Upload
lamtruc
View
221
Download
0
Embed Size (px)
Citation preview
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