calcule à partir de la spécificité, le poids et la précision des évènements évaluées.
La spécificité d'un évènement est calculé à partir de la différence entre l'évènement et la moyenne générale de tous les évènements. La spécificité permet ainsi d'identifier les évènements “sortant du lot”.
Le poids d'un évènement correspond à son nombre d'occurence par rapport au nombre d'occurence des autres évènements.
La précision d'un évènement, pour l'intérêt, peut être calculé à partir de l'écart type des similarités entre les instances d'un évènement.
Pour nuancer le poids de l'intérêt intrapersonnel sur l'intérêt global d'un évènement, et aussi pour éviter une certaine redondance des motifs appris par les différents systèmes, un intérêt interpersonnel est calculé.
Cet intérêt interpersonnel prend en essentiellement l'aspect social de l'apprentissage et permet de donner un intérêt plus fort pour les motifs étant plus pertinents d'indiquer aux autres, c'est à dire du système (le moi) vers les autres systèmes (autrui).
L'intérêt interpersonnel est calculé à partir du nombre de flux/variables internes utilisé(e)s pour l'élaboration du concept d'évènement évalué et du nombre de flux/variables nécessaires pour la création d'une instance en fonction du type de couple (1 pour les couple D-S et 2 pour les couples A-S).
Ainsi cet intérêt permet de donner plus de poids aux évènements n'utilisant que de flux/variables internes, puis aux évènements associant un flux interne et externe, et enfin les associations de deux flux externes.
<note tip> Concernant les motifs “d'intéraction” :
Une certaine redondance de l'apprentissage se retrouve lors de la découverte de motifs dit “d'intéraction”, c'est à dire mettant en jeux plusieurs systèmes, donc des associations entre un flux interne et un flux externe. Un même motif peut potentiellement être appris et diffusé par deux systèmes différents.
Exemple (en restant du point de vue du système d'éclairage) : le store m'indique qu'il s'est ouvert (V2:2, ou V2:1, voir un motif associant les deux), je capte une augmentation de la luminosité (V1:2) que je communique aussi. L'association de l'ouverture du store (e1) et de l'augmentation de la luminosité (e2) est faite par les deux systèmes et les deux systèmes créent des flux correspondant à cette association, il y a donc redondance.
Cette redondance est elle un mal ?
Doit-on utiliser cette redondance à notre avantage et l'utiliser pour faire un consensus sur des motifs communs à certains objet ? Si oui comment détecter qu'un même motif a été découvert par deux systèmes différents et comment arriver à un consensus et comment décider lequels des systèmes aura pour rôle de notifier les autres des instances de ce motif ?
D'un autre point de vue, cette redondance est elle nécessaire ?
Ne pourait on pas faire en sorte “d'orienter” l'apprentissage pour qu'un minimum de système, au mieux un seul, découvre ce motif ?
Personellement je penche plus vers ce second point de vue. Nous pourrions par exemple donner plus d'intérêt à un concept d'association, ou d'interaction, si l'évènement e2 de cette association est capté par un flux interne.
Pour reprendre l'exemple: dans l'association “ouverture store” -> “augmentation luminosité”, e2 provient d'un flux interne pour le système d'éclairage l'association et d'un flux externe pour le store. L'association aura donc un plus fort intérêt à être exploité par le système d'éclairage que par le store électrique.
Partir sur ce principe permettrait de trouver plus rapidement des motifs “d'intéraction” complexe, c'est à dire mettant en jeu plusieurs avatars.
De plus vérifier qu'un motif est “vrai” est plus facile que de détecter une redondance (avis personnel), quand bien même qu'avant d'être diffusé un motif est passé par une longue phase vérification, donc les systèmes n'ont pas vraiment de “raison” vérifier la véracité d'un motif, juste de regarder si il leur est utile ou non. De plus les systèmes ont les mêmes capacités d'apprentissage, raison de plus pour qu'ils se fasse “confiance” leur de l'apprentissage de motif d'intéraction (je ne parle ici que d'apprentissage et non de synchronisation entre eux).
</note>
Le feedback d'intérêt Ί d'un évènement e se calcule donc à partir du rapport de son intérêt intrapersonnel Ία sur son intérêt interpersonnel Ίε.
Pour le calcul de Ία d'un évènement, notons sa spécificité s, sa précision p, son poids π.
Ί(e) = Ία(e)^δ / Ίε(e)^β avec : Ία(e) = s(e) * p(e) * π(e) et Ίε(e) = (Nb_Var_Necessary(e) + 1) - Nb_Internal_Var_Used(e) remarque: les coefficients δ et β ne sont présent que pour donner plus de "poids" à l'un ou l'autre des intérêt. Par défaut δ = β = 1.
Lorsqu'un motif créé par un couple A-S semble “intéressant”, celui-ci passe un mode “prédictif”, les couples A-S tente alors d'utiliser ce motif pour prédire l'apparition d'évènement e2, à partir de l'apparition d'un évènement e1.
Ce feedback prédictif est un score s caculé à partir d'une précision acc, qui est calculé à partir d'une tolérance tol (qui est l'écart type de la durée entre e1 et e2 lors des prédictions réussies) et de la fréquence d'apparition de e2. et d'une confiance rel, qui est le rapport de prédictions juste sur le nombre de prédictions tentés.
s = acc * rel avec : rel = nb(prédictions) / nb(e1) et acc = 1 - ( tol * freq(e2) )
Le maximum des scores est ajouté à l'intérêt dans l'espace de marquage des couple A-S pour la variable et les paramètres associés, leurs donnant ainsi plus de poids.
<note tip> Pour l'instant le feedback prédictif sera utilisé comme ceci, mais n'est pas exclu d'être modifié.
Une possibilité serait d'utiliser les formules utilisées en statistique pour évaluer un classifieur.
Le score serait calculé à partir :
Si nous voulons utiliser ces formules il faudra donner la possibilité au couple A-S prédicteur de dire Oui ou Non à la question : un évènement e2 arrivera-t-il après cet évènement e1 ?
Ceci pourrait être fait à partir d'un de l'écart de temps entre les deux instances, par exemple : si e2 n'est pas encore apparu un temps T après l'apparition d'un évènement e1, alors il n'arrivera surement jamais. </note>
Lorsqu'un concept d'évènement, qu'il soit découvert part un couple D-S ou A-S, est déterminé comme “intéressant” alors un flux d'instances correspondant au concept d'évènement est créé pour pouvoir y partager les instances de ce concept (c'est à dire les instances similaires au concept d'évènement) avec les autres systèmes.
Du point de vue d'un système, et donc de ses agents, un flux est perçu comme un flux interne si celui-ci a été créé par le système, et comme un flux externe si il a été créé par un autre système.
<note> Par exemple :
Du point de vue du système d'éclairage, les flux d'instances correspondant aux concepts : augmentation soudaine de la luminosité, augmentation progressive de la luminosité, diminution soudaine de la luminosité, interrupteur passe à ON, interrupteur passe à OFF, etc... seront perçus comme des flux interne car créé par le système d'éclairage.
A l'inverse, les flux correspondant aux concepts : store s'ouvrent, store se ferme; seront perçu comme des flux externes. </note>
Pour aider à l'identification d'un flux par un système, et ses agents, est associé au flux URI du système l'ayant créé (donc l'URI de l'avatar) et l'URI du concept correspondant au flux (généré par le système). Les agents d'un système connaiteront l'URI de l'objet.
<note> TODO : mettre à jour l'image quand une notation aura été définie. </note>
<note important> Le fonctionnement de l'API de flux n'est, pour le moment, pas clairement définie. Ce qui est écrit dans cette section sont des idées sur le fonctionnement général de l'API et sur l'adaptation possible de protocoles, API ou frameworks déjà existant pour les besoins du système d'apprentissage. </note>
Si nous prenons le point de vue d'un avatar, le principe des flux reviens à proposer un service de notification d'évènements aux autres avatars de la société.
<note> Le mot service utilisé ici ne correspond pas forcément à un service web à proprement parlé, ce n'est peut être pas le bon mot à employer. </note>
Ainsi lorsque le système d'apprentissage créé un flux correspondant à un concept d'évènement, un flux/service de notification est alors créé par l'avatar et les autres avatars de la société sont avertis de la création du service de notification. (par la même, si un service de notification est détruit, les autres avatars seront avertis de sa destruction, et le flux externe du système d'apprentissage sera détruit).
Lorsqu'un avatar est avertis de la création d'un service de notification, son système d'apprentissage créera un flux d'instance correspondant.
Lorsqu'un couple A-S prendra pour référence un flux externe, cela signifiera que l'avatar “s'abonne” au service de notification proposé par un autre avatar. De la même manière un avatar “s'abonnera” à un service de notification si un couple A-S tente d'associer son flux référence à un flux externe.
Pour implémenter une API permettant de mettre en place de tel fonctionnalités, adapter certains protocole/API/frameworks à nos besoins pourrait être pertinents. Ci-dessous sont listés quelques API potentiels :
Le mode de fonctionnement des flux RSS semble plutôt bien correspondre au principe des flux d'instances (d'ailleurs c'est de là qu'ils tirent leurs noms). Cependant les flux RSS ont quelque faiblesse, se sont des fichiers XML où sont écrit toutes les notifications et sont accessible par tous. De plus se sont les outils “abonnés” qui regarde, à intervals réguliers, si des modifications on eu lieu dans le fichier XML. Ce ne sont donc pas de réelles “notification” fait d'un serveur à un terminal (pour notre cas, d'un avatar à un avatar) et il faudrait mettre en place un programme permettant de détecter la création (ou la suppression) d'un flux dans la société.
Le réseau Usenet est à la base un système de réseaux de forums permettant le partage rapide, à des groupes “d'abonnés”, de nouvelles (ou news) concernant un forum. Il utilise le protocole NNTP qui a été conçu spécialement pour le transport de news dans un réseau, il existe en version “sécurisé”: NNTPS. La RFC1036 décrit le format standard des échanges de messages dans un réseau Usenet.
Avant de passer au fonctionnement pas à pas de l'apprentissage en prenant le point de vue du store électrique, voici un récapitulatif du fonctionnement général du système d'apprentissage.
Les couples D-S vont explorer leur espace de marquage en y déposant l'intérêt maximum trouvé avec les paramètres associés. Ce marquage sert de mémoire pour retrouver facilement des paramètres pertinents et va aussi influencer les déplacements des couple D-S dans l'espace de marquage, c'est à dire dans leurs choix de paramètres.
L'agent Découper d'un couple D-S fait “glisser” une fenêtre de découpe sur la variable d'entrée, créant ainsi des instances d'évènement. L'agent Similarité associé à cet agent Découper, c'est à dire formant un couple avec, va “trier” par “type” d'instance plus ou moins similaire et évaluer l'intérêt Ί de chaque “type” d'instance. (L'intérêt max trouvé avec leurs paramètres est la valeur déposé dans l'espace de marquage).
Une fois des “type” d'instances validé comme “intéressants” ceux-ci deviennent des concepts d'évènements, des flux d'instances sont créés et lorsque l'agent Découper d'un couple D-S produit une instance d'évènement correspondant à un concept d'évènements, l'agent Similarité lié diffuse l'instance par le flux.
Le système à maintenant accès des flux d'instances lui permettant d'étre informé lors de l'apparition d'une instance d'un concept d'évènement.
Ces flux d'instances peuvent aussi bien être des flux internes, c'est à dire des flux créés et mis à jour par le système, que des flux externes, c'est à dire des flux créés et mis à jour par d'autre système.
A partir de ces flux des couples A-S vont tenter d'associer deux concepts d'évènements en regardant si ils ont l'air plus ou moins corrélés, c'est à dire si l'un arrive toujours après l'autre avec toujours le même délai.
Pour cela ils vont parcourir leur espace de marquage, ainsi l'agent Association d'un couple A-S prend un flux, et donc le concept d'évènement associer, comme référence et va explorer les possibilités de combinaisons via ses paramètres. Les instances d'associations produite par l'agent Association sont récupéré, trier et évalué par l'agent Similarité associé.
Comme pour les couples D-S, l'intérêt maximum trouvé avec des paramètres est noté dans l'espace de marquage.
L'intérêt Ί de chaque “type” d'instance d'évènement association, c'est à dire les différents types de délai entre les deux évènements associé, est calculé à partir de la spécificité et la redondance de ce “type” d'instance, mais aussi à partir du nombre de flux internes qui a entres en jeux lors de l'association. Ainsi, pour une spécificié et redondance, plus d'intérêt est affecté à des associations entre deux flux internes, puis entre un flux interne et un flux externe, puis entre deux flux externes.
Les associations sont aussi évalué à partir de leur capacité prédictive. Et une fois qu'une association a été déterminé comme “intéressante” et permettant des prédictions fiable, alors un flux d'instance est créé pour y faire passer les instances de cet évènement (qui est l'association de deux évènements), et donc potentiellement “avertir” autrui de l'arrivé des instances de cet évènement.
A partir de ce flux d'instance, autrui pourra peut être créer des associations pertinentes, qui pourrons me permettre de créer des associations pertinentes, et ainsi de suite.
