Les interfaces homme-machine (aka IHM) actuelles d’objets électroniques ou informatiques tel que un Smart Phone, un Mediacenter, un environnement de bureau d'un ordinateur, les *box des fournisseurs d'accès à Internet, des logiciels aux fonctionnalités dédiées comme la retouche d'image ou le montage audio/vidéo sont très souvent relativement touffues et complexes et demande un temps d’apprentissage non négligeable pour l’utilisateur final afin d'en acquérir la maîtrise.
L'idée autour de laquelle s'articule le projet que nous allons vous présenter est élémentaire : la simplification la plus complète possible de l'utilisation de ces objets.
En effet, il existe désormais un moyen pour les ordinateurs d'apprendre ce que les utilisateurs font de ces objets et par la suite de les rendre plus simples d'utilisation et/ou autonomes. Cette simplification d'utilisation repose sur une analyse des interactions entre les utilisateurs et les interfaces homme-machine (aka IHM) par un système d’apprentissage qui isolera les habitudes et usages des utilisateurs afin de construire une base d'usages par utilisateur. Cette base sera ensuite utilisée pour proposer une IHM plus simple, dynamique et adaptative aux utilisateurs ou pour rendre autonome certains objets.
Les applications de cette idée sont, par exemple, la création d'un bureau sur un Smart Phone présentant une liste réduite, dynamique et adaptée d’icônes d'applications en fonction du jour et de l'heure, l'autonomie d'un Mediacenter qui effectuera des actions en accord complet avec les usages précédents et actuels comme mettre une web radio, faire des propositions de films, faire des playlists correspondant vraiment aux goûts.

Le corollaire de cette idée est la mise à disposition des outils d’apprentissage permettant de créer les bases d'usages à partir des interactions homme-machine et les IHM adaptatives. Cette mise à disposition permettra d'intégrer plus facilement dans toute une série d'objets les IHM adaptatives et pourra faire l'objet d'une monétisation ou d'une mise sur le marché de services associés à l'intégration d'IHM adaptatives.

Ce projet repose sur un socle de matériels électroniques choisis spécifiquement pour leur bas coût, leur extrême miniaturisation, leur faible empreinte écologique et leurs aspects innovants et disruptifs.

Devant la masse grandissante d'objets informatiques plus ou moins intelligents (Internet of Things, IWatch, ISP Box, etc.) arrivant sur le marché, l’utilisateur final finit par se retrouver devant une importante masse de choses à apprendre pour les maîtriser ou à défaut simplement les utiliser. La création de bases d’apprentissage d'usages ciblées sur certaines IHMs et fonctionnalités permettant de simplifier leurs utilisations à l'aide d'IHM adaptatives voire de rendre autonome certains de ces objets rendra ainsi possible une réduction considérable de leurs temps d’apprentissage et d'adoption.

La spécificité de notre approche réside principalement dans la non appropriation et marchandisation des informations concernant l'utilisation des outils électroniques et informatiques que les utilisateurs emploient. Les utilisateurs restent maître de leurs bases d’apprentissage d'usages, ce qui est peu courant.
La réduction du temps d'apprentissage quant à elle permettra de faciliter la mise sur le marché de nouveaux outils informatiques et pourrait devenir un facteur différenciateur lors de l'acquisition d'un objet électronique ou informatique.
Plus généralement, l'arrivée d'une intelligence informatique relative sous forme de système d’apprentissage dans les habitations des particuliers permet également d’envisager des niveaux de simplification d'utilisation et d'autonomie grandissants vraiment adaptés à la vie dans occupants dans toutes une série de domaines comme la domotique. Une autre particularité est la dissémination de cette forme d'intelligence en périphérie d'Internet sur le réseau domestique des particuliers afin d'avoir des temps de réponse sur l'apprentissage très bas en réservant du temps de calcul dédié et local aux IHM adaptatives et au pilotage des objets.

Les aspects innovants résident dans la mise au point d'algorithmes d’apprentissage parallélisés et optimisés pour les grilles de calcul des Parallella et leurs adaptations à un système distribué hybride (grille locale vs. grille distribuée globale) ainsi que dans les algorithmes cryptographiques qui seront également adaptés au matériel et vont permettre de garantir une complète anonymité et la non appropriation et marchandisation des bases d’apprentissage de particuliers.

Mais le plus grand défi restera la structuration des bases d'apprentissage des usages en vue de créer une forme de généricité permettant une réutilisation par le même utilisateur sur un autre outil avec une autre IHM. Une très rigoureuse analyse des interactions homme-machine et de leur primitives informatiques sera nécessaire pour créer une abstraction générique que nous souhaitons normaliser afin de faciliter la dissémination.

Insérer les schémas de l'architecture cible.

• Architecture locale :

• Architecture globale :

Dans un premier temps, nous nous proposons de valider l'approche architecturale choisie d'implémentation de l'idée en testant sur un logiciel libre offrant les fonctionnalités d'un Mediacenter nommé XBMC son autonomisation en lançant un bêta-test en deux étapes :

1. Intégration et test d'un portage natif de XBMC sur une plateforme matérielle récente et peu chère, un ODROID-U3 avec modifications pour l'utilisation d'un système d’apprentissage distant et son pilotage également à distance.
2. Implémentation et test d'un ou de service(s) d’apprentissage et de pilotage(s) massivement parallélisé(s) distants sur un système distribué de supercalculateurs basé sur la plateforme matérielle Parallella.

Ce bêta-test nous permettra également de vérifier l’adhésion du grand public à l'idée.

Les bases d'apprentissage seront sur un système de stockage local ou distribué en fonction du choix de l'utilisateur garantissant une totale anonymisation grâce à un crypto-système innovant de type zero-knowledge avec tolérance de panne. Aucunes données privées des utilisateurs ne circulera en clair sur le réseau.

Justifier avec un diagramme de Gantt les jours/homme quand c'est possible (les thèmes du projet liés à la de la recherche vont être difficiles à évaluer).

3 Doctorants qui seront encadrés par le dispositif CIFRE.

Présenter tous les thèmes possibles de thèses de doctorat

Thématique des thèses :

• Optimisation des algorithmes de parallélisation en prenant en compte les spécificités matérielles;
• Machine Learning et Human Computer Interactions (aka HCI);
• Système de cryptographie distribué à algorithmes de chiffrements parallélisés;
• Système de cryptographie à forte anonymisation;
• Système distribué robuste (stockage, message passing).

Rédiger des fiches précises de poste.

3 Ingénieurs dont :

• un en ergonomie des HCI;
• un en électronique;
• un en informatique.

Justifier les consommables.

1000 Parallella.
1000 ODROID-U3.

Ajouter des publications de recherche étudiant les interactions homme-machine en liaison avec le ML. Elles sont rares. Le domaine rester à explorer.

S. Young. “Cognitive User Interfaces”, 2011, IEEE Signal Processing Magazine, 27(3): 128-140.

Deep Learning via Semi-Supervised Embedding Jason Weston, Frederic Ratle, Hossein Mobahi, Ronan Collobert Neural Networks Tricks of the Trade, Reloaded, Springer (2013)