EKINOCS

L’équipe EKINOCS-ISC-PIF développe des modélisations originales appliquées aux systèmes du vivant, systèmes agro-alimentaires et biologiques complexes, à l’aide d’approches fondées sur une interaction visuelle entre l’expert et des modèles informatiques. L’objectif est d’aider les experts à mieux comprendre ou orienter leurs systèmes. Les systèmes d’intérêt sont des systèmes dynamiques multi-échelles pour lesquels des données de différentes natures sont disponibles : numériques, symboliques, phrases du langage courant, hétérogènes, évolutives, données qui peuvent être en petit nombre pour certaines cinétiques ou en grand nombre sur un point spatio-temporel donné.

EKINOCS-ISC-PIF fait partie de l’équipe EKINOCS de l’UMR MIA Paris (AgroParisTech/INRAE) créée au 1er Janvier 2020. Cette équipe s’intéresse aux méthodologies d’apprentissage et de modélisation interactive au sein de MIA-Paris. Forte de 12  membres permanents, INRAE et AgroParisTech, pionnière par son rattachement à la fois au département NUMM et au département TRANSFORM, EKINOCS se focalise sur des questions de compréhension, de modélisation et de prise de décision multicritères en environnement évolutifs complexes. Ses objets d’étude privilégiés sont les systèmes biologiques et agro-alimentaires, allant des problématiques de production, des procédés de transformation, des systèmes biologiques jusqu’à des questions touchant la transformation des comportements alimentaires.

Les systèmes vivants et les processus impliquant du vivant en agriculture et en alimentation sont souvent des systèmes complexes aux dimensions temporelles et spatiales imbriquées à différents niveaux, différentes granularités et différentes échelles. Comprendre, représenter et orienter ces systèmes nécessite non seulement une mobilisation de multiples disciplines mais également une mobilisation des humains, experts, technologiques ou scientifiques qui ont été confrontés à ces systèmes dans différents contextes et pour différents objectifs (Perrot, 2011) (Van Mil, 2014) (Perrot, 2016).

Un défi est de développer des approches computationnelles qui ont la capacité d’entrer en interaction et d’activer les différents processus cognitifs humains tout en mobilisant des processus d’apprentissage automatique (machine learning) dédiés. Si on se réfère au comportement cognitif humain, comme décrit dans la communauté des sciences cognitives orientée vers les systèmes intelligents, un point largement étudié est la manière dont l’humain extrait des informations de son environnement, les mémorise et enfin les traite. De manière basique, les architectures permettant de modéliser ce fonctionnement font références à deux niveaux : le niveau symbolique et le niveau sub-symbolique.

• Le premier niveau repose sur des symboles explicitement manipulés par les experts. Pour ce niveau, la manipulation explicite des symboles peut être facilement formalisée par des graphes, des ontologies, des contraintes, des règles floues, des probabilités.
• Le second niveau, dit sub-symbolique, n’est pas explicitement conscientisé par les experts. Pour ce niveau seule une mise en interaction de l’Homme avec le système computationnel peut permettre de faire émerger cette connaissance.

Différentes méthodologies sont nécessaires à notre approche de modélisation :

(i) des méthodes d’élicitation des expertises et d’ingénierie des connaissances pour recueillir et formaliser les connaissances,
(ii) des méthodes d’apprentissage et de l’optimisation pour favoriser l’émergence de ces interactions,
(iii) des méthodes de visualisation et d’interaction homme-machine pour explorer des données et des modèles, et
(iv) des sciences cognitives pour intégrer le fonctionnement humain.

Différentes expériences en ce sens ont été menées au sein d’EKINOCS-ISCPIF (ex-Malices UMR GMPA) (Cancino Ticona, 2012) (Lutton, 2016) (Perrot, 2016) (Boukhelifa, 2017), le développement de LIDeOGraM (Life-based Interactive DEvelopment Of GRAphical Models) (Chabin, 2017).

Expertises, connaissances

Afin de pouvoir modéliser et raisonner sur des phénomènes évolutifs, temporels et dynamiques, il peut être pertinent d’être capable, dans un premier temps, de mobiliser, mettre en correspondance et agréger des données issues de sources multiples, hétérogènes et se rapportant à des échelles spatiales et temporelles diverses. Pour cela, l’expertise des scientifiques, technologues, Femmes et Hommes de terrain est précieuse. Elle peut être recueillie pour construire des graphes, des bases de règles de connaissance qui vont être couplées aux modèles d’apprentissage, ou pour générer des données.

Optimisation, visualisation et apprentissage interactifs

L’optimisation et l’apprentissage, exploités dans le but de favoriser l’interaction et l’émergence de connaissances, est un point non trivial. A partir d’un résultat visualisé, l’expression par l’expert de sa manière de voir l’optimalité d’un système — ou sa trajectoire idéale — permet d’éliciter différentes connaissances (interaction avec la machine au cours d’itérations successives). Si les capacités de calcul moderne ont permis le développement d’approches d’optimisation et d’apprentissage de plus en plus puissantes, la question d’optimalité reste entière et fondamentale, d’autant plus si l’on intègre l’Homme dans la boucle. Quelle optimalité ? Comment faire varier le schéma d’optimalité si l’objectif d’optimisation change au gré de l’interaction avec l’expert ? Quel sens donner à cette optimalité ? La communauté des algorithmes évolutionnaires a démontré la pertinence de ces approches pour construire des schémas d’optimisation interactifs (Boukhelifa, 2016), et bien-sûr il y a un intérêt croissant pour cette problématique avec des recherches de plus en plus nombreuses autour de l’IEA (Interactive Evolutionary Algorithm).

Apprentissage interactif pour explorer différentes représentations math/informatiques du système étudié : exemple de l’outil LIDeOGraM (Chabin, 2017) sur un jeu de données concernant l’affinage de camembert. Les experts du domaine créent interactivement un graphe de dépendances (1) à partir des données, les noeuds représentent les variables et les lien, des relations possibles entre variables. Une représentation matricielle (2) montre différents modèles “locaux” générés automatiquement par LIDeOGraM. Les lignes correspondent aux modèles locaux, les colonnes aux variables impliquées dans ces modèles. Quand un noeud est sélectionné (exemple “dtpH07Sto3”), une liste d’équations-modèles est proposée (3) et repérée simultanément sur la représentation matricielle (en gris moyen). Si un modèle local est sélectionné dans la liste (3), une courbe d’erreur de reconstruction est présentée (4).

L’interaction peut se situer à différents niveaux : évaluation des résultats, reformulation de la fonction d’optimisation, ajustement de la solution optimale proposée, réglage interactif des paramètres d’un algorithme.
Les techniques de visualisation sont également un « ingrédient » essentiel de cette interaction. C’est un champ de recherche en informatique très dynamique qui concerne la création de représentations visuelles et la manière de les représenter pour amplifier la cognition. Les experts doivent pouvoir facilement intégrer des informations par l’intermédiaire d’une interface adaptée et dialoguer avec celle-ci en temps réel de manière interactive.

Nous proposons un cadre d’exploration de modèle où plusieurs experts interagissent avec une représentation visuelle des résultats optimisés de simulation de modèle. Les commentaires des experts ont un impact sur l’exploration à toutes les étapes du pipeline de calcul (Boukhelifa, 2019).

La visualisation interactive a été développée dans notre équipe pour explorer des données brutes ou optimisées (ex., fronts de Pareto) (Boukhelifa, 2019). Ces méthodes mobilisent la capacité cognitive d’experts mis en situation de compréhension ou de décision dans un environnement incertain.