Alors que certains domaines croulent sous une "avalanche de données", d'autres doivent faire face à une pénurie où chaque nouveau point de donnée est compté. C'est notamment le cas de l'apprentissage en robotique : dans la plupart des situations où l'on souhaite que les robots apprennent, il est irréaliste que les robots effectuent plus de quelques dizaines d'essais. À l'opposé des problèmes de "big-data", il existe donc des problèmes de "micro-data", qui sont, à notre avis, relativement peu étudiés. Partant de ce constat, notre équipe propose de nouveaux algorithmes pour l'apprentissage par essai-erreur micro-data, avec un intérêt particulier pour les applications robotiques. J'illustrerai nos résultats avec l'exemple de robots endommagés qui doivent ré-apprendre certaines compétences (par exemple, marcher avec une patte cassée) afin de pouvoir poursuivre leur mission (par exemple, accéder à une salle suite à une avarie dans une centrale nucléaire) : dans ce type de situation, il est primordial d'apprendre avec le minimum d'essais, tout en étant le plus créatif possible.

Référence principales: