Frédéric Koriche, enseignant-chercheur au
Laboratoire d'informatique, de robotique et de
microélectronique de Montpellier (LIRMM), a reçu,
avec Bruno Zanuttini, le "IJCAI-09 Distinguished Paper
award" lors de la conférence IJCAI-09,
réputée dans le domaine de l’intelligence
artificielle, pour son article “Learning Conditional
Preference Networks with Queries”.
Photo © fotolia - Julien Tromeur
La notion de "préférence" apparaît
dans de nombreuses applications informatiques, telles que les
logiciels de configuration, les systèmes de recommandation,
et les agents autonomes. Un des défis majeurs de
l'intelligence artificielle est de construire des algorithmes
capables d'apprendre les préférences d'un utilisateur
face à des situations de décision. Par exemple, dans
un système de configuration automobile, l'algorithme peut
apprendre que l'utilisateur préfère
généralement les moteurs TDI aux moteurs essence s'il
roule plus de 20,000 km par an. Dans cet article, les
préférences de l'utilisateur sont structurées
en réseau, appelé "CP-net". Les auteurs
démontrent qu'il est généralement impossible
d'apprendre un CP-net de manière "passive" en
observant simplement l'utilisateur dans des situations arbitraires.
En revanche, ils mettent en évidence qu'il est possible
d'apprendre efficacement un CP-net de manière
"active" en testant son comportement sur un nombre
restreint de situations de décision choisies par
l'apprenant. La vitesse de convergence est telle que l'algorithme
d'apprentissage peut être employé pour des
applications utilisant plusieurs milliers de variables de
description (comme les systèmes de recommandation actuels ;
on pourra par exemple induire le modèle de
préférence d'un véhicule d'un utilisateur en
quelques interactions).