Composant Evaluation Performance

Le but final de l’apprentissage automatique étant l’amélioration de la performance du système apprenant, donc l’amélioration de la prise en charge des tâches à supporter. Pour le système basé Agent-Apprenant, de diagnostic des pathologies des plantes, le concept « une mesure de la performance » a été instancié par la mesure de satisfaction des usagers, ici l’agriculteur et l’expert-pathologies, concernant les prises de décisions du système. Cette mesure, P, est donc identique à celle de la première instanciation, définie par le quotient du nombre de diagnostics acceptés sur le nombre d’inférences totales.

P = Nbr Diag-Acc / Nbr Inf-Tot

Avec :

Nbr Diag-Acct = Nombre de Diagnostics Acceptés. Nbr Inf-Tot = Nombre d’inférences Totales.

Une série d’évaluation de la performance, P, du système basé Agent-Apprenant, de diagnostic des pathologies des plantes est illustrée par les graphes suivants.

(a): Pendant l’entraînement initial du système (b) Après l’entraînement initial du système pathologies-plantes. pathologies-plantes.

Figure 5.17: Graphes des tests de la performance du système pathologies-plantes. La première courbe illustre les variations de la performance P, durant les phases initiales d’entraînement du système; alors que la seconde courbe présente les variations de la performance P, après l’entraînement initial, donc à la phase d’exploitation du système basé Agent-Apprenant. Pour cette deuxième instanciation, la courbe (a) comporte peu d’inclinaisons, et les prises de décisions ont rapidement atteint un haut degré de satisfaction des usagers à la phase d’entraînement initial. Aussi la courbe (b), pour le système des pathologies-plantes, est en évolution continue et elle est plus stable que celle correspondant à la première instanciation. Cette amélioration de la performance pour la prise en charge du diagnostic des pathologies des plantes, est renforcée par la disponibilité des connaissances préalables. En effet, ces dernières, comme nous l’avons précisé ci-dessus, permettent d’accélérer le processus d’apprentissage et aident le système à apprendre des règles consistantes avec l’interprétation, définie par les connaissances préalables et les exemples d’entraînement, donc des règles fiables. Ainsi les prises de décisions, basées sur ces règles, sont généralement satisfaites; par conséquent la performance, concernant la prise en charge des tâches de ce domaine, est en amélioration continue.

5.4. Conclusion

Ce chapitre a présenté deux instanciations du modèle général et générique, établi pour les systèmes basés Agent-Apprenant. L’instanciation consiste à réutiliser le modèle proposé, avec sa base conceptuelle et ses composants génériques, et l’étendre par les spécificités de l’application. La première instanciation concerne le courrier électronique, qui est devenu un moyen de communication populaire et une carte d’identité de n’importe

tâches répétitives et consommatrices de temps. D’où l’idée d’instancier le modèle générique par ce domaine pour aboutir à un système basé Agent-Apprenant pour la notification et la prise en charge intelligente des E-mails. L’architecture de ce système, nommé l’I.M.N.H, a été engendrée à partir de la spécialisation du modèle général par le domaine des E-mails. Les composants noyaux du modèle font partie de l’architecture, en plus des extensions et des raffinements relatifs au domaine de l’application. L’instanciation de la base conceptuelle, du modèle, pour le domaine des E-mails, a été faite progressivement et parallèlement avec celles des composants génériques. L’I.M.N.H est un système basé Agent-Apprenant Personnel qui a pour objectif l’adaptation à son usager. La personnalisation et par conséquent l’amélioration de la performance, de ce système, sont assurées par un apprentissage automatique des pratiques, habitudes et préférences de son usager concernant la prise en charge des E-mails.

La deuxième instanciation est relative à une application de diagnostic des pathologies des plantes; qui a été menée, tout comme la première instanciation, par une suite d’extensions et de raffinements des composants génériques, du modèle général, et des concepts qui leur sont associés. Le système basé Agent-Apprenant de diagnostic des pathologies des plantes a été implémenté sous la plateforme JADE. Cette dernière a été utilisée pour la possibilité de définition de comportements variés au sein d’un Agent et surtout pour faciliter l’extension future de cette instanciation vers un système multi-agents de diagnostic des pathologies des plantes. Les connaissances préalables disponibles, pour le domaine d’agriculture, avec les exemples d’entraînement aident à l’apprentissage de connaissances générales fiables. Ainsi, les prises de décisions, du système basé Agent-Apprenant de diagnostic des pathologies des plantes, sont en amélioration continue.

Ces deux instanciations nous ont permis d’exploiter et de réutiliser le modèle général et générique proposé, pour faciliter la construction de systèmes basés Agent-Apprenant. Aussi elles nous ont servi à mettre en œuvre les différents éléments de la base conceptuelle du modèle. La mise en correspondance entre les systèmes basés Agent-Apprenant et les approches/méthodes d’apprentissage automatique, présentée au chapitre 3, a guidé les choix, établis pour les deux systèmes basés Agent-Apprenant présentés dans ce chapitre.

Conclusion Générale

1. Introduction

Nous nous sommes intéressés dans ce travail de thèse à la technologie Agent et l’apprentissage automatique, des disciplines fortement liées à l’intelligence artificielle. Cette dernière tente, depuis longtemps, non seulement de comprendre le fonctionnement des entités intelligentes, mais aussi d’en construire.

D’une part, par son potentiel et son répertoire puissants la technologie Agent, émergeant principalement de l’intelligence artificielle distribuée, met en œuvre un ensemble de concepts et de techniques permettant d’aboutir à des systèmes intelligents. D’autre part, l’apprentissage automatique par ses capacités de construction automatique de connaissances et d’apprentissage de stratégies de contrôle, permet la résolution de problèmes complexes. Avec les avancées technologiques, ces problèmes posent de plus en plus des goulots d’étranglement au développement de systèmes informatiques.

La technologie Agent et l’apprentissage automatique, un domaine de recherche prometteur, permettent la résolution de problèmes nécessitant des capacités d’intelligence, d’autonomie, de flexibilité, d’apprentissage et d’adaptation. Nos contributions, dans ce domaine attrayant, concernent un travail de base, sur l’apprentissage automatique dans un Agent. Cette thèse, est le fruit de longues investigations et réflexions qui ont abouti à un travail réalisé pouvant être réutilisé, exploité et ouvrant des voies et des perspectives de recherche.