rpa_vision_v3/FICHE_18_APPRENTISSAGE_PERSISTANT_COMPLETE.md

Fiche #18 - Apprentissage persistant "mix" (JSONL + SQLite) ✅

Auteur: Dom, Alice Kiro
Date: 22 décembre 2025
Statut: COMPLET ✅

🎯 Objectif

Implémenter un système d'apprentissage persistant pour la résolution de cibles UI utilisant une architecture "mix" :

• JSONL : Audit trail append-only pour tous les événements de résolution
• SQLite : Lookup table rapide pour retrouver les fingerprints appris

🏗️ Architecture implémentée

Composants créés

1. core/learning/target_memory_store.py ✅

   • TargetMemoryStore : Gestionnaire principal de mémoire persistante
   • TargetFingerprint : Empreinte d'une cible UI résolue
   • ResolutionEvent : Événement de résolution (succès/échec)

2. core/execution/screen_signature.py ✅

   • Génération de signatures d'écran stables
   • Modes : layout, content, hybrid
   • Résistant aux petits changements UI

3. Intégration dans TargetResolver ✅

   • Lookup depuis mémoire persistante (priorité haute)
   • Enregistrement des succès/échecs
   • Configuration via paramètres d'initialisation

4. Intégration dans ActionExecutor ✅

   • Hooks après validation post-conditions
   • Enregistrement automatique des apprentissages

Structure de données

data/learning/
├── events/YYYY-MM-DD/
│   └── resolution_events.jsonl    # Audit trail
└── target_memory.db               # Lookup SQLite

🔧 Fonctionnalités implémentées

1. Enregistrement des résolutions

# Succès (après post-conditions OK)
store.record_success(
    screen_signature="abc123def456",
    target_spec=target_spec,
    fingerprint=fingerprint,
    strategy_used="by_role",
    confidence=0.95
)

# Échec (après post-conditions KO)
store.record_failure(
    screen_signature="abc123def456",
    target_spec=target_spec,
    error_message="Target not found"
)

2. Lookup intelligent

# Recherche avec critères de fiabilité
fingerprint = store.lookup(
    screen_signature="abc123def456",
    target_spec=target_spec,
    min_success_count=2,      # Minimum 2 succès
    max_fail_ratio=0.3        # Maximum 30% d'échecs
)

🔄 Intégration dans le pipeline d'exécution

Flux d'apprentissage

1. Résolution de cible → TargetResolver.resolve_target()

   • Lookup mémoire persistante (priorité 1)
   • Résolution classique si pas trouvé

2. Exécution d'action → ActionExecutor.execute_edge()

   • Validation post-conditions
   • Si succès → record_resolution_success()
   • Si échec → record_resolution_failure()

📊 Métriques et monitoring

Statistiques disponibles

stats = store.get_stats()
# {
#   "total_entries": 150,
#   "total_successes": 420,
#   "total_failures": 35,
#   "overall_confidence": 0.887,
#   "jsonl_files_count": 5,
#   "jsonl_total_size_mb": 2.3
# }

🧪 Tests implémentés

Tests unitaires ✅

• tests/unit/test_target_memory_store.py
• Couverture complète des fonctionnalités
• Tests de performance et concurrence

Démonstration ✅

• demo_persistent_learning.py
• Scénarios d'usage complets

🚀 Utilisation

Configuration de base

# TargetResolver avec apprentissage persistant
resolver = TargetResolver(
    enable_persistent_learning=True,
    persistent_memory_path="data/learning"
)

# ActionExecutor avec resolver intégré
executor = ActionExecutor(
    target_resolver=resolver,
    verify_postconditions=True  # Nécessaire pour l'apprentissage
)

✅ STATUT FINAL : COMPLET

Le système d'apprentissage persistant "mix" est entièrement implémenté et opérationnel.

Livrables :

• ✅ Code source complet et testé
• ✅ Tests unitaires avec couverture complète
• ✅ Démonstration fonctionnelle
• ✅ Documentation technique détaillée
• ✅ Intégration dans le pipeline d'exécution

Prêt pour utilisation en production 🚀