Apprentissage et adaptation avec l'expert dans la boucle des situations incertaines et imprévisibles dans les systèmes autonomes basés sur l'Intelligence artificielle

Abstract

À mesure que les systèmes d'IA sont déployés dans des domaines réels à enjeux élevés, la nécessité d'un apprentissage adaptatif à la fois efficace et sûr en situation d'incertitude devient cruciale. Cette thèse aborde le défi de l'apprentissage avec l'expert dans la boucle au sein de systèmes autonomes opérant dans des environnements imprévisibles et contraints en ressources, où les hypothèses traditionnelles- telles que la disponibilité de grands jeux de données statiques ou la supervision experte continue, ne sont pas réalistes. Nous proposons d'abord un mécanisme de protection sensible aux erreurs graves (« blunders »), qui exploite la rétroaction d'un oracle afin d'entraîner des modèles proxy capables de filtrer, au moment de l'inférence, les actions à haut risque, améliorant ainsi la sûreté des décisions sans entraver l'exploration. Nous introduisons ensuite une stratégie de seuillage adaptatif pour l'apprentissage actif en flux, qui régule dynamiquement l'annotation et le réentraînement, améliorant l'efficacité en matière d'étiquetage, l'équilibre des classes et la robustesse face à la dérive dans des contextes fédérés. Enfin, nous intégrons l'ambiguïté perceptuelle, capturée via les retours humains ou oraculaires experts et généralisée par un modèle supplémentaire, dans les fonctions d'acquisition, ce qui permet de prioriser les exemples ambigus ou critiques pour la sécurité lors de l'apprentissage. Pris ensemble, ces apports constituent un cadre unifié pour un apprentissage sûr, efficace et adaptatif dans des environnements séquentiels et en flux. Des expérimentations approfondies menées dans des domaines tels que les échecs, la classification d'images et la modération de contenu démontrent que nos méthodes surpassent systématiquement les approches de référence en termes de sécurité, d'efficacité d'étiquetage et de robustesse. Ce travail établit ainsi les bases de systèmes d'IA dignes de confiance, capables d'apprendre de manière responsable et de fonctionner de façon fiable dans des environnements réels.