Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractale...
Itinéraire <ul><li>Le site Paraschool </li></ul><ul><li>Problème et solution </li></ul><ul><li>Détails algorithmiques </li...
Le site Paraschool
Le site Paraschool
Le site Paraschool
Le site Paraschool
Le site Paraschool
Optimisation par Colonies de Fourmis (A CO) <ul><li>Paradigme inspiré des colonies d’insectes sociaux </li></ul><ul><li>Ag...
Un exemple  1 2 3 4 Nid Source
Fourmis et voyageurs de commerce (ACO&TSP) <ul><li>Application classique </li></ul><ul><li>Excellents résultats obtenus pa...
Modèle : graphe pédagogique 1 2 3 5 4 6 7
W : structure pédagogique 1 2 3 « Produit d’un vecteur par un réel » « Vecteurs colinéaires » « Alignement, parallélisme e...
W : structure pédagogique 1 2 3 5 4 6 7 1 5 0.1 10 1 1
Un problème d’optimisation <ul><li>Maximiser : succès pédagogique </li></ul><ul><li>Trouver la bonne valuation </li></ul><...
Fourmis & Phéromones <ul><li>Communication stigmergique </li></ul><ul><li>2 types de phéromone : S et F </li></ul><ul><ul>...
Rétro-propagation : Succès 1 2 3 5 4 6 7 W S+=  1 F W S+=  1 /2 F W S+=  1 /3 F W S+=  1 /4 F
Rétro-propagation : Échec 1 2 3 5 4 6 7 W S F+=  2 W S F +=  2 /2 W S F +=  2 /2 W S F +=  2 /2
S/F : évaporation <ul><li>  : taux d’évaporation ; x=  t </li></ul><ul><li>Portée pédagogique temporelle </li></ul><ul><...
Mémoire individuelle : H <ul><li>Un 1er facteur individuel </li></ul><ul><li>Modèle de la mémoire volatile </li></ul><ul><...
H : anti-évaporation <ul><li> =constante de temps ; x=  t </li></ul><ul><li>H revient naturellement vers 1 </li></ul>
Une mesure de fitness <ul><li>Mesure unifiée d’excellence locale </li></ul><ul><li>Mesure la « désirabilité » des arcs </l...
Désirabilité des arcs <ul><li>Balance heuristique locale/information stigmergique. Cf TSP </li></ul><ul><li>Un arc est dés...
Sélection d’arcs <ul><li>Sélection d’un arc à proposer parmi les arcs sortants </li></ul><ul><li>Deux forces : </li></ul><...
Procédures implémentées <ul><li>Roulette </li></ul><ul><li>Sélection par le rang : seuils automatiques et manuels </li></u...
Tests : Simulations <ul><li>Une population d’étudiants : G(0.5,1/3) </li></ul><ul><li>A chaque étudiant  i  son  niveau </...
Un test élémentaire 1 2 3 5 W=1 W=5 Taux de succès : 90% si n -1 =2 10% si n -1 =3 Objectif : rétablir la situation, encou...
Comportements
Courbes de calibrage
Application réelle <ul><li>En cours ! </li></ul><ul><li>Mode silencieux </li></ul><ul><li>Observations préliminaires encou...
Résumé, Perspectives <ul><li>L’E-Learning comme un problème d’optimisation </li></ul><ul><li>Un nouveau champ d’applicatio...
MERCI ! « Ant Colony Optimisation for E-Learning : Observing the Emergence of Pedagogic Suggestions » Y.Semet, Y. Jamont, ...
Annexes
H : calibrage de   <ul><li>Oublier un exercice : H va de 0.5 à 0.9 </li></ul><ul><li>Oublier prend 1 semaine (x=604800s) ...
La roulette <ul><li>E=nœuds accessibles depuis n i </li></ul><ul><li>Probabilité proportionnelle au fitness </li></ul><ul>...
Sélection par le rang I <ul><li>Probabilité de sélection inversement proportionnelle au rang </li></ul><ul><li>Réduction a...
Sélection par le rang II <ul><li>Probabilités attribuées manuellement pour chaque rang </li></ul><ul><li>Complètement para...
Sélection par tournoi <ul><li>S 1   arcs sortants tirés au hasard </li></ul><ul><li>Le meilleur est choisi </li></ul><ul><...
Tournoi stochastique <ul><li>On choisit d’abord le pire arc </li></ul><ul><li>S 1   « challengers » sont essayés l’un aprè...
Prolongements <ul><li>Nouveaux facteurs individuels (agenda, excellence, etc.) </li></ul><ul><li>Nouveaux facteurs collect...
Facteurs clés <ul><li>Écoute de l’équipe pédagogique </li></ul><ul><li>Écoute des élèves </li></ul><ul><li>Davantage que l...
Résumé <ul><li>Un problème d’optimisation : chercher la bonne valuation des arcs d’un graphe de navigation pédagogique </l...
Prochain SlideShare
Chargement dans…5
×

Semet Jet9

479 vues

Publié le

Publié dans : Formation, Business
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
479
Sur SlideShare
0
Issues des intégrations
0
Intégrations
4
Actions
Partages
0
Téléchargements
7
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Semet Jet9

  1. 1. Optimisation par Colonies de Fourmis pour le E-Learning : optimisation de parcours pédagogiques Yann SEMET Projet Fractales, INRIA Rocquencourt
  2. 2. Itinéraire <ul><li>Le site Paraschool </li></ul><ul><li>Problème et solution </li></ul><ul><li>Détails algorithmiques </li></ul><ul><li>Procédures de sélection </li></ul><ul><li>Simulations et tests réels </li></ul><ul><li>Perspectives </li></ul>
  3. 3. Le site Paraschool
  4. 4. Le site Paraschool
  5. 5. Le site Paraschool
  6. 6. Le site Paraschool
  7. 7. Le site Paraschool
  8. 8. Optimisation par Colonies de Fourmis (A CO) <ul><li>Paradigme inspiré des colonies d’insectes sociaux </li></ul><ul><li>Agents multiples et simples </li></ul><ul><li>Balance information stigmergique et heuristique locale </li></ul><ul><li>Solution « émergente » </li></ul><ul><li>Efficace, souple, facile à écrire (métaphore des agents) </li></ul>
  9. 9. Un exemple 1 2 3 4 Nid Source
  10. 10. Fourmis et voyageurs de commerce (ACO&TSP) <ul><li>Application classique </li></ul><ul><li>Excellents résultats obtenus par méthodes hybrides </li></ul>i l 1 j l n l k
  11. 11. Modèle : graphe pédagogique 1 2 3 5 4 6 7
  12. 12. W : structure pédagogique 1 2 3 « Produit d’un vecteur par un réel » « Vecteurs colinéaires » « Alignement, parallélisme et vecteurs » W=5 W=1
  13. 13. W : structure pédagogique 1 2 3 5 4 6 7 1 5 0.1 10 1 1
  14. 14. Un problème d’optimisation <ul><li>Maximiser : succès pédagogique </li></ul><ul><li>Trouver la bonne valuation </li></ul><ul><li>Contraintes : </li></ul><ul><ul><li>Pédagogiques </li></ul></ul><ul><ul><li>Facteurs individuels </li></ul></ul><ul><ul><li>Facteurs collectifs </li></ul></ul>
  15. 15. Fourmis & Phéromones <ul><li>Communication stigmergique </li></ul><ul><li>2 types de phéromone : S et F </li></ul><ul><ul><li>Dépôt : mémoire </li></ul></ul><ul><ul><li>Rétro-propagation : portée pédagogique </li></ul></ul><ul><ul><li>Évaporation : dynamisme </li></ul></ul><ul><li>Pour une valuation plus pertinente </li></ul>
  16. 16. Rétro-propagation : Succès 1 2 3 5 4 6 7 W S+=  1 F W S+=  1 /2 F W S+=  1 /3 F W S+=  1 /4 F
  17. 17. Rétro-propagation : Échec 1 2 3 5 4 6 7 W S F+=  2 W S F +=  2 /2 W S F +=  2 /2 W S F +=  2 /2
  18. 18. S/F : évaporation <ul><li> : taux d’évaporation ; x=  t </li></ul><ul><li>Portée pédagogique temporelle </li></ul><ul><li>Exploration dynamique </li></ul><ul><li>Adaptabilité </li></ul>
  19. 19. Mémoire individuelle : H <ul><li>Un 1er facteur individuel </li></ul><ul><li>Modèle de la mémoire volatile </li></ul><ul><li>Une valeur par nœud et par étudiant </li></ul><ul><li>Application de NxI dans R </li></ul><ul><li>Nœud non visité : H=1 </li></ul><ul><li>Nœud réussi : H=0.5 </li></ul><ul><li>Nœud raté : H=0.75 </li></ul>
  20. 20. H : anti-évaporation <ul><li> =constante de temps ; x=  t </li></ul><ul><li>H revient naturellement vers 1 </li></ul>
  21. 21. Une mesure de fitness <ul><li>Mesure unifiée d’excellence locale </li></ul><ul><li>Mesure la « désirabilité » des arcs </li></ul>
  22. 22. Désirabilité des arcs <ul><li>Balance heuristique locale/information stigmergique. Cf TSP </li></ul><ul><li>Un arc est désirable lorsqu’il est : </li></ul><ul><ul><li>renforcé les professeurs (W élevé) </li></ul></ul><ul><ul><li>témoin de succès (S élevé) </li></ul></ul><ul><ul><li>non témoin d’échecs (F bas) </li></ul></ul><ul><ul><li>nouveau ou oublié (H proche de 1) </li></ul></ul>
  23. 23. Sélection d’arcs <ul><li>Sélection d’un arc à proposer parmi les arcs sortants </li></ul><ul><li>Deux forces : </li></ul><ul><ul><li>Fitness (exploitation) </li></ul></ul><ul><ul><li>Hasard (exploration) </li></ul></ul><ul><li>Balance réglable : s </li></ul>
  24. 24. Procédures implémentées <ul><li>Roulette </li></ul><ul><li>Sélection par le rang : seuils automatiques et manuels </li></ul><ul><li>Tournoi </li></ul><ul><li>Tournoi stochastique </li></ul>
  25. 25. Tests : Simulations <ul><li>Une population d’étudiants : G(0.5,1/3) </li></ul><ul><li>A chaque étudiant i son niveau </li></ul><ul><li>A chaque nœud sa difficulté : 0.0 <d< 1.0 </li></ul><ul><li>Si niveau(i)>d succès , sinon échec </li></ul>
  26. 26. Un test élémentaire 1 2 3 5 W=1 W=5 Taux de succès : 90% si n -1 =2 10% si n -1 =3 Objectif : rétablir la situation, encourager 2
  27. 27. Comportements
  28. 28. Courbes de calibrage
  29. 29. Application réelle <ul><li>En cours ! </li></ul><ul><li>Mode silencieux </li></ul><ul><li>Observations préliminaires encourageantes : </li></ul><ul><ul><li>Faisabilité technique </li></ul></ul><ul><ul><li>Structuration autonome du graphe </li></ul></ul><ul><ul><li>Émergence de nœuds singuliers </li></ul></ul><ul><li>Travail à venir </li></ul>
  30. 30. Résumé, Perspectives <ul><li>L’E-Learning comme un problème d’optimisation </li></ul><ul><li>Un nouveau champ d’applications pour l’intelligence en essaim </li></ul><ul><li>Une nouvelle façon de faire du design évolutionnaire interactif </li></ul>
  31. 31. MERCI ! « Ant Colony Optimisation for E-Learning : Observing the Emergence of Pedagogic Suggestions » Y.Semet, Y. Jamont, R. Biojout, E. Lutton, P. Collet - Projet Fractales, INRIA Rocquencourt Université de Technologie de Compiègne - Yann.Semet@tremplin-utc.net
  32. 32. Annexes
  33. 33. H : calibrage de  <ul><li>Oublier un exercice : H va de 0.5 à 0.9 </li></ul><ul><li>Oublier prend 1 semaine (x=604800s) </li></ul><ul><li> =3.6E-6 </li></ul>
  34. 34. La roulette <ul><li>E=nœuds accessibles depuis n i </li></ul><ul><li>Probabilité proportionnelle au fitness </li></ul><ul><li>Automatique mais pas réglable </li></ul><ul><li>Sensible, parfois trop </li></ul>
  35. 35. Sélection par le rang I <ul><li>Probabilité de sélection inversement proportionnelle au rang </li></ul><ul><li>Réduction automatique des écarts </li></ul><ul><li>Non réglable </li></ul><ul><li>Peut être insuffisamment subtil </li></ul>
  36. 36. Sélection par le rang II <ul><li>Probabilités attribuées manuellement pour chaque rang </li></ul><ul><li>Complètement paramétrable </li></ul><ul><li>Lourd </li></ul>
  37. 37. Sélection par tournoi <ul><li>S 1 arcs sortants tirés au hasard </li></ul><ul><li>Le meilleur est choisi </li></ul><ul><li>1 paramètre de contrôle </li></ul>
  38. 38. Tournoi stochastique <ul><li>On choisit d’abord le pire arc </li></ul><ul><li>S 1 « challengers » sont essayés l’un après l’autre </li></ul><ul><li>Si plus fort, le « challenger » remplace son prédécesseur avec une probabilité s 2 </li></ul><ul><li>2 paramètres de contrôle </li></ul>
  39. 39. Prolongements <ul><li>Nouveaux facteurs individuels (agenda, excellence, etc.) </li></ul><ul><li>Nouveaux facteurs collectifs (e.g. coupe de re-médiation) </li></ul><ul><li>Observation avant tout </li></ul>
  40. 40. Facteurs clés <ul><li>Écoute de l’équipe pédagogique </li></ul><ul><li>Écoute des élèves </li></ul><ul><li>Davantage que l’optimisation computationelle </li></ul>
  41. 41. Résumé <ul><li>Un problème d’optimisation : chercher la bonne valuation des arcs d’un graphe de navigation pédagogique </li></ul><ul><li>Solution proposée : agents, communication stigmergique, sélection semi-aléatoire </li></ul><ul><li>Éléments de calibrage </li></ul><ul><li>Premières observations encourageantes </li></ul>

×