Grant: Discovery Grants Program - Individual

Les approches proposées dans le cadre de ce programme de recherche établiront les fondations de systèmes cyber-physiques cognitifs capables d'interagir verbalement avec les humains, tout en s'adaptant à leurs états émotionnels et cognitifs ainsi qu'à un environnement acoustique imprévisible. Créer une expérience d'interaction verbale positive et efficace avec des systèmes cyber-physiques, tels que les robots industriels, contribuera à améliorer l'utilisabilité, la qualité et la confiance dans la collaboration avec ces machines en milieu industriel. Les solutions proposées viseront à créer une boucle d'apprentissage et de collaboration continue où les connaissances acquises par le système cyber-physique sont utilisées pour l'adaptation aux états cognitifs de l'opérateur humain et aux conditions de fonctionnement dans des environnements acoustiques défavorables extrêmes. Ainsi, le nouveau modèle d'interaction humain-système permettra d'améliorer la sécurité des opérateurs humains et de bonifier leur expérience d'utilisation lors de la manipulation de machines tels que les robots industriels. D'une part, l'extraction d'informations intrapersonnelles à partir du signal de la parole permettra de lancer des alertes si la sécurité de l'opérateur humain est compromise ou encore de moduler la complexité de la tâche selon son niveau d'attention. D'autre part, le rehaussement des signaux dans des conditions acoustiques défavorables et changeantes permettra de répondre au défi majeur de la robustesse des systèmes interactifs vocaux actuels, en proposant des solutions qui n'utilisent que les occurrences bruitées, sans possibilité d'accès au signal clair. Il est à noter que le programme défrichera des pistes alternatives aux approches actuelles qui utilisent un apprentissage supervisé dont la performance est fortement dépendante de la disponibilité de données étiquetées (annotées). Le problème est que d'une part, l'étiquetage manuel est fastidieux et coûteux et d'autre part, dans le monde réel, il est souvent difficile de disposer de suffisamment de données étiquetées pour atteindre les performances nominales. Les approches proposées devront donc s'affranchir le plus possible des données étiquetées pour concevoir des systèmes interactifs robustes. Le protocole soutenant ce modèle d'interaction misera sur une caractéristique essentielle, à savoir son interprétabilité et explicabilité afin de permettre aux utilisateurs humains de comprendre comment les algorithmes d'apprentissage profond utilisés prennent des décisions et génèrent des réponses. De plus, dans la foulée des préoccupations sociétales quant à la notion d'équité soulevées par les systèmes automatiques de reconnaissance de certaines caractéristiques personnelles, ce programme propose d'intégrer un processus technique formel d'évaluation et de réduction de biais systémiques liés à la diversité des attributs ethniques ou démographiques des personnes utilisatrices de ces systèmes.