Contexte : apports et défis pour l'apprentissage
L'ensemble des recherches visant au développement des outils pour une technologie sensible à l'utilisateur, à l'environnement, au contexte, est regroupé sous le terme anglais context-aware, qui signifie "être conscient de son contexte". La notion de contexte est alors à définir. De manière générale, le contexte englobe tout ce qui permet d'aboutir à une décision mais qui n'est pas le stimulus direct. Pour reprendre l'exemple du téléphone portable, le stimulus direct est l'appel entrant.
Dans le cas d'un appareil sensible au contexte et par conséquent instrumenté, toutes les informations issues des capteurs font partie du contexte. L'historique des actions, autrement dit la mémoire, est aussi un élément du contexte. La tâche est d'autant plus complexe que cette notion est très vaste.
Notion de contexte
Dans nos travaux, nous utilisons une définition plus restreinte du contexte en l'associant à la notion d'utilité. En effet, il n'est pas nécessaire de connaître tous les éléments du contexte, bien souvent seuls quelques éléments sont utiles. Cette fonction d'utilité est donnée par l'application visée. Par conséquent, le problème que l'on se pose n'est pas de savoir identifier n'importe quel contexte mais de reconnaître tout contexte utile.
Pour reconnaître un contexte, il faut en premier lieu le connaître, l'avoir appris. Pour savoir faire face à un nouveau contexte, il faut savoir s'adapter en se servant des éléments connus. L'apprentissage par une machine relève du domaine de l'intelligence artificielle. Plus particulièrement, nous allons étudier l'utilisation des méthodes d'apprentissage statistique pour la détection de contexte.
Au vu de la variété de contextes existants, nous restreignons notre étude à l'ensemble des contextes accessibles via des capteurs portés par une personne, tels que ceux qui sont intégrables dans les vêtements. Dans ce cadre, nous nous intéressons plus à la détection d'une forme de contexte directement lié à l'utilisateur, à ce que nous appelerons son état affectif.
La démarche suivie, résolument expérimentale, consiste à étudier une instanciation du problème de la détection de contexte en espérant pouvoir généraliser les résultats obtenus.
Architecture de traitement des données brutes
Nous avons mis en place une architecture de traitements allant de l'acquisition des signaux à l'étiquetage du contexte courant. Cette architecture en couche présente différentes phases de traitement et à chacune correspond une phase de "retour" qui vise à améliorer les réglages et la sensibilité de l'ensemble.
La conception de cette architecture met en avant quelques problèmes difficiles en apprentissage statistique.
En particulier, il devient vite évident que les données issues des capteurs sont très nombreuses. Les méthodes classiques d'apprentissage ne sont en général pas adaptées à un usage avec des grandes masses de données. En effet, on se trouve confronté à des problèmes de mémoire et de temps d'apprentissage.
En commençant par travailler sur une version simplifiée du problème, nous pouvons évaluer les points clefs à résoudre avant d'être capable de réaliser un objet qui prenne réellement en compte le contexte. Le problème simplifié consiste à travailler à partir de signaux peu bruités et pour lesquels nous connaissons le contexte associé (nous avons donc des exemples étiquetés). De plus, le temps n'est pas pris en compte. Dans cette configuration, une étude préliminaire a montré qu'il était possible de retrouver le contexte. L'algorithme qui donne dans cette étude les meilleurs résultats en terme de reconnaissance est celui des SVM (Séparateurs à Vaste Marge, ou encore Support Vector Machine en anglais).
Toutefois, ce résultat n'est que partiellement satisfaisant car la méthode des SVM est réputée lente et gourmande en mémoire. Par ailleurs, c'est une méthode qui a besoin de connaître l'ensemble des points avant de commencer (c'est une méthode d'apprentissage hors ligne) et qui est supervisée (tous les exemples utilisés doivent être étiquetés).
L'ensemble de ces limitations nous a conduit à approfondir l'étude de cette méthode d'apprentissage afin d'aboutir à une technique à la fois efficace en termes de reconnaissance et utilisable dans des conditions difficiles (en temps réel, avec peu de mémoire, ...).