Deshen Moodley

Le projet explorera les architectures pratiques pour les agents logiciels dotés d'intelligence artificielle augmentée. En particulier, il explorera les architectures d'agents qui intègrent l'apprentissage automatique, les ontologies et les réseaux de décision bayésiens pour la prise de décision interactive et la découverte de connaissances dans les applications du monde réel.

Alors que les ontologies sont idéales pour représenter et structurer les connaissances d'un domaine, les réseaux de décision bayésiens (RDB) fournissent un support explicite pour raisonner avec l'incertitude, et pour capturer et raisonner sur les processus de prise de décision. En outre, les réseaux décisionnels bayésiens capturent le contexte décisionnel et les systèmes qui intègrent à la fois les ontologies et les RDB peuvent potentiellement permettre non seulement l'interopérabilité sémantique, mais aussi l'interopérabilité pragmatique.

Au-delà de l'aide à la décision, l'agent doit également permettre la découverte de nouvelles connaissances. Les techniques émergentes de réseaux neuronaux profonds, comme les réseaux neuronaux de graphes spatio-temporels, peuvent apprendre rapidement des modèles complexes de prédiction et de détection de modèles à partir d'observations de capteurs en temps réel et s'adapter aux changements dans l'environnement de l'agent. Le projet adopte une approche fondée sur des cas d'utilisation, comme exemples d'environnements d'application socio-physiques complexes et erratiques, notamment le comportement de consommation d'électricité des ménages résidentiels et la prise décision en matière d'investissement sur les marchés boursiers. La recherche donnera des indications sur la conception de la prochaine génération de systèmes d'IA centrés sur l'homme.