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 :

• Un système d'éclairage (lampe), avec interrupteur et capteur de luminosité.
• Une fenêtre équipée d'un store électrique, avec un interrupteur permettant de faire monter ou descendre plus ou moins le store (pas de capteur de luminosité).

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.

• Pour le système d'éclairage les variables d'entrées sont :
  1. l'état de l'interrupteur du système d'éclairage, que nous nommeront V_1:1.
  2. l'intensité lumineuse de la pièce, nommée V_1:2.

• Pour la fenêtre équipée d'un store électrique :
  1. l'état de l'actionneur de store, nommée V_2:1 (-1 : descendre le store, 1 : monter le store, 0 : sinon).
  2. Pourcentage d'ouverture du store, nommée V_2:2 (allant de 0, le store est fermé, à 1 le store est ouvert).

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.

rplot_all_scenario_lum.png

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.

rplot_v12_v22_relation.png

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 :

• Les agents Producteur, qui manipulent des données et tentent d'en créer de nouvelles, ils sont différenciés en deux rôles :
  • Les agents Découper, qui sont liés aux variables d'entrées du système d'apprentissage (correspondant aux données venant des capteurs et actionneurs de l'objet).
  • Les agents Association, qui sont liés aux flux d'évènements (internes ou externes) et cherchent à associer des évènements provenants de ses flux pour en créer de nouveaux.
• Les agents Similarité, qui eux sont toujours liés à un agent Producteur, tentent de différencier les types d'instances d'évènements et d'identifier les plus pertinents.

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 V_2:2 a pour paramètre un Δt qui est la taille de la fenêtre de découpe.

decoupe.png

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.

similarite.png

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.

<note> le paramètre de l'agent Similarité serait son seuil d'acceptation de similarité, mais cela reste à confirmer. </note>

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).

motif.png

Tout comme pour le couple D-S précédemment présenté, l'agent Similarité va comparer et trier les différentes instances de l'association.

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.

hemis_marquage.png

Ces trois dimensions représentent :

1. Les variables ou flux, auquels peuvent se lier les couples.
2. Les paramètres possibles de l'agent Producteur.
3. Les paramètres possibles de l'agent Similarité.

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.

<note> L'intérêt est calculé légèrement différemment pour les couple D-S et A-S. </note>

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> Un autre facteur pouvant être pris en compte est la “direction” du motif lors d'une association entre un flux interne et un flux externe.

Pour éviter qu'un même motif soit appris par plusieurs systèmes échangeant entre eux.

En partant du prédicat qu'il y aura potentiellement de la latence entre l'émission d'une instance par un flux d'un système et la réception de cette instance par un autre système, nous pouvons dire qu'il serait plus pertinent pour un système de rechercher des motifs qu'il “fini” et dont il peut avertir les autres.

remarque : prendre en compte ce facteur permettrait certes de réduire la redondance mais risque de renforcer l'apparition de motifs “cyclique”, cependant ce types de motifs sont surement plus facilement indentifiable que des redondances de motifs. </note>

Le feedback d'intérêt Ί d'un évènement e se calcule donc à partir du rapport de son intérêt intrapersonnel Ί_α sur son intérêt interpersonnel Ί_ε.

Pour le calcul de Ί_α 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 prédiction 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 :

• d'une sensibilité qui est le rapport des vrais positifs ou VP (les prédictions juste) sur toute les prédictions dite comme vrais (toutes les fois où l'on a supposé l'arrivé de e2 à partir de e1).

• et d'une spécificité qui est le rapport des vrais négatifs ou VN (les prédictions dite fausses et vraiment fausses) sur toutes les fois où l'on a dit que e2 n'arrivera pas après e2.

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>

La découverte d'évènements récurrents se fait à l'aide d'un couple d'agent Découper et Similarité. L'agent Découper faisant varier ses paramètres de découpe et l'agent Similarité faisant varier ses paramètres de différenciation, les deux en fonction de la variable d'entrée à laquelle ils sont associés.

La qualité des paramètres, évaluée à partir d'un feedback d'intérêt, est sauvegardé dans un espace de marquage à trois dimensions (la variable sélectionné, les paramètres de l'agent Découper et les paramètres de l'agent Similarité).

Cet espace de marque sert à garder, dans un espace commun de recherche de paramètres à tous les couples d'agents, la trace de l'utilisation de certains paramètres et leurs qualités.

hemis_marquage.png

Une fois qu'un couple, ou plutôt l'agent Similarité d'un couple d'agent, aura déterminé qu'un concept d'évènement est assez récurrent il créera un flux d'instances d'évènements dans lequel il fera passer les instances correspondants au concept d'évènement du flux, et auxquels pourra se connecter les agents Association du système d'apprentissage, mais aussi les agents Association des autres systèmes d'apprentissage.

flux_creation.png

Pour connaitre la similarité, ou plutôt le pourcentage de similarité, entre deux instances d'évènement, l'agent Similarité utilise une fonction d'intersection des histogrammes représentants les instances.

similarite.png

A peu près même moment que le système d'apprentissage de l'éclairage créé ses flux d'instances, des flux d'instances externes font leur apparitions.

Une notation possible est présentée ci-dessous. Noté F, un flux est identifié par l'ip de l'objet fournissant le flux et l'id de ce flux. De la même manière sont notés e les concepts d'évènements associés à un flux, il sont donc identifiés de la même manière que les flux, avec id et ip.

flux_notation.png

Pour simplifier la notation pour le scénario, l'ip du système d'éclairage sera 1 et l'ip du store électrique sera 2. L'ip 0 est considéré comme un “localhost”, se sont les flux identifiés comme personnels par l'objet, le fait de donner un ip 0 pour identifié le “moi” est totalement arbitraire, un flux pourrait garder l'ip de l'objet apprenant, cependant les agents du système d'apprentissage, en particulier les agents Découper, devraient être capables de différencier les flux personnels et les flux extérieurs.

Ainsi le système d'apprentissage voit apparaître, à peu près au même moment, des flux d'instances interne (avec un ip 0) et des flux d'instances externes (avec un ip différent de 0).

Les couples d'agents formés par des agents Association et Similarité vont alors rechercher différentes Association de concepts d'évènements possibles et pertinents.

flux_association.png

Les Associations vont être faites en prenant prioritairement en références les flux internes du système d'apprentissage. Cet aspect “égoïste” de l'apprentissage est nécessaire pour éviter une redondance de l'apprentissage dans tous les avatars de la société, et permet aussi une spécialisation de ces mêmes avatars. En effet, les avatars d'objets possédant peu de capteurs et d'actionneurs seront plus enclin a tenter d'associer des évènements provenant de flux externes; à l'inverse des avatars d'objets possédant beaucoup de capteurs et d'actionneurs seront plus enclin à se concentrer uniquement sur le découpage de leur variables d'entrées et sur la découverte de concepts d'évènements “intéressants”.

Dans le point de vue précédent, l'accent a été mis sur le fonctionnement globale du modèle. De ce point de vue, au contraire, nous allons nous concentré, pas à pas, sur les suites logiques d'évènements pouvant arriver à un système d'apprentissage.

Reprenons à partir de la découpe d'une variable d'entrée, par exemple V_2:2.

v2_2.png

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 V_2:2 a pour paramètre un Δt qui est la taille de la fenêtre de découpe.

decoupe.png

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.

similarite.png

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.

<note> le paramètre de l'agent Similarité serait son seuil d'acceptation de similarité, mais cela reste à confirmer. </note>

Avant que la moyenne d'un groupe d'instance soit considérée comme un réel concept d'évènement, l'agent Similarité d'un couple D-S va calculer l'intérêt de chaque pré-concept, et marquer le maximum de ces intérêts dans l'espace de marquage des couple D-S.

Le feedback d'intérêt d'un pré-concept d'évènement est calculé à partir de la spécificité de cet évènement, c'est à dire si l'évènement “sort du lot”, et de la redondance de cet évènement. Pour faire simple, parmi tous les évènements “rare”, celui qui aura le plus fort intérêt sera celui qui arrive le plus souvent, donc potentiellement le moins dû au hasard.

    intérêt = spécificité + redondance

C'est lorsqu'un couple D-S de type Exploiteur se positionnera, dans l'espace de marquage, sur les paramètres de découpe de V_2:2 que la création de Flux d'instance se fera pour les concept ayant la plus haute spécificité.

<note important> Le fonctionnement de l'API de flux n'est, pour le moment, pas clairement définie. </note>

Comme dit précédemment, les couples D-S vont extraire des concepts d'évènements et créer des flux d'instances d'évènements. Ces flux pourraient correspondre à des flux RSS (ou tout autre outils permettant le partage d'un “fil d'évènements”), ils seront ainsi mis à jour part l'agent Similarité du couple associé, à chaque fois que l'agent Découper extrait une nouvelle instance d'évènement correspondant au concept d'évènement du flux.

Supposons qu'à partir de V_2:2 deux concepts d'évènements soient créés.

Il y aura donc deux flux de créé par le couple D-S affecté à cette variable d'entrée. Ces flux étant internes du point de vue du store et externe du point de vue du système d'éclairage.

conceptualisation_nntp.png

Exemple de description d'un flux en JSON-LD :


{
  "@context": "http://www.w3.org/ns/activitystreams",

  "@type": "Activity",

  "published": "2016-01-25T12:34:56Z"  

  "author": {
    "@type": "Object",

    "@id": "URI de l'objet / URI du flux"
  }

  "orderedItems": [
    {
      "@type": "Event"

        ...
    },
    {
      "@type": "Event"

       ...
    }
  ]
}  

Reprenons à partir du moment où tous les flux (internes et externes) de tous les objets de la société soient créés et accessibles par le store.

C'est à dire :

• 4 flux internes correspondant à :
  • V2:1 à 1 pendant un certain temps.
  • V2:1 à -1 pendant un certain temps.
  • V2:2 augmentant progressivement de 0 à 1.
  • V2:2 diminuant progressivement de 1 à 0.
• 6 flux externes correspondant à :
  • V1:1 passant de 0 à 1 instantanément.
  • V1:1 passant de 1 à 0 instantanément.
  • V1:2 passant à 1 instantanément.
  • V1:2 passant à 0 instantanément.
  • V1:2 augmentant progressivement.
  • V1:2 diminuant progressivement (sur plusieurs heures).

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.

Comme pour le couple D-S, l'agent Similarité récupère et classe les instances de l'association récupérées. L'instance d'une association est, en partie, caractérisée par le délai entre la référence et le flux associé, délai pouvant bien entendu être négatif.

Un feedback d'intérêt est alors appliqué aux associations découvertes par le couple A-S. Ce feedback est composé de deux intérêts :

• L'intérêt intrapersonnel :

L'association des flux est évalué sur sa capacité à découvrir des motifs pertinent pour soi, sans prendre en compte autrui. Il prend en compte la spécificité et la précision des instances évalués.

• L'intérêt interpersonnel :

L'association des flux évalué sur sa capacité à découvrir des motifs pertinent pour autrui, c'est à dire qu'il plus pertinent que se soit le store qui prévienne les autres avatars de l'arrivé de l'association.

Ainsi cet intérêt est calculé à partir du nombre de flux interne utilisé dans l'association, car nous partons du principe que chacun des avatars cherche en priorité les motifs liés à ses capteurs, sans pour autant laisser une probabilité nulle de trouver des motifs à partir de flux externe.

<note tip> L'idée de prendre en compte le nombre de flux interne part du prédicat qu'un objet possède des capteurs et des actionneurs potentiellement liés (ex. capteur de luminosité + ampoule, chauffage + thermomètre...).

Le principe étant que les avatars créeront en priorité des associations intrapersonnelles, les partageront, et qu'au bout d'un certain temps, avec des concepts de plus en plus complexe, associer des motifs externes avec des motifs internes sera plus pertinent que d'associer deux motifs internes entre eux.

</note>

L'intérêt d'une association est donc calculé à partir de l'intérêt égoïste et altruiste.

intérêt = (intérêt égoïste) ^ alpha  *  (intérêt altruiste) ^ beta

<=> intérêt = ( ( spécificité + précision ) ^ alpha ) * ( ( nb_flux_interne + 1 ) ^ beta )


Les coefficients alpha et beta sont ici pour donner plus de poids à l'une ou l'autre des parties de l'intérêt,
par défaut nous pouvons les considérer comme égal à 1.

<note tip> Autre possibilité :

intérêt = ((spécificité + précision) ^ alpha) / ( ( 3 - nb_flux_interne ) ^ beta )

Le but étant que le rapport intra/inter soit, pour un même intérêt égoïste, plus important si plus de flux interne sont mis en jeux dans l'association. </note>

A partir de ce feedback d'intérêt, marqué par les couples A-S de type Explorateur, les couples A-S vont pouvoir tenter d'évaluer, à l'aide d'un second feedback, la capacité prédictive des paramètres ayant le plus fort intérêt.

De nouveaux flux sont alors créé pour les évènements association les plus pertinents, donc en priorité ceux dont l'avatar associe deux évènements internes, puis ceux avec un évènement externe et un évènement interne, et enfin ceux avec deux évènements externes.

<note tip> Donner un poids différents pour les associations flux externe -> flux interne et flux interne -> flux externe, permettrais d'éviter des redondances pour les associations avec un seul flux interne.

Cependant, la création de motif “cyclique” reste, voir est potentiellement renforcé. Mais ces motifs “cyclique” sont plus facilement détectable que la redondance d'un motif, surtout dans un apprentissage décentralisé. </note>

• Les objets possédant plus ou moins de capteurs et d'actionneurs, et leurs avatars étant capables de faire des associations aussi bien de flux interne que de flux externe, une première spécialisation peut se faire à partir du cas particulier de l'objet sans capteurs ni actionneurs : plus les objets possèderont de capteurs et d'actionneurs, plus les avatars se focaliseront sur la découpe et moins sur les associations, un objet sans capteurs ni actionneurs se focalisera au contraire uniquement sur les associations. (Bien entendu le cas de l'objet sans capteurs ni actionneurs est un cas extrêmement particulier, voir inexistant dans la réalité, mais pas impossible).

• Une fois qu'un avatar aura “épuisé” ses associations intrapersonnelles pertinentes, il s'orientera vers les associations prenant en compte un flux externe, ainsi il apprendra quels flux, et plus globalement quels objets, sont les plus à “écouter”.

• Supposons maintenant que dans une autre pièce un système d'éclairage identique au notre soit installé, comment permettre que ce nouveau système d'éclairage apprenne plus vite avec l'aide de notre système d'éclairage ?

• En plus du feedback d'intérêt, il est censé il y avoir un feedback prédictif, comment un motif pourrait passer un “mode prédictif” s'il prend en compte des flux externes ?

• Comment les avatars pourrait arriver, de manière émergente, à un consensus concernant un motif, pour que celui-ci soit “commun” à la société ou à un groupe ?

• Comment à un niveau plus haut de l'avatar, ayant potentiellement conscience de faire partie d'une société, peut “extraire” des règles et des services des motifs appris ?