Les journées inaugurales auront lieu la semaine prochaine.
Nous discuterons à cette occasion des groupes de travail transversaux à mettre en place.
Ces groupes de travail seront l’outil d’animation principal du pré-GDR.
(Plus de détails sur le fonctionnement et la proposition de ces groupes ici: https://www.gdria.fr/gt/)
Pour le moment nous avons reçu 4 propositions de groupes de travail, que je donne ci-dessous.
Vous aurez la possibilité de discuter de ces groupes ou de nouvelles propositions lors des sessions
de travail pendant les journées inaugurales.
Si vous ne pouvez pas venir assister à ces journées, vous pouvez contacter les responsables de ces
groupes pour discuter ou signaler votre intérêt.
Vous pouvez également faire d’autres propositions de groupe de travail par mail avant et après les journées.
___________________________________________________________________________________
Nom du groupe de travail : IA des jeux
Description de la problématique : L’objectif du groupe de travail « IA des jeux » consistera à organiser l’animation scientifique dans ce domaine applicatif en pleine effervescence. Ces dernières années, on peut voir à travers le monde une communauté grandissante dans l’IA des jeux autour de conférences internationales telles que AIIDE et CIG et des journaux tels que TCIAIG. En France, de plus en plus de chercheurs en font leur axe principal mais la communauté reste balbutiante. Ce groupe de travail permettra de structurer la communauté française en Game AI, de nous connaître mieux entre nous, de nous donner de la visibilité en France et en Europe, de faciliter les interactions et de réfléchir aux nouveaux enjeux de notre domaine.
Que de plus en plus de chercheurs choisissent les jeux comme terrain d’application pour leur recherche en intelligence artificielle n’est pas le fruit du hasard. Il y a en effet de nombreux avantages avec ce domaine applicatif :
– C’est fun. Comme le disait Turing : « It would be disingenuous of us to disguise the fact that the principal motive which prompted the work was the sheer fun of the thing ».
– Ce domaine est transversal et peut être une base de référence à de nombreuses méthodes en intelligence artificiel : SMA, optimisation et contraintes, apprentissage automatique, réseaux bayésiens, …
– Il est considérablement plus pratique que d’autres domaines applicatifs, comme la robotique par exemple : pas besoin de matériel mécanique comme un robot (qui tombe en panne), rien à transporter, très grand contrôle du flux de temps (accélération des expériences, parallélisation).
– Les jeux parlent à tout le monde ; c’est un formidable vecteur pour la vulgarisation scientifique.
– Il est facile d’en identifier les experts : il existe des compétitions internationales dans beaucoup de jeux, avec ainsi ses champions en titre.
– L’industrie du jeu est une vraie industrie, avec ses besoins et ses attentes. De plus, c’est une industrie qui est ouverte pour dialoguer avec la recherche académique, à en juger les industriels qui participent et reviennent chaque année à la conférence académique AIIDE.
– La plus importante : on peut voir les jeux comme une simplification du monde, à l’espace confiné, aux règles plus simples, mais tout de même assez riche et complexe pour apporter son lot de questions et problèmes scientifiquement pertinentes. Les jeux offrent ainsi un excellent environnement de test pour des méthodes pouvant par la suite être appliquées à d’autres domaines.
Liste des thématiques concernées : Toutes
Nom (et coordonnées) du responsable du groupe de travail : Florian Richoux, LINA – Université de Nantes (florian.richoux@univ-nantes.fr)
Description de la problématique : L’objectif du groupe de travail « IA des jeux » consistera à organiser l’animation scientifique dans ce domaine applicatif en pleine effervescence. Ces dernières années, on peut voir à travers le monde une communauté grandissante dans l’IA des jeux autour de conférences internationales telles que AIIDE et CIG et des journaux tels que TCIAIG. En France, de plus en plus de chercheurs en font leur axe principal mais la communauté reste balbutiante. Ce groupe de travail permettra de structurer la communauté française en Game AI, de nous connaître mieux entre nous, de nous donner de la visibilité en France et en Europe, de faciliter les interactions et de réfléchir aux nouveaux enjeux de notre domaine.
Que de plus en plus de chercheurs choisissent les jeux comme terrain d’application pour leur recherche en intelligence artificielle n’est pas le fruit du hasard. Il y a en effet de nombreux avantages avec ce domaine applicatif :
– C’est fun. Comme le disait Turing : « It would be disingenuous of us to disguise the fact that the principal motive which prompted the work was the sheer fun of the thing ».
– Ce domaine est transversal et peut être une base de référence à de nombreuses méthodes en intelligence artificiel : SMA, optimisation et contraintes, apprentissage automatique, réseaux bayésiens, …
– Il est considérablement plus pratique que d’autres domaines applicatifs, comme la robotique par exemple : pas besoin de matériel mécanique comme un robot (qui tombe en panne), rien à transporter, très grand contrôle du flux de temps (accélération des expériences, parallélisation).
– Les jeux parlent à tout le monde ; c’est un formidable vecteur pour la vulgarisation scientifique.
– Il est facile d’en identifier les experts : il existe des compétitions internationales dans beaucoup de jeux, avec ainsi ses champions en titre.
– L’industrie du jeu est une vraie industrie, avec ses besoins et ses attentes. De plus, c’est une industrie qui est ouverte pour dialoguer avec la recherche académique, à en juger les industriels qui participent et reviennent chaque année à la conférence académique AIIDE.
– La plus importante : on peut voir les jeux comme une simplification du monde, à l’espace confiné, aux règles plus simples, mais tout de même assez riche et complexe pour apporter son lot de questions et problèmes scientifiquement pertinentes. Les jeux offrent ainsi un excellent environnement de test pour des méthodes pouvant par la suite être appliquées à d’autres domaines.
Liste des thématiques concernées : Toutes
Nom (et coordonnées) du responsable du groupe de travail : Florian Richoux, LINA – Université de Nantes (florian.richoux@univ-nantes.fr)
___________________________________________________________________________________
Nom du groupe de travail : Planification (Intégration de différentes thématiques de la planification
pour la résolution de problèmes du monde réel)
Description de la problématique : Contexte – L’objectif traditionnel de la communauté planification, comme
nous pouvons le voir par exemple lors de la conférence ICAPS (International
Conference on Automated Planning and Scheduling), est la génération de plans
pour un agent individuel, où il est supposé qu’aucun autre agent n’interagit avec
cet agent. Ce problème de base, connu sous le nom de planification classique,
suppose que les actions de l’agent (appelées “actions STRIPS”) sont décrites par
leurs effets positifs et négatifs en termes d’ajout et de suppression de propositions
atomiques et que l’agent a une information parfaite (connaissance complète
de l’état actuel de toutes ces propositions atomiques). Beaucoup de progrès ont
été accomplis pour ce genre de tâches de planification. Il y a près de vingt ans
un langage standardisé pour les tâches de planification classiques a été défini,
PDDL (Planning Domain Definition Language). Ceci a permis de formuler des
benchmarks et d’organiser une compétition internationale de planification (IPC)
entre planificateurs automatiques à ICAPS. Tout au long de la dernière décennie,
ces compétitions ont été marquées par des progrès constants, et maintenant
il est considéré que les tâches de planification pour lesquelles aucun algorithme
polynomial n’existe peuvent néanmoins être calculées de manière satisfaisante :
les tâches avec des milliers d’objets et prédicats peuvent souvent être résolues
par des programmes de génération de plans en quelques secondes.
Au-delà de la planification classique, la génération de plans pour un agent
individuel ayant une information incomplète a également été étudiée au cours des
25 dernières années : la planification conformante permet aux agents d’avoir une
connaissance incomplète de la situation initiale, mais sans actions d’observation
(sensing), alors que la planification contingente permet de telles actions.
Forte des progrès spectaculaires obtenus pour les tâches mono-agent, la
communauté planification est de plus en plus intéressée par les tâches multiagents,
impliquant, par exemple, des essaims de robots ou des interactions robothumain.
Il existe maintenant un atelier DMAP (Distributed and Multi-Agent
Planning) qui est affilié à ICAPS et dont la quatrième édition aura lieu en 2016.
Les articles qui y sont présentés étendent des techniques et algorithmes pour le
cas mono-agent au cas multi-agent. Une compétition préliminaire de planificateurs
distribués ou multi-agents a également été organisée à ICAPS 2015 dans
l’optique d’ouvrir une catégorie multi-agent (Multi-Agent Planning track) pour
les compétitions IPC à venir.
Le raisonnement sur les connaissances et les croyances d’un agent (y compris
les croyances d’ordre supérieur, à savoir, les croyances sur les connaissances des
autres agents) est le sujet traditionnel de la logique épistémique étudiée en
philosophie et en informatique. Dans les années 1990, il y a eu un “tournant
dynamique” : les logiques épistémiques dynamiques représentent également les
effets des actions sur les connaissances des agents. Récemment, certains auteurs
ont commencé à examiner les problèmes de planification dans ce cadre. Le but
de ce groupe de travail est de pousser cette convergence plus loin.
communauté planification est de plus en plus intéressée par les tâches multiagents,
impliquant, par exemple, des essaims de robots ou des interactions robothumain.
Il existe maintenant un atelier DMAP (Distributed and Multi-Agent
Planning) qui est affilié à ICAPS et dont la quatrième édition aura lieu en 2016.
Les articles qui y sont présentés étendent des techniques et algorithmes pour le
cas mono-agent au cas multi-agent. Une compétition préliminaire de planificateurs
distribués ou multi-agents a également été organisée à ICAPS 2015 dans
l’optique d’ouvrir une catégorie multi-agent (Multi-Agent Planning track) pour
les compétitions IPC à venir.
Le raisonnement sur les connaissances et les croyances d’un agent (y compris
les croyances d’ordre supérieur, à savoir, les croyances sur les connaissances des
autres agents) est le sujet traditionnel de la logique épistémique étudiée en
philosophie et en informatique. Dans les années 1990, il y a eu un “tournant
dynamique” : les logiques épistémiques dynamiques représentent également les
effets des actions sur les connaissances des agents. Récemment, certains auteurs
ont commencé à examiner les problèmes de planification dans ce cadre. Le but
de ce groupe de travail est de pousser cette convergence plus loin.
Objectif – L’objectif principal de ce groupe de travail est de fédérer les
recherches sur les différentes thématiques de la planification dans le but de
modéliser et résoudre des problèmes complexes du monde réel dans lesquels de
nombreux agents (humains ou automatiques) interagissent de manière coopérative
et robuste via des actions physiques, de communication et d’observation
pour atteindre des buts communs dans un environnement partiellement imprédictible.
D’importants aspects du plan résultant sont qu’il prenne en compte les
croyances de chacun des agents qui peuvent changer au cours du temps, qu’il
permette l’exécution simultanée d’actions, qu’il soit suffisamment flexible pour
autoriser des agents individuels à faire eux-même certains choix, et qu’il soit robuste
à l’échec de certaines actions ou à des changements dans l’environnement.
Ceci implique inévitablement d’aller au delà des hypothèses restrictives de
la planification classique dans le but d’obtenir le niveau d’expressivité requis, et
dans un même temps de développer des algorithmes efficaces afin d’être capable
de résoudre des problèmes de planification du monde réel. De telles applications
réalistes nécessitent un cadre théorique étendu incorporant les aspects suivants :
Multi-agent : la plupart des applications actuelles de la planification
nécessitent l’intervention et la coopération entre plusieurs agents (chaque
agent étant soit artificiel soit humain).
Temporel : pour prendre en compte la nature non-instantanée de certaines
actions, conditions ou buts, comme le fait que les actions puissent se
superposer (ce qui est essentiel pour la modélisation correcte de problèmes
nécessitant la concurrence des actions).
Epistémique : pour modéliser les croyances de chaque agent (l’aspect
épistémique, incluant des croyances d’ordre supérieur) aussi bien que l’état
physique du monde (l’aspect ontique), en permettant la découverte interactive
et dynamique de la connaissance par des actions d’observation
(sensing) et de communication avec conditions et effets épistémiques.
Contingent : pour permettre la construction de plans qui soient robustes
au fait que les agents puissent avoir une connaissance incomplète de l’état
initial, que les croyances puissent être inconsistantes avec l’état courant du
monde (à cause d’événements exogènes ou non-observés) et que le résultat
de certaines actions puisse être imprévisible.
Plans flexibles : pour que, si possible, chaque agent (ou groupe d’agents)
ait un certain degré d’autonomie concernant, par exemple, l’instant de
début ou de fin d’une action ou alors les actions utilisées pour atteindre un
sous-but, tout en étant soumis à des contraintes garantissant la correction
recherches sur les différentes thématiques de la planification dans le but de
modéliser et résoudre des problèmes complexes du monde réel dans lesquels de
nombreux agents (humains ou automatiques) interagissent de manière coopérative
et robuste via des actions physiques, de communication et d’observation
pour atteindre des buts communs dans un environnement partiellement imprédictible.
D’importants aspects du plan résultant sont qu’il prenne en compte les
croyances de chacun des agents qui peuvent changer au cours du temps, qu’il
permette l’exécution simultanée d’actions, qu’il soit suffisamment flexible pour
autoriser des agents individuels à faire eux-même certains choix, et qu’il soit robuste
à l’échec de certaines actions ou à des changements dans l’environnement.
Ceci implique inévitablement d’aller au delà des hypothèses restrictives de
la planification classique dans le but d’obtenir le niveau d’expressivité requis, et
dans un même temps de développer des algorithmes efficaces afin d’être capable
de résoudre des problèmes de planification du monde réel. De telles applications
réalistes nécessitent un cadre théorique étendu incorporant les aspects suivants :
Multi-agent : la plupart des applications actuelles de la planification
nécessitent l’intervention et la coopération entre plusieurs agents (chaque
agent étant soit artificiel soit humain).
Temporel : pour prendre en compte la nature non-instantanée de certaines
actions, conditions ou buts, comme le fait que les actions puissent se
superposer (ce qui est essentiel pour la modélisation correcte de problèmes
nécessitant la concurrence des actions).
Epistémique : pour modéliser les croyances de chaque agent (l’aspect
épistémique, incluant des croyances d’ordre supérieur) aussi bien que l’état
physique du monde (l’aspect ontique), en permettant la découverte interactive
et dynamique de la connaissance par des actions d’observation
(sensing) et de communication avec conditions et effets épistémiques.
Contingent : pour permettre la construction de plans qui soient robustes
au fait que les agents puissent avoir une connaissance incomplète de l’état
initial, que les croyances puissent être inconsistantes avec l’état courant du
monde (à cause d’événements exogènes ou non-observés) et que le résultat
de certaines actions puisse être imprévisible.
Plans flexibles : pour que, si possible, chaque agent (ou groupe d’agents)
ait un certain degré d’autonomie concernant, par exemple, l’instant de
début ou de fin d’une action ou alors les actions utilisées pour atteindre un
sous-but, tout en étant soumis à des contraintes garantissant la correction
du plan. Ceci est important pour ne pas imposer des choix arbitraires à
des agents humains.
des agents humains.
Certaines combinaisons limitées de ces cinq aspects ont été précédemment
étudiées. Les premiers résultats sont prometteurs et semblent indiquer qu’il
soit possible, via des transformations de problèmes, de réutiliser une large part
des travaux déjà effectués en planification classique. Bien sûr, l’interaction
entre ces différents aspects de la planification que nous voulons intégrer dans
un planificateur unique pourra conduire à de nouvelles questions théoriques
intéressantes et de nouveaux défis pratiques qui sont impossibles à prévoir avant
d’entreprendre ces recherches.
étudiées. Les premiers résultats sont prometteurs et semblent indiquer qu’il
soit possible, via des transformations de problèmes, de réutiliser une large part
des travaux déjà effectués en planification classique. Bien sûr, l’interaction
entre ces différents aspects de la planification que nous voulons intégrer dans
un planificateur unique pourra conduire à de nouvelles questions théoriques
intéressantes et de nouveaux défis pratiques qui sont impossibles à prévoir avant
d’entreprendre ces recherches.
Liste des thématiques concernées : RCR, PRH, SMA, IMG, PPC
Nom (et coordonnées) du responsable du groupe de travail : Frédéric Maris, IRIT, Université Paul Sabatier, Toulouse (maris@irit.fr)
___________________________________________________________________________________
Nom du groupe de travail : RAP (Représentations et Algorithmes en Pratique)
Description de la problématique : Les progrès réalisés dans le cadre de la résolution pratique de problèmes NP-complets (tels que SAT ou CSP) permettent d’envisager la modélisation et la résolution de problèmes calculatoiement plus difficiles (FP, P-SPACE, #P, …). Ainsi, des problèmes tels que la fusion ou la révision de croyances (FP), l’inférence probabiliste (#P) ou encore les jeux à deux joueurs (P-SPACE) peuvent maintenant être modélisés et traités de manière empirique. Des problèmes considérés comme intraitables au niveau expérimental il y a à peine une dizaine d’années sont ainsi aujourd’hui largement accessibles. C’est dans ce contexte que ce groupe de travail s’inscrit. L’objectif principal est de proposer des représentations adaptées et des solutions algorithmiques à des problèmes d’intelligence artificielle. La production de programme pour la résolution d’applications réelles peut, de fait, améliorer la visibililité de recherche qui sont pour la plupart étudiés uniquement de manière théorique (il suffit d’observer la popularité de l’apprentissage pour se rendre compte de l’intérêt d’une telle démarche). Cela peut aussi conduire à un cercle vertueux. En effet, l’arrivée de ces nouveaux problèmes peuvent bénéficier aux communautés produisant des encodages ou des solveurs (en faisant office de nouveaux défis). Et ces derniers peuvent attaquer ces problèmes d’un oeil nouveau permettant ainsi de mettre en exergue des comportement indésirables lors de la mise en production. L’une des premières tâches à réaliser sera d’identifier les problèmes pratiques qui peuvent être traités grâce à des technique d’intelligence artificielle et de les modéliser. Cela permettra dans un premier temps d’établir des instances de test ainsi que des protocoles afin de valider expérimentalement les approches.
Liste des thématiques concernées : RCR, PPC, SMA
Nom (et coordonnées) du responsable du groupe de travail : Lagniez Jean-Marie, CRIL, Université d’Artois, Lens (lagniez@cril.fr)
Description de la problématique : Les progrès réalisés dans le cadre de la résolution pratique de problèmes NP-complets (tels que SAT ou CSP) permettent d’envisager la modélisation et la résolution de problèmes calculatoiement plus difficiles (FP, P-SPACE, #P, …). Ainsi, des problèmes tels que la fusion ou la révision de croyances (FP), l’inférence probabiliste (#P) ou encore les jeux à deux joueurs (P-SPACE) peuvent maintenant être modélisés et traités de manière empirique. Des problèmes considérés comme intraitables au niveau expérimental il y a à peine une dizaine d’années sont ainsi aujourd’hui largement accessibles. C’est dans ce contexte que ce groupe de travail s’inscrit. L’objectif principal est de proposer des représentations adaptées et des solutions algorithmiques à des problèmes d’intelligence artificielle. La production de programme pour la résolution d’applications réelles peut, de fait, améliorer la visibililité de recherche qui sont pour la plupart étudiés uniquement de manière théorique (il suffit d’observer la popularité de l’apprentissage pour se rendre compte de l’intérêt d’une telle démarche). Cela peut aussi conduire à un cercle vertueux. En effet, l’arrivée de ces nouveaux problèmes peuvent bénéficier aux communautés produisant des encodages ou des solveurs (en faisant office de nouveaux défis). Et ces derniers peuvent attaquer ces problèmes d’un oeil nouveau permettant ainsi de mettre en exergue des comportement indésirables lors de la mise en production. L’une des premières tâches à réaliser sera d’identifier les problèmes pratiques qui peuvent être traités grâce à des technique d’intelligence artificielle et de les modéliser. Cela permettra dans un premier temps d’établir des instances de test ainsi que des protocoles afin de valider expérimentalement les approches.
Liste des thématiques concernées : RCR, PPC, SMA
Nom (et coordonnées) du responsable du groupe de travail : Lagniez Jean-Marie, CRIL, Université d’Artois, Lens (lagniez@cril.fr)
___________________________________________________________________________________
Nom du groupe de travail : CAVIAR : ContrAintes, Vérification, fouIlle de données, Apprentissage, pRéférences.
Description de la problématique :
Description de la problématique :
• Raisonnement par contraintes et/ou en présence de préférences pour la fouille de données
• Apprentissage/fouille/SAT pour le raisonnement par contraintes et/ou en présence de préférences
• IA for software validation and validation
Liste des thématiques concernées : PPC, APP
Nom (et coordonnées) du responsable du groupe de travail : Nadjib Lazaar, Université de Montpellier, équipe COCONUT, LIRMM, Montpellier. (lazaar@lirmm.fr)