Premier Cours - Présentation - Intelligence Artificielle - PDF

Intelligence Artificielle Préparer par: Dr MEZZOUDJ Saliha 1  1 : Introduction à l’intelligence artificielle.  Notions générales  Repères  Intelligence  Intelligence artificielle  L’Intelligence Artificielle  Les a...

Intelligence Artificielle Préparer par: Dr MEZZOUDJ Saliha 1  1 : Introduction à l’intelligence artificielle.  Notions générales  Repères  Intelligence  Intelligence artificielle  L’Intelligence Artificielle  Les années 50, Les années 60, Les années 70, Les années 80,  Les Systèmes Experts  Intelligence Artificielle…Discussion  L’Intelligence artificielle distribuée  Les années 90, Définition de l’IAD  L’intelligence Artificielle Parallèle  La résolution Distribué de Problèmes  Les Systèmes Multi-Agents  L’Intelligence collective en perspective  Systèmes naturels et sociaux  Auto-organisation 2 3  C'est donc la capacité à saisir (et savoir utiliser) des liens entre des éléments diverses, c'est savoir lire au sens le plus large : lire les signes écrits par l'homme (sur le papier ou sur un écran d'ordinateur), mais aussi les signes inscrits dans la nature, voire même des signes au- delà de la nature (intelligence métaphysique), qui sont les éléments constitutifs du langage. 4 L'intelligence est la capacité de:  Réagir avec souplesse aux situations qui se présentent ,  Distinguer le sens de messages ambigus ou contradictoires,  Juger de l'importance relative de différents éléments d'une situation,  Trouver des similitudes entre des situations malgré les différences qui peuvent séparer,  Etablir des distinctions entre des situations malgré les similitudes qui les rapprochent 5  Réunir de nouveaux concepts à partir d'anciens concepts assemblés différemment,  Trouver des idées nouvelles, 6 7  Terme Souvent abrégée avec le sigle IA, ou AI pour Artificial Intelligence,  Créé par John McCarthy en collaboration avec Marvin Minsky Du Groupe d'intelligence artificielle (Boston), 8  1943: Les premiers Ordinateurs….  1950:  Espoir de mettre au point des sortes de cerveaux électroniques, John McCarthy  Test de Turing, permettant de qualifier un système d’intelligent, Alain Turing  Décrit par Alan Turing en 1950 dans sa publication Computing Machinery and Intelligence: Si la personne qui engage les conversations n’est pas capable de dire lequel de ses interlocuteurs est un ordinateur, on peut considérer que le logiciel de l’ordinateur a passé avec succès le test  Alan Turing a imaginé ce test pour répondre à sa question existentielle : « une machine peut-elle penser ? »,  Alan Turing a prédit que les ordinateurs seraient un jour capables de passer le test avec succès. 9  Les années 60  Constat que la reproduction de la pensée générale sur ordinateur est d’une grande complexité,  Budgets réduits : relative échec des travaux de traduction automatique,  Début de fortes critiques, 10  Lesannées 70  Premiers Systèmes Experts,  MYCIN (Interface quasi Lang. naturel, 1976: SE de diagnostic des infections bactériennes du sang  DENDRAL de l’université Sandford (USA), 1980: SE de réalisation de taches de chimistes, 11  Les années 80 Reconnaissance industrielle  Une base conceptuelle reconnue existe (moteur chainage avant, chainage arrière, règles de production, base de faits)  Mise au point de générateur systèmes experts,  Développement de systèmes experts applicatifs, notamment dans le domaine du diagnostic, 12  Projet cinquième génération (FGCS) (Fifth Generation Computer Systems) Lancé par le Japon en début des années 80:  Langage naturel, parole, résolution de problèmes (raisonnement), architecture de machines,  Dynamisation de la recherche en IA : efforts budgétaires par le Japons mais également USA et Europe qui ne veulent pas se faire distancer, 13  Techniques de l’IA  Stocker, représenter des connaissances  + Raisonner, traiter des connaissances  Intelligence 14  Quelques domaines d’application  Vision par ordinateur: Détection d’anomalies (de fraudes), Reconnaissance de formes (image, objet,…)  Logique: Logique propositionnelle et logique des prédicats  Bases de donnéeà: Apprentissage, Fouille de données  Langage naturel: Analyses sémantique automatisée, Traduction automatique, Reconnaissance vocale  Robotique: Planification des taches, Analyse de textes,  Reconnaissance de formes,  Démonstration automatique,  Représentation des connaissances  A rajouter  Les deux écoles de l’IA  Symbolique (Système Experts, Réseaux Sémantiques,...)  Sub-symbolique (Réseaux de Neurones, Logique Floue,...) 15 16 Notions de base  Outil capable de reproduire les mécanismes cognitifs d'un expert, dans un domaine particulier.  Logiciel capable de répondre à des questions, en effectuant un raisonnement à partir de faits et de règles connus.  Un système expert se compose de 3 parties:  une base de faits,  une base de règles,  un moteur d'inférence. 17 18 19  Principe  Le moteur d'inférence est capable d'utiliser les faits et règles pour produire de nouveaux faits, jusqu'à parvenir à la réponse à la question experte posée,  Il existe de nombreux types de moteurs :  à «chaînage avant» - qui partent des faits et règles de la base de connaissance, et tentent de s'approcher des faits recherchés par le problème.  à «chaînage arrière » - qui partent des faits recherchés par le problème, et tentent par l'intermédiaire des règles, de remonter à des faits connus,  à «chaînage mixte » - qui utilisent une combinaison de ces deux approches chaînage avant et chaînage arrière. 20  Leterme de système expert disparaîtra progressivement  système à bases de connaissances.  Ceconcept est fondé sur une séparation entre:  Les connaissances nécessaires pour résoudre un problème.  Les mécanismes de raisonnement exploitant ces connaissances 21   Il faut faire la distinction entre l'information, la donnée brute, la connaissance, qui est la sélection, l'appropriation et l'interprétation des informations par les hommes, ainsi que « les savoirs », qui mettent en perspective les connaissances ponctuelles sur le long terme, (Prax, 2009) 22  Les types des connaissances  Les objets du monde réel;  Les assertions et les définitions sur ces objets;  Les concepts qui sont des agrégations ou généralisations des objets;  Les relations entre les objets ou les concepts;  Les théorèmes et les règles de réécriture (qui possèdent la particularité d'être sûrs);  Les méthodes de résolution;  Les règles de comportement innées ou acquises;  La méta connaissance : la connaissance sur la connaissance d'un problème donné. 23  Unraisonnement peut être défini comme un enchaînement d’énoncés ou de représentations symboliques conduit en fonction d’un but, ce but pouvant prendre des formes variées :  Démontrer, convaincre, élucider, interpréter, décider, justifier, expliquer, etc. Un tel enchaînement est une caractéristique importante d’un raisonnement (Frécon, 2009).  Il est en général non linéaire et nécessite des retours en arrière (back-tracks). 24  Le raisonnement formel : fondé sur la manipulation syntaxique de structures symboliques à l’aide des règles.  Le raisonnement par analogie, très naturel et efficace chez l’être humain mais difficile à mettre en œuvre en pratique car mal connu. 25  Le raisonnement par généralisation et abstraction, également largement répondu chez l’homme, mais encore mal connu. Il est lié à l’apprentissage par induction, d’une importance majeure. Ce raisonnement peut en particulier mettre en œuvre le mécanisme d’inférence par héritage déjà présenté.  Le raisonnement spatial, né de la nécessité de concevoir des systèmes recevant des informations visuelles sur le monde qui les entoure, prend des formes très diverses. Ce raisonnement repose sur les divers types de géométrie: algébrique, différentielle, algorithmique, etc. 26  Année 90 les réseaux et les multiprocesseurs ouvrent de nouvelles perspectives à l’IA  Limite de la conception centralisatrice de l’IA:  Machine séquentielle mono-processeur  Limites de l’approche Système Expert  Les systèmes naturelles et sociaux sont extrêmement complexes  L’approche objet a montré tout l’intérêt d’un découpage d’un système en entités conceptuelles en interaction, 27 28  Limites de l’IA:  Centralisation des faits,  Centralisation des règles,  Centralisation du moteur d’inférences,  Système ”Fermé”,  Quelquescaractéristiques attribuées aux systèmes ”intelligents”  Evolutivité,  Adaptabilité,  Ouverture.  Antithèsedes systèmes ”intelligents” centralisés 29  Dans IAD il y a un D pour Distribuée.  Pourquoi distribuer l’intelligence” ?  Que gagne-t-on par rapport aux systèmes d’IA ”classiques” ?  Quelles techniques sont mises en œuvre pour distribuer l’IA ?  À quelles classes d’applications peut-on adapter des systèmes d’IAD ? 30  Comment distribuer l’intelligence?  Stocker, représenter des connaissances  + Raisonner, traiter des connaissances  Intelligence On peut distribuer: 31  L’IAD Propose une distribution de l’expertise sur un ensemble de systèmes capables d’interagir en coopération dans un environnement commun et de résoudre les éventuels conflits pour mener à bien une tache complexe ( résolution de problème, aide à la décision, reconnaissance de formes, conduite de processus, …),  L’IAD s’organise autour de trois axes:  L’intelligence artificielle parallèle,  La résolution Distribuée des Problèmes  Les systèmes multi-Agents 32  L’intelligence artificielle parallèle,  Développement de langage et d’algorithmes pour l’IAD  Amélioration des performances des systèmes d’IAD par la proposition de langages concurrents et d’architectures parallèles,   Ne s’intéresse pas à la nature du raisonnement ni à l’intelligence des comportements 33  La résolution Distribuée des Problèmes   Décomposition d’un problème posé sur un ensemble d’entités distribuées et coopérantes,   Partage de connaissances entre entités,   Processus de résolution conduisant à un résultat,   Les entités sont en générale dépendantes les unes par rapports aux autres, 34  Les systèmes multi-Agents  Faire coopérer un ensemble d’entités  proactives et relativement indépendantes appelés «agents» et dotés d’un comportement intelligent,  Ceci dans l’objectif de coordonner leurs buts et leurs plans d’actions pour la résolution de problèmes,  Technique utilisable dans de nombreuses disciplines notamment en simulation, 35 36  Systèmes collectifs,  Capables d’accomplir des tâches difficiles  Dans des environnement dynamiques et variés,  Sans pilotage externe,  Sans coordination centrale, Exemple: Colonies d’insectes (Fourmies, Abeilles,,,) Question: 37  Les recherches sur les comportements collectifs des insectes sociaux fournissent aux informaticiens des méthodes puissantes pour la conception d'algorithmes d'optimisatio et de routage et de contrôle distribué. 38  Des études sont menées conjointement par des chercheurs du Laboratoire d'éthologie et cognition animale, de la société Eurobios et de l'Institut de recherches interdisciplinaires et développements en intelligence artificielle montre que ces techniques s'appliquent aujourd'hui à tout un ensemble de problèmes scientifiques et techniques. 39  Lessociétés d'insectes ont une capacité à résoudre des problèmes d'une manière:  Flexible :la colonie s'adapte aux brusques changements d'environnement,  Robuste :la colonie continue de fonctionner lorsque certains individus échouent à accomplir leur tâche. 40  Les problèmes quotidiens résolus par une colonie sont nombreux et de nature très variée :  Recherche de nourriture,  Construction du nid,  Division du travail,  Allocation des tâches entre les individus, etc.  La plupart de ces problèmes se retrouvent dans le domaine des sciences de l'ingénieur, en informatique et en robotique notamment. 41  Les études réalisées par les éthologistes ont montré que certains comportements collectifs des insectes sociaux étaient auto-organisés.  L'auto-organisation caractérise des processus au cours desquels des structures émergent au niveau collectif, à partir d'une multitude d'interactions simples entre insectes, sans être codées explicitement au niveau individuel. 42  Certaines interactions - une fourmi qui suit la piste de phéromone laissée par une autre - aident à résoudre collectivement des problèmes difficiles, par exemple trouver le chemin le plus court parmi d'innombrables voies conduisant à une source de nourriture. 43  Les informaticiens et les ingénieurs ont pu transformer des modèles du comportement collectif des insectes sociaux en méthodes utiles pour l'optimisation et le contrôle.  Un nouveau domaine de recherche a vu le jour qui a pour objet de transformer la connaissance que les éthologistes ont des capacités collectives de résoudre de problèmes des insectes sociaux en techniques de l’IA pour résolution de problèmes 44