Olivier Georgeon - Developmental Learning

14:30
Mardi
11
Fév
2014
Organisé par : 

Equipe-Projet PRIMA

Intervenant : 

Olivier Georgeon

Information détaillée : 

- Au bâtiment INRIA à Montbonnot, Amphi F107 Bio de Dr Olivier Georgeon : he received a Master degree in computer engineering from Ecole Centrale de Marseille in 1988. He was a software engineer and a project manager in industry for 14 years, working on industrial software engineering and robotics. He received a trans-disciplinary PhD from the University of Lyon in 2008, in computer science and cognitive science (officially registered in psychology), in a partnership between IFSTTAR (French Institute for Transport Research and Safety) and the SILEX team (Supporting Interaction by Learning through EXperience) at the LIRIS lab in Lyon, with Professor Alain Mille. He helped develop the domain of Trace-Based Reasoning (TBR), a type of Case-Based Reasoning applied to learning from unsegmented sequences of events through discovering, abstracting, and reusing episodes of interest. He applied TBR to create models of the car driver. From 2008 to 2010, he was a post-doc at the Information Science and Technology department at Penn State University with professor Frank Ritter, working on cognitive architectures (especially Soar), constructivist learning, and TBR applied to the study of terrorism. In 2010, he won a 3-year fellowship from the French government (ANR-RPDOC program) with the IDEAL project (Implementation of Developmental Learning). Since then, he has been leading the IDEAL project as an associate researcher with SILEX, contributing to the domain of developmental learning.

- His website : www.oliviergeorgeon.com

Résumé : 

En m’appuyant sur l’épistémologie constructiviste (e.g., Piaget, 1955) et l’intelligence artificielle enactive (e.g., Froese & Ziemke, 2009), je présenterai l’apprentissage développemental comme une forme d’apprentissage qui met en oeuvre une auto-programmation à partir d’expériences d’interaction avec un milieu non modélisé a priori : chaque agent apprend un << code exécutable >> individuel dans un contexte non markovien. L’effet visé n’est pas d’apprendre à réaliser une tâche prédéfinie mais d’apprendre à exhiber des << comportements cognitifs >> : perception active, motivation intrinsèque, maitrise des contingences sensorimotrices (O’Regan & Noë, 2001), individuation, autonomie constitutive. Je présenterai nos travaux et des démonstrations qui nous ont conduit à proposer l’approche Radical Interactionist (Georgeon & Aha, 2014) et l’architecture cognitive bio-inspirée ECA (Enactive Cognitive Architecture ; Georgeon, Marshall, & Manzotti, 2013). L’approche Radical Interactioniste utilise la notion d’interaction comme primitives des algorithmes plutôt que de séparer perception et action au départ. L’enjeu scientifique est de comprendre un niveau intermédiaire de la cognition qui porte sur l’ancrage de la connaissance dans l’expérience (symbol grounding problem)—niveau situé entre l’adaptation stimulus-réponse (bas niveau), et le langage (haut niveau). Les applications à moyen terme pourront prendre la forme de robots capables d’apprendre à interagir avec un environnement ouvert et capable de co-évoluer avec leurs utilisateurs.