www.thalesgroup.com

ANALYSE EN TEMPS RÉEL DES PATRONS DÉCISIONNELS

ET DES DONNÉES BIO-COMPORTEMENTALES POUR

DES SYSTÈMES HUMAIN-MACHINE AUGMENTÉS

Daniel LafondThales Recherche et Technologie Canada

Rendez-vous IA Québec, 9 avril 2018

2

INTRODUCTION À

THALES R&T CANADA

Plan

DÉTECTION D’ÉTATS

CRITIQUES CHEZ L’HUMAIN

CAPTURE D’EXPERTISE

ET AIDE À LA DÉCISION

3

Avionique Défense Sécurité Espace Transport Terrestre

• 5e Centre TRT dans le monde + nouveau laboratoire IA à Montréal

• Pilliers de notre programme : Humain – Données – Objets connectés

• Innovation technologique dans les différents domaines d’affaires

• Développer des écosystèmes d’innovation en recherche

• Contribuer à la transformation digitale de Thales

Thales Recherche et Technologie (TRT) Canada

www.thalesgroup.com

Détection d’états critiques

5

StressCharge mentale

Fatigue Vigilance

L’importance de pouvoir diagnostiquer l’état

de nos technologies critiques est bien établie…

…il est maintenant à notre portée d’évaluer

en temps réel des états à risque chez l’humain

Mesure des « facteurs humains »

6

Vers une capacité temps réel et mobile

7

Entraînement

8

Monitoring opérationnel

9

Défis de recherche à surmonter

▌ Limites

Bio-signaux ne sont pas spécifiques

- Influencés par différents états

Données des capteurs sont bruitées

- Mouvement, lumière, environnement

Classifieurs doivent mieux généraliser

- Précision chute sur de nouvelles données impliquant…

… de nouveaux individus… de nouvelles tâches

- Besoin de capacités de calibration et de normes dynamiques

www.thalesgroup.com

Capture d’expertise et aide à la décision

11

Qu’est-ce que le « policy capturing »?

▌ Technique d’analyse du jugement (Cooksey, 1996)

Modélisation à partir des décisions observées (typiquement une régression linéaire)

Initialement appliqué en médecine pour le diagnostic/jugement clinique

Appliqué maintenant à de nombreux domaines (légal, environnement, gestion)

▌ Bénéfices

Ne dépend pas de la capacité d’expliquer son expertise (souvent non-verbale ou implicite)

Effet de « Judgmental bootstrapping »

- Modèles d’experts surpassent ceux-ci car non-vulnérables à la distraction et fatigue

- Bénéfice moyen de 10% (Karelaia & Hogarth 2008)

12

Exemple d’étude

▌ SEPSIS PÉDIATRIQUE (maîtrise de Joanny Grenier du laboratoire Co-DOT)

1. Étudier le processus décisionnel des médecins en situation de triage et de prise en charge du sepsis pédiatrique.

2. Caractériser comment les modèles décisionnels des individus divergent d’un modèle normatif (tiré des réponses correctes).

13

Problématique du sepsis

▌ Difficile à identifier et à distinguer d’autres pathologies

Grande hétérogénéité quant aux critères diagnostics

Diagnostic clinique diffère parmi le personnel médical

▌ Diagnostic fréquemment omis

Omission entraîne dégradation rapide

de la santé pouvant résulter en décès

14

Méthode

▌ Deux techniques sont combinées

Mesurer l’information consultée avant une décision

Dériver une règle (modèle) à partir de décisions passées

▌ Étude

Tâche électronique de prise décisionnelle

11 médecins (urgentologues / pédiatres intensivistes)

15

Résultats

▌ 77% de réponses correctes

Diagnostic sepsis par le médecin

OUI NON

Ré

po

nse

co

rre

cte

OUI 40%

détection

correctes

10%

omissions

NON 13%

fausses alarmes

37%

rejets corrects

Arbres de décision

capturant l’expertise

collective (à gauche)

et individuelle (droite)

Arbre normatif

100% correctArbre individuel

87% correct

17

Importantes différences individuelles

▌ Comparaison des arbres de décision

Note. P1-P13 = Participants 1-13

18

Conclusions

▌ Faisabilité de la méthode d’analyse

Approche non-linéaire a été requise ici

Modèles réalistes basés sur l’info consultée

▌ Applications pour l’entraînement et l’aide à la décision

Rétroactions personnalisées sur l’utilisation des critères

Outil sur appareil mobile basé sur un modèle normatif

19

Projet Cognitive Shadow

▌ Analyse du jugement en temps réel

Alertes quand l’utilisateur diverge de son propre

patron décisionnel (ou d’un modèle normatif)

Automatiser l’apprentissage automatique

- Apprentissage en ligne (multimodèle)

- Meta learning (mesures humain/contexte)

Capture initiale par entrevue intelligente

- Apprentissage actif

Questions d’interaction humain-machine

- Acceptabilité / confiance / biais

20

Collaborateurs et organismes d’appui

▌ Université Laval

Sébastien Tremblay

François Vachon

Christian Gagné

Marc Parizeau

Matthew J. Weiss

Patrick Archambault

▌ INRS

Tiago Falk

Marie-Soleil Cloutier

▌ Dalhousie University

Heather Neyedli