Contact
roze laurence, roze@irisa.fr
Mots-clés
Intelligence artificielle, concept drift, apprentissage incrémental
Description
Le stage de master proposé porte sur l’apprentissage incrémental de règles de classification, capable de prendre en compte l’évolution du concept cible (concept change). Ce problème est tout à fait crucial pour l’analyse des flux de données, puisqu’il faut construire un modèle de manière incrémentale, tout en permettant une évolution du système surveillé. Sachant que tous les exemples (instances) ne peuvent pas être sauvegardés, un point à étudier de manière approfondie est de définir ceux qui doivent être conservé et sous quelle forme (partial instance memory). Une difficulté supplémentaire et peu étudiée est celle de la modification de la distribution des exemples au cours du temps, due par exemple à un phénomène de masquage de certains exemples.
Ce sujet sera étudié dans le cadre de la surveillance en ligne d’une flotte de mobiles de type smartphones. Les logiciels de surveillance, qui ont en charge la détection et la prévention de dysfonctionnements, sont embarqués et doivent être régulièrement remis à jour afin de maintenir une qualité de service dans un contexte évolutif. Des rapports de fonctionnement, envoyés à intervalle régulier à un serveur, servent d’exemples et de contre-exemples pour l’apprentissage incrémental et adaptatif des règles de surveillance. Il fat tenir compte de l’évolution des matériels, mais aussi des actions préventives qui masquent les dysfonctionnements.
Le stage s’appuiera sur un premier travail fait l’année passée et mettant en œuvre un algorithme incrémental. Un premier mode de mémorisation des exemples passés pertinents (historique) a été mis en place. Le traitement de cet historique a été effectué dans le cadre d’un système statique. Il reste à l’étendre dans un cadre dynamique ou à la fois le système peu évolué et les exemples être masqués.
