Learning by Observation and Induction the Strategies of Humans Placed in a Problem-Solving Context
Mary Felkin · OpenGrey (Institut de l'Information Scientifique et Technique) · 2008
L'apprentissage peut être effectué à tous les niveaux d'un agent artificiel, mais l'apprentissage par imitation ne concerne que les niveaux inférieurs de l'architecture de contrôle. L'agent peut apprendre ce qui est effectué par le démonstrateur humain et comment cela est fait. Personne n'avait encore essayé de faire apprendre à un agent les processus cognitif humain du niveau supérieur, à apprendre pourquoi quelque chose est fait. Cet apprentissage des fonctions cognitives supérieures fut réalisé à partir de vidéos montrant des être humains placés dans une situation de résolution de problèmes. Des volontaires aux yeux bandés ont exploré un labyrinthe à la recherche d'un trésor. Les stratégies des volontaires incluaient des buts tels que ne pas s'égarer, ne pas fouiller deux fois le même endroit, ne pas se cogner aux obstacles, etc. Ils évaluaient mentalement leurs stratégies et les modifiaient parfois durant un parcours. Détecter les changements de stratégies est important car cela offre une façon de d'indentifier les stratégies perdantes. La sélection d'attribut peut être utilisée pour apprendre quelles sont les séquences significatives à utiliser en tant que briques intermédiaires entre les paires de perception-action humaines et les tactiques humaines, et comment combiner ces paires pour construire un modèle implémentable de tactique humaine. Chaque stratégie peut être exprimée par une combinaison statistique de tactiques. Pouvoir donner une définition mathématique d'une stratégie humaine est un pas vers la construction d'un modèle implémentable de l'intelligence humaine. Notre robot humanoïde virtuel a appris et implémenté les stratégies humaines avec succès.