DESCRIPTION

Titre de l’invention : Communication bidirectionnelle homme-machine [0001] Domaine de l’invention

[0002] L’invention concerne le domaine technique des interfaces homme-machine, et décrit plus particulièrement des exemples de systèmes et de procédés de dialogue homme-machine.

[0003] Etat de la Technique

[0004] En aéronautique, la communication entre le pilote et les systèmes complexes embarqués est conçue et construite pour augmenter la performance opérationnelle et la gestion du risque de la mission. La notion de risque se décline parfois en prise de risque associé à une action donnée, que ce risque soit subi, imposé ou consenti.

[0005] Dans une certaine mesure, le risque peut être quantifié ou objectivé (e.g. à partir de mesures), par exemple positionné sur une échelle graphique. La notion de risque peut en effet s’appuyer sur des piliers ou facteurs plus quantifiables et mesurables. En particulier, ces facteurs peuvent correspondre à des intentions d’action, ou à des préoccupations induites par le contexte (absence ou limite de maîtrise des contraintes).

[0006] Dans le cadre des interactions avec des systèmes complexes (désigné par « la machine » ou « les machines »), de nombreux problèmes techniques peuvent se poser. Un des problèmes technique à résoudre peut résider dans le fait de faire « comprendre » à un système complexe les intentions du pilote, afin de produire une réponse technique adaptée. Cette réponse doit notamment être adaptée au contexte et être compréhensible par le pilote.

[0007] Différents travaux en psychologie peuvent éclairer les choix techniques avantageux dans le pilotage de systèmes complexes. Des travaux d’Amalberti [2011] permettent notamment de définir le concept de « compromis cognitif » chez le pilote d’aéronef. Il s’agit d’un contrôle de l’activité établi sur un compromis permanent {e. g. négocié en continu) sous-tendu par les contraintes temporelles de l’activité dynamique entre le risque externe encouru (menace environnementale) et le risque interne de ne pas réaliser le processus en cours (compétences pour l’aspect cognitif et/ou stress/fatigue pour l’aspect physiologique). [0008] Dans l’aéronautique contemporaine, un pilote adopte et s’adapte à des niveaux d’abstractions variés, en vue d’interagir avec les systèmes complexes embarqués dans son cockpit. Cependant, ces niveaux d’abstraction ne correspondent pas toujours directement à des entrées évidentes pour le système technique. C’est le cas lorsque le niveau d’abstraction adopté est celui des intentions. Chaque intention est conditionnée par l’objectif de la mission à réaliser, l’environnement, la situation tactique et l’état des systèmes. Elle conduit alors le pilote à « traduire » les intentions en termes techniques (c’est-à-dire en « langage » machine, e.g. une suite d’opérations) et ainsi à construire une combinaison d’instructions à destination du système.

[0009] Ce type de traductions vers et depuis les machines complexes peut devenir excessivement acrobatique voire impossible lorsque le pilote doit gérer de nombreux systèmes (notamment sous fortes contraintes temporelles), et a fortiori sous forte charge cognitive, ce qui peut conduire à des situations à risque.

[0010] La littérature scientifique et la littérature brevet décrivent peu de solutions satisfaisantes à ces problèmes techniques, essentiellement liés aux difficultés rencontrées dans les interactions entre l’homme et la machine.

[0011] Il existe un besoin pour des systèmes et des procédés avancés pour des interactions homme-machine, et notamment une communication bidirectionnelle.

[0012] Résumé de l’invention

[0013] Le document décrit des systèmes et procédés pour une communication bidirectionnelle homme - machine, notamment capable de capturer ou recevoir ou autrement récupérer les intentions (d’action) du pilote et de les traduire en un langage compréhensible par le système (alors dit « intelligent »). Réciproquement, les systèmes et procédés selon l’invention rendent compréhensible par l’homme les solutions calculées par le système. A mesure des interactions, la confiance dans le système de communication peut se renforcer.

[0014] Pour assurer une communication bidirectionnelle et efficace entre l’homme et la machine complexe, il est avantageux de capturer ou de récupérer les intentions du pilote et de traduire ces données dans un langage compréhensible par la machine. Dans le même temps, il est également avantageux d’analyser les solutions fournies par le système et de les rendre compréhensibles par l’homme. De la sorte le niveau de confiance peut être progressivement construit. Dit autrement, des systèmes et des procédés selon l’invention sont avantageux pour le dialogue homme-machine peuvent en particulier réduire l’écart sémantique entre le niveau d’abstraction de l’opérateur (dit de haut niveau) et celui du système (dit de bas niveau).

[0015] Dans un mode de réalisation, il est décrit un communicateur bidirectionnel pour optimiser un dialogue ou une interaction (succession d’actions et d’affichage d’informations issues de calculateurs notamment à partir de capteurs) entre un opérateur et un système complexe.

[0016] Dans un mode de réalisation, l’utilisation d’un ou de plusieurs « approximateurs » universels peut se révéler avantageuse pour réaliser les fonctions de traduction ascendante et descendante. Dans un mode de réalisation avantageux, le réglage du traducteur ascendant est réalisé par apprentissage supervisé sur la base de recueil de connaissances opérationnelles. Le réglage du traducteur descendant peut quant à lui être réalisé par apprentissage renforcé mettant en oeuvre le système complexe et le traducteur ascendant précédemment réglé.

[0017] Dans un mode de réalisation, les systèmes et procédés pour une communication bidirectionnelle homme-machine peut intégrer et utiliser une pluralité de traducteurs (e.g. ascendants et/ou descendants, congruents ou mis en concurrence, arrangés en série et/ou en parallèle) entre l’opérateur et le système complexe.

[0018] Ces traducteurs peuvent notamment être utilisés de manière indépendante (par exemple selon le besoin opérationnel e.g. contrôle du traducteur descendant, contrôle du traducteur ascendant pour une explicabilité de la réponse du système).

[0019] Les systèmes et procédés avancés décrits dans ce document peuvent être avantageux dans de nombreux domaines techniques nécessitant des interactions entre hommes et machines (e.g. construction BTP, médecine, systèmes d’aide à la décision économique, etc.). L’adaptation des systèmes et procédés selon l’invention à un nouveau domaine technique pourra par exemple se servir de nouvelles HLOM (métriques à haut niveau d’abstraction e.g. intentions) et LLOM (métriques opérationnelles de bas niveau). [0020] Avantageusement, les procédés et systèmes selon l’invention peuvent servir à contrôler en continu la synergie du couple humain / machine.

[0021] Avantageusement, les procédés et systèmes selon l’invention peuvent concerner différentes phases de préparation, modification, évaluation ou déroulement de la mission, pendant lesquelles le niveau de complexité est élevé.

[0022] Avantageusement, les procédés et systèmes selon l’invention peuvent mettre en oeuvre des interactions naturelles, moins coûteuses en ressources cognitives, et capables d’établir un bon niveau de confiance entre l’homme et la machine.

[0023] Avantageusement, les procédés et systèmes selon l’invention peuvent être utilisés dans tout autre domaine pour la gestion des systèmes complexes, par exemple notamment pour le contrôle de voiture autonome, la gestion des services des senseurs dans la surveillance aéroportée, les interactions avec un assistant virtuel, etc.

[0024] Avantageusement, les procédés et systèmes selon l’invention peuvent permettre au pilote de ne pas outrepasser le niveau de risque imposé par la hiérarchie (e.g. sécurité des vols et gestion du risque opérationnel).

[0025] Avantageusement, les procédés et systèmes selon l’invention peuvent permettre au pilote de détecter d’éventuelles divergences entre sa propre représentation mentale de la situation (ses intentions) et celle de son partenaire numérique.

[0026] Avantageusement, l’utilisation d’approximateurs universels permet de capturer des fonctions de traductions par apprentissage automatique (alors que la complexité croissante des systèmes rend en soi très délicate un réglage manuel des fonctions de traduction).

[0027] Avantageusement, l’utilisation de logique floue permet de manipuler des données à haut niveau d’abstraction.

[0028] Avantageusement, l’utilisation d’arbres de décisions permet d’évaluer et de comprendre les propositions calculées par les machines.

[0029] Description des figures

[0030] D’autres caractéristiques et avantages de l’invention apparaîtront à l’aide de la description qui suit et des figures des dessins annexés dans lesquels : [0031] La [FIG. 1] illustre l’état de la technique du dialogue homme-machine ;

[0032] La [FIG. 2] illustre quelques principes généraux de l’invention ;

[0033] La [FIG. 3] illustre un exemple d’arbre de décision à logique floue utilisé dans un mode de réalisation de l’invention ;

[0034] La [FIG. 4] illustre une généralisation possible de l’invention.

[0035] Description détaillée de l’invention [0036] Aéronef

[0037] Selon les modes de réalisation de l’invention, un « aéronef » peut être un drone, ou un avion commercial, ou un avion de fret, ou bien encore un hélicoptère, embarquant ou non des passagers, ou tout élément étant susceptible d’être télé piloté (par liaison radio, satellite, ou autre), au moins partiellement (de manière intermittente, ou périodique, ou même opportuniste au cours du temps).

[0038] Niveaux d’abstraction

[0039] Les modes de réalisation des systèmes et procédés selon l’invention visent à fournir au pilote un outil de communication permettant de transmettre des consignes de haut niveau à un système complexe (sens descendant, ou premier sens) et à l’inverse (sens remontant, ou deuxième sens selon une axiologie homme-machine), de présenter de manière compréhensible le mode de fonctionnement proposé.

[0040] Les niveaux d’abstraction manipulés par l’invention peuvent être divers. Par convention, on dénombrera N niveaux d’abstraction (cascade ou emboîtements de termes).

[0041] Dans un mode de réalisation N=5. Par exemple, des travaux de Rasmussen dans le domaine de l’interaction homme-machine sont connus en science de la conception. Ces travaux permettent de classer un objet ou une fonction selon une hiérarchie établie sur 5 niveaux d’abstraction. Le plus bas de ces niveaux désigne celui des formes physiques (solution technique/design). Les niveaux intermédiaires portent sur des processus physiques (interaction / traitement de l’information), des fonctions générales et des fonctions abstraites (schémas ou modes opérations). Enfin, le niveau d’abstraction le plus élevé est celui des objectifs fonctionnels et des intentions. Un objectif fonctionnel désigne ce pourquoi l’information est conçue (par exemple « je veux détecter et me protéger en même temps »). Une fonction abstraite désigne des modes opératoires et des schémas connus ou envisagés (par exemple les ondes électromagnétiques du radar et du brouilleur se perturbent). Une fonction générale désigne les informations qui s’appuient sur le potentiel technique d’un objet (par exemple, je veux une fonction qui optimise par un compromis la détection radar et le brouillage). Un processus physique désigne un type d’interaction et de traitement de l’information (selon le contexte je veux choisir entre un mode unique radar un mode unique brouillage est un compromis des deux). Une forme physique concerne la forme de l’information (symbologie).

[0042] Dans certains modes de réalisation, le procédé manipule des données HLOM, LLOM, MLOM et LLTP, acronymes qui seront développés plus loin.

[0043] Approximateur universel

[0044] Un « approximateur universel » désigne généralement un réseau de neurones. Un réseau de neurones est en effet capable d'imiter pratiquement n'importe quel processus, après ajustement de ses paramètres par apprentissage. En termes mathématiques, toute fonction bornée suffisamment régulière peut être approchée avec une précision arbitraire, dans un domaine fini de l'espace de ses variables, par un réseau de neurones comportant une couche de neurones cachés en nombre fini, possédant tous la même fonction d'activation, et un neurone de sortie linéaire. Cette propriété n'est pas spécifique des réseaux de neurones : bien d'autres familles de fonctions paramétrées possèdent cette propriété. La spécificité des réseaux de neurones réside dans le caractère « parcimonieux » de l'approximation : à précision égale, les réseaux de neurones nécessitent moins de paramètres ajustables que les autres approximateurs connus.

[0045] Apprentissage automatique

[0046] Différents algorithmes d’apprentissage peuvent être utilisés, en combinaison avec les caractéristiques selon l’invention. Le procédé peut comprendre un ou plusieurs algorithmes (e.g. mis en concurrence) parmi les algorithmes comprenant: les "machines à vecteur de support" ou "séparateurs à vaste marge" (en anglais « Support Vector Machine », acronyme SVM); le « boosting » (classifieurs); les réseaux de neurones (en apprentissage non-supervisé); les arbres de décision ("Random Forest"), les méthodes statistiques comme le modèle de mixture gaussienne; la régression logistique; l'analyse discriminante linéaire; et les algorithmes génétiques.

[0047] Les tâches d'apprentissage automatique sont généralement classées en deux grandes catégories, selon qu'il existe un "signal" ou des entrées d'apprentissage ou des "retours d'information" ou « sorties disponibles ».

[0048] L’expression « apprentissage supervisé » désigne une situation dans laquelle il est présenté à l’ordinateur des exemples d'entrées et des exemples de sorties (réelles ou souhaitées). L’apprentissage consiste alors en l’identification d’un entrelacs de règles fait correspondre les entrées aux sorties (ces règles peuvent être compréhensibles ou non pour l’homme).

[0049] L’expression «apprentissage semi-supervisé» désigne une situation dans laquelle l'ordinateur ne reçoit qu'un ensemble de données incomplet: par exemple il existe des données de sortie manquantes.

[0050] L’expression « apprentissage par renforcement» consiste à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. Au travers d'expériences itérées, un comportement décisionnel (appelé stratégie ou politique, qui est une fonction associant à l'état courant l'action à exécuter) est déterminé comme étant optimal, en ce qu'il maximise la somme des récompenses au cours du temps.

[0051] L’expression « apprentissage non supervisé» (également appelé apprentissage approfondi ou apprentissage profond) désigne une situation dans laquelle aucune annotation n’existe (pas de libellé, pas de description, etc), laissant l'algorithme d'apprentissage seul pour trouver une ou plusieurs structures, entre entrées et sorties. L'apprentissage non-supervisé peut être un objectif en soi (découverte de structures cachées dans les données) ou un moyen de parvenir à un objectif (apprentissage par les fonctionnalités).

[0052] Selon les modes de réalisation, la contribution humaine dans les étapes d'apprentissage automatique peut varier. Dans certains modes de réalisation, l'apprentissage automatique est appliqué à l'apprentissage automatique lui-même (réflexif). L'ensemble du processus d’apprentissage peut en effet être automatisé, notamment en utilisant plusieurs modèles et en comparant les résultats produits par ces modèles. Dans la plupart des cas, les humains participent à l’apprentissage automatique («Human in the loop »). Les développeurs ou curateurs sont responsables de la maintenance des amas de données: ingestion de données, nettoyage des données, découverte de modèles etc.

[0053] L’apprentissage automatique peut correspondre à des architectures matérielles qui sont émulables par ordinateur (e.g. CPU-GPU), mais parfois non (des circuits dédiés à l’apprentissage peuvent exister).

[0054] Différents algorithmes d’apprentissage peuvent être utilisés. Le procédé peut comprendre un ou plusieurs algorithmes parmi les algorithmes comprenant: les "machines à vecteur de support" ou "séparateurs à vaste marge" (en anglais « Support Vector Machine », acronyme SVM); le « boosting » (classifieurs); les réseaux de neurones (en apprentissage non-supervisé); les arbres de décision ("Random Forest"), les méthodes statistiques comme le modèle de mixture gaussienne; la régression logistique; l'analyse discriminante linéaire ; et les algorithmes génétiques.

[0055] Matériellement, selon les modes de réalisation, le procédé selon l’invention peut être mis en oeuvre sur ou par un ou plusieurs réseaux de neurones. Un réseau de neurones selon l’invention peut être un ou plusieurs réseaux de neurones choisis parmi les réseaux de neurones comprenant : a) un réseau de neurones artificiels (en anglais « feedforward neural network »; b) un réseau de neurones artificiels acyclique, e.g. un perceptron multicouche, se distinguant ainsi des réseaux de neurones récurrents ; c) un réseau de neurones à propagation avant ; d) un réseau de neurones de Hopfield (un modèle de réseau de neurones récurrents à temps discret dont la matrice des connexions est symétrique et nulle sur la diagonale et où la dynamique est asynchrone, un seul neurone étant mis à jour à chaque unité de temps) ; e) un réseau de neurones récurrents (constitué d'unités interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure) ; f) un réseau neuronal convolutif (en anglais « CNN » ou « ConvNet » pour « Convolutional Neural Networks », un type de réseau de neurones artificiels acycliques feedforward, par empilage multicouche de perceptrons) ou g) un réseau antagonistes génératifs (en anglais « generative adversarial networks » acronymes GANs, classe d'algorithmes d'apprentissage non-supervisé)

[0056] Logique floue [0057] La logique floue (« fuzzy logic », en anglais) est une logique polyvalente où les valeurs de vérité des variables - au lieu d'être vrai ou faux - sont des réels entre 0 et 1. En ce sens, elle étend la logique booléenne classique avec des valeurs de vérités partielles. Le degré de vérité d'une relation floue entre deux ou N objets est le degré d'appartenance de la paire ou du N-uple à l'ensemble flou associé à la relation.

[0058] Avantageusement, l’utilisation de logique floue entraîne avec elle l’utilisation de mots d’un dictionnaire, lequel peut généralement être exprimé en langage naturel (interface avantageuse dans les interfaces homme-machine)

[0059] Système d’inférence à logique floue FIS

[0060] Un « Fuzzy Inference System » (FIS) est un système qui utilise la logique floue pour établir la correspondance entre des données d’entrée (features) à des données de sorties (classification) ou des sorties continues (régression). Le choix de la méthode de défuzzification impliquera soit une classification (sortie discrète), soit une régression (sortie continue).

[0061] Les systèmes d'inférence floue prennent les entrées et les traitent en fonction de règles prédéfinies pour produire les sorties. Tant les entrées que les sorties ont une valeur réelle, tandis que le traitement interne est basé sur des règles floues et une arithmétique floue.

[0062] Un FIS utilise généralement six étapes (déterminer des règles floues, rendre floues des entrées par les classes d’appartenance, combiner des entrées floues en fonction de ces règles floues, déterminer une ou plusieurs conséquences de l’application des règles, combiner les conséquences en une distribution de sortie, rendre non-floue ladite distribution).

[0063] Système d'inférence flou adaptatif AN-FIS

[0064] Dans un mode de réalisation optionnel, le procédé selon l’invention peut utiliser un système ANFIS, en complément ou en substitution d’arbres de décision flous.

[0065] Un système d'inférence flou adaptatif ou système d'inférence floue basé sur un réseau adaptatif (ANFIS) est un type de réseau neuronal artificiel qui est basé sur le système d'inférence floue Takagi-Sugeno. La technique a été développée au début des années 1990. Intégrant à la fois des réseaux de neurones et de la logique floue, elle permet de capturer les avantages des deux approches dans un cadre unique. Son système d'inférence correspond à un ensemble de règles IF-THEN floues qui ont une capacité d'apprentissage pour approcher des fonctions non linéaires. Un ANFIS est donc considéré comme un approximateur universel. Pour utiliser l'ANFIS de manière plus efficace et optimale, il est avantageux d’utiliser les meilleurs paramètres obtenus par algorithmie génétique.

[0066] Algorithmes génétiques

[0067] Un algorithme génétique appartient à la famille des algorithmes évolutionnistes, dont le but est d'obtenir une solution approchée à un problème d'optimisation lorsqu'il n'existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et l'appliquent à une population de solutions potentielles au problème donné.

[0068] Un algorithme génétique comprend généralement au moins trois étapes (sélection, évaluation, génération par sélection et/ou mutation).

[0069] Dans une première étape, une population de base est déterminée (e.g. générée ou sélectionnée). Les N jeux de paramètres (aussi appelé individus) sont initialisés, par exemple à une valeur aléatoire. Indifféremment, la population de départ peut aussi être reçue d’un système tiers, ou résulter d’une sélection parmi un ensemble d’individus. En particulier, l’initialisation de la boucle génétique peut prendre en entrée la sortie de cette même boucle génétique ».

[0070] Dans une deuxième étape, la population est évaluée. A l’aide d’outils de simulation, on réalise par exemple un grand nombre de calcul de trajectoire (en général plusieurs millions voir milliards, plus le nombre est grand plus le résultat obtenu est juste mais plus le temps de simulation est allongé) pour chacun des N jeux de paramètres puis on évalue chacun de ces jeux avec la fonction d’évaluation f. Dans l’exemple considéré, on pourra choisir de simuler toutes les routes existantes dans la base de données des procédures, avec un certain nombre de jeux de prédictions. Dans une troisième étape, les meilleurs individus sont sélectionnés pour la prochaine itération. On pourra par exemple retenir les 20% d’individus avec la meilleure évaluation. On peut également décider de conserver aléatoirement 5% du reste de la population, pour conserver de la diversité. Différents modes de sélection sont envisageables (e.g. seuillage, plages de seuils, fonctions analytiques, etc).

Dans un mode de réalisation, les k échantillons ayant le meilleur score (e.g. k < 50) sont sélectionnés, k étant reçu ou calculé. Dans un mode de réalisation, k est prédéfini. Dans un mode de réalisation, seuls les échantillons présentant un score supérieur à un seuil prédéfini sont conservés (par exemple les k échantillons ayant un score supérieur à 70%, si le score est compris entre 0 et 100%). Dans un mode de réalisation, un ou plusieurs des seuils utilisés sont fonction de l’itération de l’algorithme (sélectivité croissante). Dans un mode de réalisation, la sélection se fait par une méthode de «roue biaisée»: les échantillons sont sélectionnés proportionnellement à leur score (plus d’échantillons à haut score sont sélectionnés qu’à bas score). Dans un mode de réalisation, les B meilleurs scores sont conservés l’office. Tous ces modes de réalisation peuvent être combinés entre eux (sélection paramétrique, sélection par fonctions analytiques de manière algorithmique).

[0071] Dans une étape ultérieure, il est effectué un ou plusieurs croisement(s)/mutation(s). A cette étape il s’agit de compléter la population afin de conserver une population constante. Ce complément peut être réalisé de différentes manières. Un croisement consiste à créer de nouveaux individus à partir d’autres individus. Par exemple pour deux individus avec 4 paramètres ou « gènes » [a, b, c, d] et [a’, b’, c’, d’] on peut obtenir [a, b, c’, d’] et [a’, b’, c, d]. Les croisements peuvent par exemple se faire par paire (e.g. en choisissant aléatoirement deux échantillons (« père », « mère ») qui sont croisés pour obtenir deux nouveaux échantillons (« enfants »). Dans un mode de réalisation, la méthode de croisement est un croisement à point multiple. Dans un mode de réalisation, la méthode de croisement est un croisement à un point. Une mutation consiste à modifier aléatoirement un individu de la population, par exemple en modifiant la valeur d’un des paramètres d’un individu à une nouvelle valeur aléatoire dans le domaine défini. Par exemple pour un individu avec 4 gènes ou paramètres [a, b, c, d] devient [a, e, c, d]. Les mutations peuvent se faire par sélection au hasard d’un gène et remplacement par un autre gène. Par exemple, dans un mode de réalisation, le taux de mutation peut être fixé à m% (entre 0,01 et 2%), et le changement de gène suit une loi uniforme.

[0072] Dans une étape ultérieure, il est déterminé si la boucle est continuée (e.g. rebouclée, réitérée), ou bien arrêtée. A cette étape, il s’agit de décider si un optimum a été trouvé et dans ce cas considérer l’individu avec la meilleure fonction d’évaluation comme le jeu de paramètres optimum. Dans le cas contraire, les calculs continuent. En général un optimum est trouvé si la moyenne de la fonction d’évaluation de tous les individus est proche de la meilleure fonction d’évaluation d’un individu. Une alternative peut être de considérer simplement une valeur donnée à partir de laquelle le score de la population est jugé satisfaisant. Le meilleur jeu de paramètres est donc alors déterminé.

[0073] Dans une étape ultérieure, le meilleur jeu de paramètres est validé (ou pas) et la performance est quantifiée. A cette étape, on dispose d’un jeu de paramètre optimal (meilleur individu trouvé à la 5ème sous-étape). On dispose également de l’ensemble des simulations de ce jeu de paramètres ce qui permet de caractériser la performance du produit. Si la performance du produit est jugée conforme cela valide le jeu de paramètre ; dans le cas contraire, il sera possible d’analyser les causes de ces erreurs et envisager de revoir les logiques et pourquoi pas d’introduire de nouveaux paramètres qu’il faudra régler en recommençant la recherche.

[0074] Arbres de décision à logique floue (GFT)

[0075] Dans un développement, l’apprentissage automatique comprend un arbre de décision génétique à logique floue GFT.

[0076] Dans un développement, l’apprentissage automatique comprend la mise en oeuvre d’un algorithme génétique (2211), lequel génère le réglage des GFT utilisés dans les traducteur remontant et descendant, à savoir le réglage des fonctions d’appartenance et des bases de règles floues de chaque FIS composant le GFT, et ce en décomposant fonctions d’appartenance et bases de règles en une pluralité de gènes associés, puis à les mélanger aléatoirement et/ou remplacer aléatoirement un ou plusieurs gènes par d’autres. Avantageusement, on pourra également encoder dans les gènes la structure même de l’arbre GFT est ainsi l’optimiser via l’algorithme génétique.

[0077] L’utilisation de logique floue dans un FIS (Fuzzy Inference System) permet d’élaborer des ordres de contrôles en fonction d’entrées. Ces ordres sont élaborés par des lois « linéaires » (a minima), dépendant de « paramètres de contrôle ». L’étape consistant à déterminer des ordres à destination du FMS/AP peut être guidée ou gouvernée ou encadrée par un ensemble de contrôle de logique floue. [0078] Dans un mode de réalisation, l’apprentissage automatique peut permettre de régler au mieux (ou optimiser) les paramètres de contrôle des FIS, de façon à ce que le score de réussite de la mission soit le plus élevé possible (calculé par une fonction de fitness).

[0079] Les FIS ou GFT (FIS organisés en arbre) interviennent par certains aspects comme le ferait un pilote connaissant son aéronef : le pilote finit par connaître les ordres à élaborer pour avoir un résultant optimal en regard de la mission.

[0080] Un ensemble arborescent de FIS peut donc être utilisé pour élaborer l’ensemble des paramètres associés aux éléments unitaires.

[0081] L’utilisation de mécanismes génétiques permet de faire varier les paramètres internes de contrôle des différentes logiques floues et d’aboutir à un ensemble optimisé pour l’ensemble des missions considérées.

[0082] Dans un mode de réalisation de l’invention, l’algorithme de contrôle peut se fonder sur un réseau de neurones. Le cas échéant, l’apprentissage s’effectue par rétro-propagation de gradient, de manière à optimiser les pondérations des différents neurones impliqués. Dans un mode de réalisation, en l’espèce, la sortie de chaque neurone en couche terminale peut correspondre respectivement aux ordres d’orientation et de vitesse de chaque élément unitaire (à l’instar de ce qui est proposé pour l’algorithme de type GFT).

[0083] « Boites noires » versus « boites blanches »

[0084] Une boite noire, entre une ou plusieurs entrées et une ou plusieurs sorties, désigne un procédé dont l’accès aux données intermédiaires et/ou règles de calcul n’est pas possible, ou, le cas échéant, ne peut pas être directement intelligible à l’homme.

[0085] Une boite blanche désigne un procédé dont les données intermédiaires et/ou règles de calcul sont accessibles et directement intelligible à l’homme.

[0086] Algorithme génétique

[0087] Dans un mode de réalisation, le procédé utilise un ou plusieurs algorithmes génétiques. Un algorithme génétique manipule itérativement un ensemble de vecteurs de variables réelles à l'aide d'opérateurs de mutation, de sélection et de croisement (« Crossing over »). Un algorithme génétique manipule itérativement un ensemble de vecteurs de variables réelles à l'aide d'opérateurs. Une étape de mutation est effectuée par l'ajout d'une valeur aléatoire tirée au sein d'une distribution qui est généralement normale. La sélection s'effectue par un choix déterministe des meilleurs individus, ou une recombinaison, selon l'échelle de valeur d’une fonction objectif. L’utilisation d’un opérateur de recombinaison permet généralement d'éviter d'être piégé dans des optimums locaux.

[0088] Arbres de décision à logique floue GFT (Genetic Fuzzy Trees)

[0089] L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif.

[0090] En analyse de la décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent. C'est une technique d'apprentissage supervisée : on utilise un ensemble de données pour lesquelles on connaît la valeur de la variable-cible afin de construire l'arbre (données dites étiquetées), puis on extrapole les résultats à l'ensemble des données de test.

[0091] L'arbre est en général construit en séparant l'ensemble des données en sous- ensembles en fonction de la valeur d'une caractéristique d'entrée. Ce processus est répété sur chaque sous-ensemble obtenu de manière récursive, il s'agit donc d'un partitionnement récursif.

[0092] Certaines techniques, appelées méthodes d'ensembles (ensemble methods), améliorent la qualité ou la fiabilité de la prédiction en construisant plusieurs arbres de décision depuis les données (e.g. ensachage, classification par forêts d'arbres aléatoires, boosting d'arbre de classification et de régression, classification par rotation de forêts d'arbres de décision, etc).

[0093] Les arbres de décision sont parfois combinés entre eux ou à d'autres techniques d'apprentissage. Des procédures d'agrégation des performances des différents modèles utilisés (telles que les décisions par consensus), sont mises en place pour obtenir une performance maximale, tout en contrôlant le niveau de complexité des modèles utilisés.

[0094] Les arbres de décision correspondent à un modèle boîte blanche : si l'on observe une certaine situation sur un modèle, celle-ci peut être expliquée à l'aide de la logique booléenne, au contraire de modèles boîte noire comme les réseaux neuronaux, dont l'explication des résultats est difficile à comprendre.

[0095] Les arbres de décision présentent de nombreux avantages : peu de préparation des données (pas de normalisation, de valeurs vides à supprimer, ou de variable muette); gestion des valeurs numériques et des catégories.

[0096] Avantageusement, des algorithmes évolutionnistes peuvent être utilisés pour éviter les séparations amenant à des optimums locaux.

[0097] Algorithme CMA-ES

[0098] Dans un mode de réalisation, le procédé utilise un algorithme CMA-ES (acronyme de « Covariance Matrix Adaptation Evolution Strategies »), ou une de ses variantes (e.g. stratégies d'évolution hiérarchiques Meta-ES ou Nested-ED ).

[0099] L'algorithme CMA-ES repose notamment sur l'adaptation, au cours des itérations, de la matrice de variance-covariance de la distribution multi-normale utilisée pour la mutation.

[0100] Les algorithmes de type CMA-ES sont avantageux, en particulier pour les fonctions non-convexe, non-séparables, malformées, multimodales ou bruitées. Des études portant sur l’optimisation de boite noire ont montré que CMA-ES est efficace dans des « conditions difficiles » ou de grands espaces de recherche. Les algorithmes CMA-ES ont aussi été étendus aux problèmes d’optimisation multi- objectifs (MO-CMA-ES).

[0101] Un algorithme CMA-ES comprend notamment un principe de vraisemblance maximale (la matrice de covariance est mise à jour de manière incrémentale de sorte que la vraisemblance des étapes de recherches précédentes soit augmentée).

[0102] Dans d’autres modes de réalisation, l’algorithme CMA-ES peut être remplacé par un algorithme d’estimation des distributions ou des méthodes “Cross-Entropy Method”. Dans d’autres modes de réalisation, l’algorithme CMA-ES peut être remplacé par un “DownhHI simplex method’ ou “Surrogate-based methods”, par des méthodes “BFGS” ou “NEWUOA” ou encore “Multilevel Coordinate Search (MCS)”.

[0103] Optimisation de boîte noire

[0104] Une boite noire n’exhibe pas son contenu (ou son contenu accessible n’est pas intelligible). [0105] L’évaluation peut présenter un coût. Pour les BN simples, il est possible d’échantillonner de manière aléatoire, de manière déterministe ou selon des schémas prédéfinis. Il est aussi possible d’intensifier l’exploration autour d’un point précis ou bien de chercher les frontières.

[0106] Des algorithmes génétiques avec une fonction d’évaluation peuvent avantageusement être utilisés. Ils sont faciles à implémenter et à paralléliser, bien qu’il n’y ait presque pas de théorie quant à la convergence et que les performances soient généralement assez faibles.

[0107] Dans un mode de réalisation, il est décrit un procédé pour un dialogue bidirectionnel homme-machine comprenant les étapes consistant à : - traduire, selon une traduction dite descendante, des commandes dites générales d’un référentiel sémantique prédéfini vers des données d’entrées manipulables par la machine, par un ou plusieurs approximateurs universels, par exemple un ou plusieurs réseaux de neurones et/ou des arbres de décision à logique floue ; et, traduire, selon une traduction dite ascendante, des données brutes de sortie déterminées par la machine, vers des données exprimées dans ledit référentiel sémantique prédéfini, par un ou plusieurs boites blanches comprenant un ou plusieurs arbres de décision à logique floue.

[0108] Dans un mode de réalisation, le procédé peut être appris/optimisé de manière à ce que la traduction ascendante issue d’une commande donnée soit la plus proche de celle naturellement enregistrée (historiques de communications, etc).

[0109] Les commandes peuvent être abstraites ou générales. Une boite noire, entre une ou plusieurs entrées et une ou plusieurs sorties, désigne un procédé dont l’accès aux données intermédiaires et/ou règles de calcul n’est pas possible, ou, le cas échéant, ne peut pas être directement intelligible à l’homme.

[0110] Une boite blanche désigne un procédé dont les données intermédiaires et/ou règles de calcul sont accessibles et directement intelligible à l’homme.

[0111] Un approximateur universel peut être en boite blanche ou en boite noire.

[0112] Selon les modes de réalisation, la traduction descendante comprend au moins une ou plusieurs boites noires. Ces boites noires peuvent être arrangées en série et/ou en parallèle. [0113] La traduction ascendante (ou montante ou remontante) peut aussi utiliser une ou plusieurs boites blanches. La traduction ascendante part des paramètres techniques de sortie du système de systèmes pour arriver à des propositions à haut niveau d’abstraction ; cette traduction est effectuée en utilisant des arbres de décision à logique floue.

[0114] Dans un mode de réalisation, le procédé utilise un algorithme d’optimisation génétique. Un algorithme d’optimisation génétique manipule itérativement un ensemble de vecteurs de variables réelles à l'aide d'opérateurs de mutation et de sélection. Une étape de mutation est effectuée par l'ajout d'une valeur aléatoire tirée au sein d'une distribution qui est généralement normale. La sélection s'effectue par un choix déterministe des meilleurs individus, ou une recombinaison, selon l'échelle de valeur d’une fonction objectif. L’utilisation d’un opérateur de recombinaison permet généralement d'éviter d'être piégé dans des optimums locaux.

[0115] Un arbre de décision à logique floue capture une ou plusieurs logiques métiers.

[0116] Dans un mode de réalisation, le procédé comprend en outre les étapes consistant à : recevoir les données de sortie de la machine en réponse aux données d’entrée; comparer les données à haut niveau d’abstraction entrées capturées par IHM du pilote et les données à haut niveau d’abstraction traduites. Cette étape qualifie ou constitue un cycle { capture, traduction descendante, traduction ascendante, restitution}. Des millions de cycles peuvent être réitérés. Le rendu analogique peut en faire partie (interface et rendu analogique, i.e. jusqu’aux bords de la cognition humaine).

[0117] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à sélectionner des données de sortie parmi plusieurs, par filtrage et/ou seuillage, ou notamment en traversant la traduction ascendante constituée d’arbres de décision à logique floue GFT. Un très grand nombre de solutions correspondant aux sorties brutes peut être produit. Le filtrage de ces solutions peut s’effectuer de différentes manières, notamment en traversant la traduction ascendante (e.g. via le filtrage métier encodé dans les GFTs). Les solutions calculées peuvent être notées ou scorées (seuillage, min-max etc).

[0118] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à contrôler au moins une boite noire par au moins une boite blanche, une boite blanche comprenant un ou plusieurs arbres de décision à logique floue GFT. Dans un mode de réalisation, le procédé manipule en effet une boite blanche et une boite noire.

[0119] Dans un mode de réalisation, l’étape consistant à contrôler un réseau de boites noires descendantes par une boite blanche ascendante comprend l’étape consistant à optimiser ladite boite noire par apprentissage automatique. Dans un mode de réalisation, le procédé manipule en effet une boite blanche (traduction ascendante) contre N boites noires (plusieurs boites noires i.e. un « réseau », selon un arrangement, ou une « pluralité de » boites noires). La boite blanche peut être composée d’une pluralité de boites blanches, en nombre fini, lesquelles boites blanches contrôlent l’optimisation de plusieurs boites noires. La ou les boites blanches (traduction ascendante) « encodent » l’expertise métier spécifique à un domaine d’application. Ces boites blanches sont donc « réglées » (au sens d’une opération manuelle).

[0120] Une boite est dite noire au sens où les pondérations et les états intermédiaires dans des réseaux de neurones ne sont que rarement intelligibles de manière directe au non-expert. La ou les boites noires « encodent » (par apprentissage sur une masse de données observant les activités de nombreux pilotes dans des aéronefs variés) la traduction descendante. Les BN permettent l’injection d’une grande puissance de calcul. Les jugements humains sont engravés dans la machine, mais d’une façon qui n’est généralement pas accessible ou interprétable. Les BN n’encodent pas une expertise métier (application verticale, domaine d’application).

[0121] Le procédé peut donc être « asymétrique » en ce que la traduction descendante en boite noire (gauche) est optimisée par - s’appuie sur - la traduction ascendante (droite), laquelle est réglée avec soin, par l’homme, et qui encode une expertise métier.

[0122] Dans un mode de réalisation, l’asymétrie peut être inversée.

[0123] Le choix de spécifier ou une boite blanche peut (notamment) se justifier par des motivations d’explicabilité (« intelligence artificielle explicable » ou « contrôlable ^>> )

[0124] Selon les cas, les opérations de traduction peuvent être « apprises » (données massives) ou « réglées » (réglage frugal manuel, cas simples). En réalité, toutes les situations intermédiaires peuvent être observées sur le continuum. L’automatisation peut être plus ou moins poussée et parfois (pragmatiquement) dépasser les capacités humaines de traitement. L’invention apporte l’architecture BN/BB décrite dans le document, et ses différentes options (e.g. modifications des graphes dans les GFT, BN en série et /ou en parallèles, réseaux d’approximateurs).

[0125] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à sélectionner un réseau d’approximateurs universels parmi plusieurs, par apprentissage automatique.

[0126] Dans un mode de réalisation, le procédé manipule en effet N boites blanches et M boites noires. Dans ce type de configuration, à haute intensité computationnelle, les algorithmes peuvent être mis en concurrence, par grappes ou réseaux entiers. La partie machine peut donc être poussée dans ses retranchements. Par exemple, il se peut que les données courantes plaident pour l’utilisation d’un réseau plus efficace que le réseau par défaut.

[0127] Dans un mode de réalisation, l’étape consistant à optimiser le graphe des systèmes d’inférence flous FIS d’un GFT est effectuée par apprentissage automatique.

[0128] Dans un mode de réalisation, un approximateur universel est une fonction paramétrée et/ou un réseau de neurones et/ou un réseau CMA-ES. Un réseau de neurones est un approximateur parcimonieux. L’utilisation d’un réseau CMA-ES est particulièrement avantageuse.

[0129] Dans un mode de réalisation, un apprentissage automatique comprend la mise en oeuvre d’un algorithme génétique, lequel détermine le réglage des arbres de décision flous GFT utilisés dans les traducteurs remontant et/ou descendant, notamment le réglage des fonctions d’appartenance et des bases de règles floues de chaque système d’inférence flou FIS composant l’arbre de décision flous GFT.

[0130] Dans un mode de réalisation, ledit réglage est effectué en décomposant les fonctions d’appartenance et les bases de règles en une pluralité de gènes associés, puis à les mélanger aléatoirement et/ou remplacer aléatoirement un ou plusieurs gènes par d’autres. [0131] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à optimiser par algorithme génétique la structure d’un arbre de décision à logique floue.

[0132] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à actualiser des données courantes relatives à l’aéronef ou son environnement, lesdites données modifiant indépendamment les données des boites blanches et/ou boites noires. La fréquence de rafraîchissement des données peut être variable selon les applications. Le rafraîchissement peut être extrêmement lent, possiblement des années (satellite, robots martiens) mais peut à l’inverse être extrêmement rapide (e.g. trafic routier, intensité d’actions).

[0133] Dans un mode de réalisation, les données courantes sont des données brutes (radar, montage, nuage) et/ou des données de partitions de l’espace (zone pacifique, zone de ravitaillement)...); dont un sous ensemble est envoyé vers la traduction descendante.

[0134] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à accéder à une ou plusieurs valeurs intermédiaires manipulées dans les arbres de décision à logique floue GFT.

[0135] Dans un mode de réalisation, le procédé comprend en outre l’étape consistant à afficher une ou plusieurs valeurs intermédiaires manipulées dans les arbres de décision à logique floue GFT.

[0136] Dans un mode de réalisation, une ou plusieurs des boites blanches de la traduction ascendante sont affichées sur demande dans une interface homme- machine. Les boites blanches peuvent en effet être « dépliables » i.e. affichable sur demande (affichage valeurs intermédiaires, cause racines, etc). Un système d’inférence flou peut être « ouvert », cad affiché ou autrement restitué (par exemple pour voir les règles utilisées, afficher les LLOM, afficher un ou plusieurs niveaux d’abstraction du dialogue, etc).

[0137] Dans un mode de réalisation, la traduction ascendante est réglée par apprentissage supervisé (e.g. les coefficients des réseaux de neurones sont ajustés en considérant un grand nombre de données e.g. une grande quantité de cycles descendant-ascendant-jugement). En l’espèce, il est avantageux d’utiliser un apprentissage supervisé pour l’arbre remontant et par renforcement pour l’arbre descendant.

[0138] Dans un mode de réalisation, la traduction descendante est ajustée ou réglée par apprentissage par renforcement en s’appuyant sur le traducteur ascendant réglé ou appris. Les coefficients des réseaux de neurones et/ou des GFT peuvent notamment être ajustés en considérant un grand nombre de données (une grande quantité de cycles descendant-ascendant-jugement). Avantageusement, il n’y a pas de combinatoire brute-force, l’apprentissage peut conduire à une réduction du nombre d’états, par exemple pour servir à filtrer très en amont et pas seulement à la toute fin (en sus d’un seuillage). LToptimisation boite noire de la traduction descendante prend alors tout son sens.

[0139] Dans un mode de réalisation, les boites noires descendantes sont mises en concurrence.

[0140] Dans un mode de réalisation, un ou plusieurs des résultats de calcul intermédiaires, des informations relatives aux causes racines et/ou du contexte de calcul d’une ou de plusieurs des étapes du procédé font l’objet d’un affichage dans une interface homme-machine. Par exemple, l’affichage peut permettre d’appuyer sur un bouton « pourquoi » ou « expliquer », dont l’actionnement peut déclencher l’affichage d’une ou plusieurs des règles de logique floue appliquées.

[0141] Le procédé selon l’invention traite des données structurées. Des données non structurées (e.g. images, vidéos) peut être intégrées au procédé (un réseau de neurones peut transforme les données non structurées en données structurées). Il est également possible de se « brancher » sur des couches intermédiaires d’un réseau de neurones, des données non structurées mais en nombre réduit par rapport à l’entrée du réseau de neurones).

[0142] Dans un mode de réalisation, un apprentissage automatique est effectué en ligne. Dans un mode de réalisation, l’apprentissage automatique est effectué hors ligne. Les données d’apprentissage peuvent être des données historiques. Dans un mode de réalisation, l’apprentissage automatique est effectué en ligne. En effet, l’apprentissage automatique peut être effectué de manière incrémentale ou en ligne. Quand le modèle est connu (poids stabilisés dans les réseaux de neurones et/ou GFT) et embarqué, il est possible de poursuivre l'apprentissage en flux de données (pour améliorer le modèle existant, sans repartir de zéro). Un apprentissage automatique hors ligne apprend sur un ensemble de données complet tandis qu’un apprentissage en ligne peut continuer d’apprendre (« learning transfert »), de manière embarquée, sans avoir à ré-ingérer les données de départ. Avantageusement, l’apprentissage peut être préalablement effectué (de base, préalable) puis personnalisé sur les données spécifiques à une compagnie ou à un pilote particulier.

[0143] Dans un mode de réalisation, la logique floue utilise des mots d’un dictionnaire fini en langage naturel, i.e. porteurs de sémantique.

[0144] De manière inhérente, l’utilisation de la logique floue implique l’intelligibilité pour le pilote. L’utilisation de la logique floue présuppose l’utilisation de mots en langue naturelle (porteur de sémantique) et d’opérateurs de logique floue, mais pas nécessairement de phrases formées. Dans un mode de réalisation, le procédé selon l’invention ne manipule pas la sémantique, mais des formes syntaxiques ou des règles IF... THEN ... Dans un mode de réalisation, le procédé selon l’invention comprend un module de TAL (descendante ou ascendante).

[0145] Le lexique / champ lexical est prédéfini. Les propositions machine sont exprimées en respectant le champ sémantique du pilote (afin de la rendre compréhensible). Au besoin des sorties de la machine sont forcées sur les mots du dictionnaire utilisé.

[0146] La logique — signifiant à la fois « raison », « langage » et « raisonnement » — est l'étude des règles formelles que doit respecter toute argumentation correcte. La logique exprime par la quantification un large échantillon de propositions du langage naturel. Le pilote peut valider - ou pas - la proposition du système.

[0147] Dans un mode de réalisation, l’apprentissage automatique comprend un ou plusieurs algorithmes sélectionné parmi les algorithmes comprenant: des machines à vecteur de support ou des séparateurs à vaste marge; des classifieurs; des réseaux de neurones; des arbres de décision et/ou des étapes de méthodes statistiques comme le modèle de mixture gaussienne, la régression logistique, l'analyse discriminante linéaire et/ou des algorithmes génétiques. [0148] Dans un mode de réalisation, un ou plusieurs traitements de données sont gouvernés par un système de gestion de vol avionique FMS certifié internalisant des contraintes prédéfinies.

[0149] Il est décrit un produit programme d’ordinateur, ledit programme d’ordinateur comprenant des instructions de code permettant d’effectuer une ou plusieurs des étapes du procédé, lorsque ledit programme est exécuté sur un ordinateur.

[0150] Il est décrit un système pour un dialogue bidirectionnel homme-machine comprenant - des ressources matérielles de mémoire et/ou de calcul, accédées localement et/ou à distance, configurées pour : traduire, selon une traduction dite descendante, des commandes dites générales d’un référentiel sémantique prédéfini vers des données d’entrées manipulables par la machine, par un ou plusieurs approximateurs universels, par exemple un ou plusieurs réseaux de neurones et/ou des arbres de décision à logique floue ; et, traduire, selon une traduction dite ascendante, des données brutes de sortie déterminées par la machine, vers des données exprimées dans ledit référentiel sémantique prédéfini, par un ou plusieurs boites blanches comprenant un ou plusieurs arbres de décision à logique floue.

[0151] Dans un développement, le procédé comprend en outre un ou plusieurs réseaux de neurones configurés pour l’apprentissage automatique, lesdits un ou plusieurs réseaux de neurones étant choisis parmi les réseaux de neurones comprenant : un réseau de neurones artificiels; un réseau de neurones artificiels acyclique ; un réseau de neurones récurrents ; un réseau de neurones à propagation avant ; un réseau neuronal convolutif;- un réseau de neurones antagonistes génératifs ; lesdits un ou plusieurs réseaux de neurones étant émulés de manière logicielle et/ou étant des circuits physiques.

[0152] La [FIG. 1 ] illustre l’état de la technique.

[0153] L’homme 1 face à des systèmes complexes ou un système de systèmes 2 doit adapter son « discours » : il doit mentalement gérer la stratégie et la tactique, c’est-à- dire qu’il doit adapter son vocabulaire, plus généralement ses entrées, face aux systèmes techniques auxquels il s’adresse. Inversement, il doit interpréter les résultats produits par la machine.

[0154] Au travers d’une ou de plusieurs IHM 15 (e.g. speech-to-text, commande par la parole, traitement automatique des langues, capteurs et/ou actuateurs physiques, commande par gestes, via des interfaces tactiles, éventuellement à partir de représentations de données sous forme axiologiques, 2D, 3D, vue radar, etc), l’homme 1 fournit des entrées (quantifiées et quantifiables) aux systèmes complexes 2.

[0155] Les systèmes complexes 2 requièrent généralement des entrées de bas niveau, techniques, 11 , par exemple une position GPS, parfois des entrées d’abstraction intermédiaires (compromis économique i.e. « trajet sans péages »).

[0156] Après traitement de l’information le système complexe 2 produit des solutions selon différents niveaux d’abstraction 12 (e.g. un point sur une carte, un tracé sur une carte).

[0157] Le traitement de l’information par le système complexe est souvent brute-force, cad non nécessairement optimisé.

[0158] Une fois encore, l’humain doit interpréter les produits 12 du système 2 (e.g. agréger, interpréter, retraiter).

[0159] Ces situations courantes indiquent que le dialogue machine est « asymétrique », au sens où les niveaux d’abstraction sont imposés à l’être humain, qui doit jongler / faire avec différents niveaux d’abstraction.

[0160] La [FIG. 2] illustre quelques principes généraux de l’invention.

[0161] L’invention consiste notamment à mettre en oeuvre une traduction descendante 110 et ascendante 130 pour un dialogue amélioré entre l’homme 1 et la machine 2 (e.g. système de systèmes).

[0162] La traduction descendante, pour passer de commandes à haut niveau d’abstraction 16 exprimées par le pilote à des paramètres techniques de bas niveau 11 requis par le système de systèmes, comprend une ou plusieurs boites « noires » ou approximateurs universels (GFT et/ou RN et/ou CMA-ES), congruentes ou concurrentes (série-parallèle). Ces boites sont noires au sens où les pondérations dans des réseaux de neurones ne sont que rarement intelligibles de manière directe au non-expert), ces boites noires ayant appris

[0163] La traduction ascendante part des paramètres opérationnels de bas niveau de sortie du système de systèmes 2 pour arriver à des propositions à haut niveau d’abstraction ; cette traduction est effectuée en utilisant des arbres de décision à logique floue.

[0164] Des données à haut niveau d’abstraction (HLOM) 100 fournies par le pilote 1 sont traduites 110 en un ensemble de données à bas niveau d’abstraction 11 (« données technique à bas niveau d’abstraction » ou LLTP) manipulables par le système machine 2.

[0165] HLOM (acronyme de l’anglais ”High Level Operational Metrics”)

[0166] Les données HLOM désignent des ensembles des métriques à haut niveau d’abstraction (intentions), souvent non-quantifiables, ou « floues » (au sens de la logique floue). Ces données sont exprimées dans le champ lexical (ou « ontologie ») de l’opérateur, permettant de commander une intention à un système (Ex : « trouver une solution sûre et efficace », « détecter de petits bateaux dans une mer forte », etc).

[0167] Des exemples de données à haut niveau d’abstraction comprennent (par exemple) des objectifs, exprimés en langage formel (UML, symbologie, etc) et/ou en langue naturelle, i.e. des mots clefs prédéfinis ou des expressions ou phrases comme « optimiser la consommation de carburant », « diminuer le bruit au sol »,

« augmenter le niveau de sûreté ». Des expressions plus complexes peuvent également être manipulées « prioriser la consommation de carburant au détriment de la sécurité », « diminuer l’altitude malgré le bruit au sol », « augmenter vitesse et altitude pour augmenter la sûreté).

[0168] LLOM (acronyme de « Low Level Operational Metrics »

[0169] Des données LLOM désignent des métriques opérationnelles quantifiables, fournies par le système, permettant à l’humain d’interpréter et de juger un service rendu par le système intelligent. Elles servent à l’opérationnel lors de l’élaboration de son jugement et de sa compréhension du service rendu.

[0170] Des exemples de données à bas niveau d’abstraction comprennent (par exemple) des valeurs (numériques et/ou symboliques) : valeur de roulis, angle d’incidence, valeur de pression, ouverture d’une électrovanne, état actif ou inactif d’un matériel, etc. Ces données sont éventuellement associées à des fonctions techniques (par exemple contrôle de trajectoire). [0171] Selon les modes de réalisation différents N objets intermédiaires peuvent être utilisés, i.e. entre les HLOM et LLOM. Par exemple, des MLOM (« Mid Level Operational Metrics ») peuvent être des métriques lisibles dans les étages intermédiaires d’un arbre (remontant ou ascendant, boite blanche)

[0172] Différentes autres terminologies peuvent être associées à ces objets intermédiaires, associés à N niveaux d’abstraction distincts (e.g. intentions, consignes, tâches, paramètres techniques), selon des granularités variables (définitions périmétriques). La variété des objets et de leurs emboîtements, avec ou sans recoupement, est indifférente pour le procédé revendiqué. N peut être restreint (peu d’objets ou de niveaux) ou élevé (très grand nombre de sous-niveaux d’abstraction) ; les étapes de procédés peuvent rester essentiellement les mêmes.

[0173] Aspect particulier, tout ou partie des données manipulés peut être fonction du « contexte » 120, i.e. des données courantes concernant l’aéronef. Le contexte peut être perçu, mesuré, informé ou autrement construit à partir de mesures de capteurs. Le contexte peut être le contexte de vol (phases de décollage, croisière) mais également selon tout découpage de temps et/ou d’espace (e.g. phase d’approche dans une mission donnée, niveau de priorité donné parmi une pluralité prédéfinie, etc) Le « contexte » ainsi déterminé peut influencer ou contrôler, directement ou indirectement, ou autrement modifier les données manipulées (sélection, niveaux de priorités différents, etc).

[0174] Selon une terminologie et hiérarchie particulière, fournie pour l’exemple, les « intentions » déclarées du pilote 1 sont des facteurs de haut niveau d’abstraction (HLOM) et concernent la conduite de la mission dans sa globalité. Le pilote déclare des intentions 100, par exemple via des « consignes ». Ces consignes se déclinent en « tâches » à réaliser qui sont généralement combinées (liées et mises en oeuvre simultanément). Par exemple, le pilote peut chercher à optimiser sa consommation de carburant tout en respectant les contraintes de bruit au sol. Les paramètres de bas niveau d’abstraction (LLOM) 120 relatifs aux tâches à réaliser sont techniques, quantifiables, mesurables et contribuent à la mise en oeuvre d’algorithmes de calculs (souvent des solveurs de contraintes). Ils sont liés à une tâche spécifique (trajectoire optimisée, réaction face au contraintes, plan d’action, etc). Les intentions opérationnelles sont ainsi traduites 110 en paramètres techniques intelligibles 11 par un système d’aide à la décision 2. [0175] En retour, les recommandations du système d’aide à la décision sont exprimées 130 dans le référentiel sémantique (intentions) de l’humain. L’utilisation de mots et/ou d’expressions connues permet avantageusement de contribuer à Yexplicabilité du dialogue homme-machine (en particulier dans le sens machine- homme).

[0176] LLTP (acronyme de « Low Level Technical Parameters »)

[0177] Ces données désignent des paramètres à bas niveau d’abstraction, quantifiables, exprimés dans les champs lexicaux (ou ontologies) du système permettant à celui-ci de produire un service. Les LLTP correspondent aux entrées techniques du système. Chaque système a un sous-ensemble de paramètres techniques à l’entrée pour assurer son fonctionnement correct.

[0178] Les blocs techniques TBB (acronyme de « Technical Building Block ») désignent les fonctions réalisées par le système complexe permettant de produire un ou plusieurs « services »

[0179] Dans un mode de réalisation, chacun des sens ascendants et descendant peut faire l’objet de traitements particuliers et avantageux, qui sont décrits ci-après plus en détails.

[0180] Sens descendant 110

[0181] Dans un mode de réalisation, la traduction descendante 110 opère une traduction d’ontologie (descente en abstraction) qui doit absorber la « fonction de transfert » du système. Hormis des cas très simples, une personne ne peut pas régler correctement ce traducteur. Avantageusement, des étapes d’apprentissage automatique pour la traduction descendante peuvent s’appuyer sur un traducteur ascendant déjà réglé. Dit autrement, dans un mode de réalisation, la partie ascendante sert de référentiel ou de point fixe pour déterminer ou stabiliser la partie descendante.

[0182] Dans un mode de réalisation, le traducteur descendant est entraîné dans ou par un processus d’apprentissage (par exemple d’apprentissage par renforcement) qui inclut dans la chaîne (de traitement) le traducteur ascendant déjà réglé.

[0183] L’objectif de l’optimisation par renforcement est de réduire l’écart entre, d’une part, la consigne / l’intention (exprimé en HLOM) ; et d’autre part, la caractérisation de la solution déduite de la consigne (en HLOM également) obtenue en traversant le traducteur ascendant réglé.

[0184] Dit autrement, le processus d’apprentissage automatique de la traduction descendante peut avantageusement s’appuyer sur un traducteur ascendant déjà réglé.

[0185] Comme tout processus d’apprentissage automatique par renforcement, l’efficacité et la robustesse du modèle appris peut dépendre de la variété et de la couverture des données en entrée, ici des scénarios d’apprentissage.

[0186] Ces scénarios sont spécifiques du système complexe avec lequel la communication doit s’établir. Il s’agit d’encoder l’expertise humaine spécialisée.

[0187] De manière générale, la traduction descendante opère une traduction d’ontologie, i.e. une descente d’abstraction (et doit absorber de plus la fonction de transfert du système, cad les éléments qui ne relèvent pas du TAL).

[0188] Sens ascendant 130

[0189] Dans un mode de réalisation, les recommandations du système d’aide à la décision sont exprimées 130 dans le référentiel sémantique ou champ lexical de l’opérateur. L’utilisation de mots et/ou d’expressions en langage naturel (prédéfinies et connues) permet au pilote de comprendre les calculs de la machine.

[0190] Dans un mode de réalisation, la traduction ascendante assure une montée en abstraction au sein de la même ontologie (opérationnelle).

[0191] Certaines particularités concernant la traduction ascendante peuvent être notées. Elle est avantageusement en « boite blanche » pour permettre à l’opérateur de comprendre le service rendu avec un niveau d’abstraction différent. Dans une variante de réalisation, la traduction ascendante peut également être en boite noire, si le niveau d’explicabilité précédent n’est pas souhaité ou requis (par exemple en ne constatant que la sortie ou le résultat de la traduction remontante. La traduction ascendante peut avantageusement être adaptée au raisonnement de l’opérationnel pour juger la solution (des informations précises, pertinentes, sans ambigüité,...).

[0192] Dans un mode de réalisation, un ou plusieurs arbres de décision multicritères tels qu’un GFT peut être utilisé. [0193] Le choix technique s’étant porté sur des approximateurs universels réglés par apprentissage, différents procédés d’apprentissage peuvent être mis en oeuvre.

[0194] Dans un mode de réalisation, le traducteur ascendant peut être réglé par apprentissage supervisé et le traducteur descendant peut être réglé par apprentissage renforcé en s’appuyant sur le traducteur ascendant réglé

[0195] Dans un mode de réalisation, le traducteur ascendant est réglé de manière supervisée, sur la base d’un recueil de données opérationnel consistant à mettre en relation, un contexte, une solution, un vecteur de LLOM (calculé ou fourni) sur cette solution, et un vecteur de HLOM fourni par l’opérationnel.

[0196] La base d’apprentissage est tagguée et sert de référence dans un processus d’apprentissage supervisé visant à régler le traducteur remontant.

[0197] Rétroaction 120

[0198] L’apprentissage boucle afin de faire converger le traducteur descendant de telle sorte que la « distance » entre les métriques opérationnelles haut niveau désirées et fournies en entrée du système et les métriques opérationnelles hauts niveaux observée sur la réponse de celui-ci soit minimale sur un grand nombre d’échantillons.

[0199] En particulier, l’apprentissage automatique du traducteur descendant peut être conduit de manière à le faire « converger » (au sens de stabiliser les hyper- paramètres associés à l’approximateur universel choisi) vers la sémantique ascendante.

[0200] La « distance » entre les métriques opérationnelles à haut niveau (HLOM) désirées fournies en entrée du système (par le pilote 1) et les métriques opérationnelles à haut niveau observées sur la réponse de celui-ci (exprimée par le système d’aide à la décision 2) doit être minimale ou à tout le moins peut être minimisée sur un grand nombre d’échantillons.

[0201] La distance peut être une distance d’édition ou tout autre système de mesure (métrique).

[0202] La [FIG. 3] illustre un exemple d’arbre de décision à logique floue utilisé dans un mode de réalisation de l’invention. [0203] Dans un mode de réalisation avantageux de l’invention, le procédé utilise un ou plusieurs d’arbres de décision flous (à logique floue), par exemple 110, 111, 112, etc.

[0204] Un GFT comprend une ou plusieurs FIS (« Fuzzy Inference System »), par exemple l’arbre 110 comprend des FIS 301 , 311 , 312, 321 , 322, 323, 324 etc.

[0205] En l’espèce, à l’aide d’une interface homme-machine, l’utilisateur indique à la machine un point de destination 301 , à laquelle la machine répond par deux objectifs possiblement antagonistes : un voyage écologique 311 et un voyage économique sans péage 312. Chacune des branches correspond en réalité à différentes possibilités, communes ou mutuellement exclusives. Par exemple ici, le type de carburant a un impact tant écologique qu’économique (e.g. diesel). Interviennent également le style de conduite, des passages en montagne, etc. Les faits (e.g. 331) et/ou règles floues (e.g. 312) sont manipulés dans / par l’arbre 110.

[0206] A un échelon plus élevé, le système et procédé selon l’invention peut arbitrer i.e. sélectionner entre un et plusieurs arbres prédéfinis, en fonction des conditions courantes (par exemple selon que la voiture entre ou sort d’un réseau autoroutier). Plus encore, les procédés et systèmes peut apprendre, i.e. modifier la structure des arbres de décisions flous (par exemple un arbre 111 sera dérivé d’un arbre 110) par méta-apprentissage.

[0207] Dans un mode de réalisation (non représenté), le pilote formule un compromis, capturé par une interface homme-machine, entre trois objectifs qui peuvent être au moins partiellement antagonistes : l’efficacité du vol (résultat atteint ou attendu versus un objectif donné), l’endurance de l’aéronef (e.g. représentatif du niveau de sollicitation matérielle) et la sûreté du vol ou de la mission. Certains compromis peuvent ne pas avoir de sens, mais il existe un certain nombre de solutions (quasi- continu). Etre totalement efficace, par exemple, se ferait au détriment de la sûreté du vol (en prenant des risques inconsidérés). Dans un cas spécifique, le pilote peut privilégier l’endurance de son appareil (appelé à remplir d’autres missions) en premier lieu, puis la sûreté du vol, sur l’efficacité de la mission.

[0208] Dans d’autres exemples (non représentés), le nombre d’intentions dépendra (notamment) du domaine, des besoins opérationnels et du contexte d’utilisation. Ces intentions peuvent être indépendantes ou garder une relation antagoniste, partiellement découplée, proportionnelle linéaire ou non linéaire, etc.

[0209] La [FIG. 4] illustre une généralisation possible de l’invention.

[0210] Dans un procédé dans lequel une boite noire est un réseau de neurones artificiels et une boite blanche est un système dont certains états intermédiaires sont accessibles et exprimés sous forme de faits et/ou de règles en logique floue exprimés à l’aide de mots d’un dictionnaire en langage naturel, une boite blanche 410 de traduction machine vers homme peut régler, ou ajuster, ou autrement optimiser 421 les paramètres d’une boite noire 420 de traduction homme vers machine. La boite noire 420 peut comprendre une ou plusieurs boites blanches 421 , lesquelles peuvent symétriquement contrôler une ou plusieurs boites noires 422 au sein de la boite blanche 410.

[0211] De manière très générale, les boites blanches et les boites noires peuvent être arrangées de très diverses manières : e.g. en série, en parallèle, en compétition, en congruence, etc. Les schémas ou patterns d’arrangement peuvent suivre des graphes, être hiérarchiques, formés de manière « fractale » (récurrence d’un motif), etc. Une partie du calcul concernant un ou des paramètres dont il est avantageux qu’ils soient accessibles à l’intelligence humaine pourra ainsi faire l’objet d’une ou de plusieurs boites blanches (dont le périmètre est suffisant, i.e. quelques étapes de calcul en amont et/ou en aval), tandis que les calculs qui peuvent échapper à l’intelligibilité (e.g. millions de corrélations, etc) peuvent rester inaccessible i.e. en boite(s) noire(s). Dans certains développements de l’invention, les périmètres peuvent être évolutifs, voire adaptatifs : une boite noire peut être « ouverte » en boite blanche (au moins partiellement) et vice-versa. Des apprentissages croisés peuvent être effectués sur des parties différentes des étapes de calcul et/ou des hyper- paramètres et/ou des entrées/sorties des boites noires ou blanches.

[0212] IHM (15)

[0213] L’interaction homme-machine selon l’invention 15 peut être diversement sophistiquée.

[0214] Des vues en 3D, 2D ou axiologiques sont possibles. Des évaluations avec plus de 4 degrés de liberté sont également possible (non représentés) [0215] Un procédé selon l’invention peut comprendre une ou plusieurs boucles de rétroaction (e.g. aval rétroagissant sur l’amont, feedforward, etc). Une boucle de rétroaction peut être « fermée » c’est-à-dire inaccessible au contrôle par l’humain (elle est exécutée par la machine). Elle peut être « ouverte » (e.g. étape d’affichage dans une interface homme-machine, validation ou tout autre système de confirmation par l’humain). Différents modes de réalisation peuvent aboutir à des implémentations différentes en fermant, respectivement en ouvrant, une ou plusieurs boucles ouvertes, respectivement fermées.

[0216] Par exemple, le procédé selon l’invention peut invoquer uniquement des boucles de rétroaction ouvertes (i.e. le pilote intervient à tous les stades), ou bien uniquement des boucles de rétroaction fermée (e.g. automatisation totale), ou bien une combinaison des deux (la mise à contribution de l’humain étant variable ou configurable). De la sorte, le procédé (qui peut être d’ « intelligence artificielle ») peut être interprété comme « transparent », au sens de contrôlable. L’affichage peut concerner des résultats de calcul intermédiaires, des informations relatives aux causes racines, et/ou au contexte de calcul. De la sorte le procédé peut être considéré comme « explicable ».

[0217] Moyens matériels

[0218] Dans un développement, le système comprend des moyens avioniques de gestion de vol de type Flight Management System et/ou des moyens non-avioniques de type Electronic Flight Bag (ou "sac électronique") et/ou des moyens de réalité augmentée et/ou virtuelle.

[0219] Les moyens AR comprennent en particulier des systèmes de type FIUD ("Flead Up Display" visée tête haute) et les moyens VR comprennent en particulier des systèmes de type EVS ("Enhanced Vision System") ou SVS ("Synthetic Vision System").

[0220] Les moyens d'affichage individuel peuvent comprendre un casque de réalité virtuelle opaque ou un casque de réalité augmentée semi transparent ou un casque à transparence configurable, des projecteurs (pico-projecteurs par exemple, ou vidéoprojecteurs pour projeter les scènes de simulation) ou bien encore une combinaison de tels appareils. Le casque d'affichage individuel peut être un casque de réalité virtuelle (RV ou VR en anglais), ou un casque de réalité augmentée (RA ou AR en anglais) ou une visée haute, etc. Le casque peut donc être un "head-mounted display", un "wearable computer", des "glasses", un visiocasque, etc. les informations affichées peuvent être entièrement virtuelles (affichées dans le casque individuel), entièrement réelles (par exemple projetées sur les surfaces planes disponibles dans l'environnement réel du cockpit) ou une combinaison des deux (en partie un affichage virtuel superposé ou fusionné avec la réalité et en partie un affichage réel via des projecteurs).

[0221] Dans un développement, le dispositif comprend des moyens de sélection d'une ou plusieurs portions de l'affichage virtuel. Les pointages des interfaces homme-machine (IHM) ou de portions de ces interfaces ou informations peuvent être accessibles via différents dispositifs, par exemple un dispositif de pointage de type « souris » ou une désignation basée sur un pointage manuel ; via des interfaces d'acquisition (bouton, molette, joystick, clavier, télécommande, capteurs de mouvement, microphone, etc.), via des interfaces combinées (écran tactile, commande à retour d'effort, gants ou glove, etc.).

[0222] Les interfaces homme-machine peuvent en effet comprendre une ou plusieurs interfaces de sélection (menus, pointeurs, etc.), interfaces graphiques, interfaces vocales, interface gestuelle et de position. Par exemple et dans un mode de réalisation particulier les informations et menus sont sélectionnés grâce à un système de désignation (par exemple par pointeur, via une souris et/ou un trackpad et/ou un joystick, par commande vocale, etc.) complété le cas échéant par une détection de la direction du regard incorporée au casque semi-transparent. Dans un mode de réalisation, la sélection de ces écrans peut être effectuée par un ou plusieurs mouvements de tête.

[0223] Dans un mode de réalisation, le procédé est mis en oeuvre par ordinateur. A titre d'exemple d'architecture matérielle adaptée à mettre en oeuvre l'invention, un dispositif peut comporter un bus de communication auquel sont reliés une unité centrale de traitement ou microprocesseur (CPU, acronyme de « Central Processing Unit » en anglais), lequel processeur peut être " multi-core" ou " many-core une mémoire morte (ROM, acronyme de « Read On ly Memory » en anglais) pouvant comporter les programmes nécessaires à la mise en oeuvre de l'invention; une mémoire vive ou mémoire cache (RAM, acronyme de « Random Access Memory » en anglais) comportant des registres adaptés à enregistrer des variables et paramètres créés et modifiés au cours de l'exécution des programmes précités ; et une interface de communication ou E/S (I/O acronyme de « Input/ouput » en anglais) adaptée à transmettre et à recevoir des données. Dans le cas où l'invention est implantée sur une machine de calcul reprogrammable (par exemple un circuit FPGA), le programme correspondant (c'est-à-dire la séquence d'instructions) peut être stocké dans ou sur un médium de stockage amovible (par exemple une carte SD, ou un stockage de masse tel que un disque dur e.g. un SSD) ou non-amovible, volatile ou non-volatile, ce médium de stockage étant lisible partiellement ou totalement par un ordinateur ou un processeur. La référence à un programme d'ordinateur qui, lorsqu'il est exécuté, effectue l'une quelconque des fonctions décrites précédemment, ne se limite pas à un programme d'application s'exécutant sur un ordinateur hôte unique. Au contraire, les termes programme d'ordinateur et logiciel sont utilisés ici dans un sens général pour faire référence à tout type de code informatique (par exemple, un logiciel d'application, un micro logiciel, un microcode, ou toute autre forme d'instruction d'ordinateur, comme des web services ou SOA ou via des interfaces de programmation API) qui peut être utilisé pour programmer un ou plusieurs processeurs pour mettre en oeuvre des aspects des techniques décrites ici. Les moyens ou ressources informatiques peuvent notamment être distribués (" Cloud computing"), éventuellement avec ou selon des technologies de pair-à-pair et/ou de virtualisation. Le code logiciel peut être exécuté sur n'importe quel processeur approprié (par exemple, un microprocesseur) ou cœur de processeur ou un ensemble de processeurs, qu'ils soient prévus dans un dispositif de calcul unique ou répartis entre plusieurs dispositifs de calcul (par exemple tels qu’éventuellement accessibles dans l’environnement du dispositif). Des technologies de sécurisation (crypto-processeurs, authentification éventuellement biométrique, chiffrement, carte à puce, etc) peuvent être utilisées.