Intelligence Artificielle : IA

De l’Intelligence Artificielle
aux Systèmes à Base de
Connaissances
1
Intelligence Artificielle : IA
Définition: l’IA est une science dont le but
est de faire faire par une machine tout ce
que l’homme est capable de faire.
2
L’IA… et les ordinateurs
La machine est presque toujours un
ordinateur…
et le chercheur en IA un
informaticien.
3
Deux approches principales
Psychologie
cognitive
Informatique avancée
Objectif : étudier
l’intelligence humaine
Objectif : rendre les
ordinateurs plus
performants
Ordinateur = un outil
d’investigation
Ordinateur = l’objet même
de la recherche
IA
4
L’Hypothèse de l’IA
Niveau « symboles » du
cerveau : l’esprit
Programme d’IA
isomorphisme
Substrat neuronal
Substrat électronique
5
L’IA et l’informatique
IA
Informatique « classique »
Ordinateur = un outil
capable de percevoir,
comprendre, raisonner
Ordinateur = un outil
puissant de calcul
Approche : humaine
Approche : algorithmique
6
Résolution de problèmes
par l’homme et la machine
Ensemble des pbs que l’on sait
résoudre de façon algorithmique
et polynomiale
Ensemble des problèmes
7
Autres problèmes…
Problèmes formels
• La résolution de systèmes d’équations en variables entières
• La détermination d’un circuit passant par tous les sommets
d’un graphe
• …
Problèmes d’optimisation
• La construction d’emplois du temps respectant des
contraintes
• L’optimisation du trajet d’un voyageur de commerce à travers
un réseau de villes
• La sélection des fichiers à interroger dans une banque de
données informatisée pour obtenir une information au
moindre coût
• Le chargement optimal d’un équipement (train, bateau, avion,
…) au moindre coût
• …
8
Problèmes de la vie courante ou
professionnelle
• Le diagnostic (maladies, pannes)
• La compréhension d’un article de journal
• La traduction d’un texte dans une langue
étrangère
• Reconnaître tante Berthe sur une photo
9
Tous ces problèmes, pour lesquels
aucun algorithme de résolution n’est connu,
relèvent - a priori - de l’IA
10
Historique de l’IA
• 1950 : premiers programmes de calcul formel
• 1956 : Logic Theorist (Newell et Simon)
jeu (échecs, dames)
démonstration
automatique
de théorèmes
traduction
automatique
• 1958 : General Problem Solver (Newell, Shaw et
Simon)
• 1960 -> 1965 : période de « consolidation »
11
1965 : un nouvel élan
et 2 approches
Approche
« combinatoire
intelligent »
Approche
« utilisation de
connaissances »
Systèmes experts
12
De l’utilisation de
connaissances
Deux constats :
Nos raisonnements mettent en œuvre de
grandes quantités de connaissances
Rien ne remplace l’expérience
13
Nos raisonnements mettent en œuvre de
grandes quantités de connaissances [1/2]
Le professeur envoya le cancre chez le
censeur parce qu’il voulait…
1. lancer des boulettes
2. avoir la paix
3. le voir
14
Nos raisonnements mettent en œuvre de
grandes quantités de connaissances
[2/2]
Aujourd’hui, c’était l’anniversaire de
Jack. Penny et Janet sont allés dans
un magasin pour acheter des
cadeaux. Janet s’est décidée pour un
cerf-volant. « Surtout pas » a dit
Penny. « Jack a déjà un cerf-volant ».
Il t’obligerait à le rapporter.
15
De l’utilisation de
connaissances
Deux constats :
Nos raisonnements mettent en œuvre de
grandes quantités de connaissances
Rien ne remplace l’expérience
16
Rien ne remplace l’expérience
Exemple : le jeu des échecs
L’expérience :
- modifie la façon de percevoir l’échiquier
- guide la recherche des coups
envisageables
17
Naissance des Systèmes
Experts
Systèmes Basés sur la Connaissance (SBC)
; Knowledge Based Systems (KBS)
-> Domaine d’application d’un SE
précis et
limité
mais performances égales à celles des
meilleurs spécialistes
+
outils facilement modifiables
18
Représentation « déclarative »
des connaissances
La connaissance propre au domaine
doit être séparée du code
informatique
Il faut pouvoir transmettre la connaissance en vrac, de façon énonciative,
sans préjuger de son utilisation
19
Représentation impérative vs
déclarative
Prog.
U <- R * I
-
« U = RI »
« L’article s’accorde en genre et en nombre avec le nom »
20
Définition
On définit un SE
– par ses fonctions :
Celles d’un « expert humain » dans un domaine
précis
– par sa structure :
Séparation entre la Base de Connaissances
(expertise) et le Moteur d’Inférences (contrôle sur
ces connaissances)
21
Les fonctions d’un SE
Raisonner sur une grande masse de
connaissances
Raisonner sur des connaissances
– Imprécises
– Incertaines
– Incomplètes
Dialoguer en langue naturelle avec
l’utilisateur
Expliquer, justifier son raisonnement
22
Exemple de dialogue en langue
naturelle [1/2]
<MYCIN> Mes recommandations thérapeutiques seront basées sur les
infections
probables et les organismes infectieux potentiels suivants :
L’organisme peut être 1° Pseudomo nas aeruginosa, 2° klebsellia
pneumoniae, 3° escherichia coli, 4° bacteroides fragilis, 5°
enterobacter, 6°
proteus non mirabilis.
Voulez-vous me donner la gravité de la maladie de M. Fred SMITH
sur une
échelle de 0 à 4 ?
<Utilisateur > 3
<MYCIN> M. Fred SMITH présente-t-il des réactions allergiques à un
quelconque
agent microbien ?
<Utilisateur> non
<MYCIN> Quel est son poids en kilos ?
<Utilisateur> 70
23
Exemple de dialogue en langue
naturelle [2/2]
<MYCIN> Ma recommandation thérapeutique sera, en premier choix :
Pour couvrir les points <1 2 3 5 6>
- prescrire de la Gentamicine, dose 119 mg 98 h IV, pendant 10
jours ;
Pour couvrir le point 4,
- prescrire de la Clindamycine, dose 595 mg 96 h IV, pendant 14
jours.
Désirez-vous éventuellement éliminer certains médicaments ?
<Utilisateur> Oui, la Clindamycine.
<MYCIN> Pour couvrir les points <2 3 4 5 6>, donner du Chloramphénicol,
dose : 1g 96 h IV, pendant 15 jours ;
** surveiller le taux de globules blancs du patient.
Pour couvrir le point 1, donner de la Gentamicine, dose 119 mg 98
h IV,
24
pendant 10 jours ;
** modifier la dose en cas de faiblesse rénale.
Exemple d’explication par le SE
de son propre raisonnement
<MYCIN> L’infection du malade a-t-elle été contractée à l’hôpital ?
<Utilisateur> Pourquoi ?
<MYCIN> {Pourquoi est-ce important de savoir cela ?}
Cela aidera à déterminer la catégorie à laquelle appartient
l’organisme
responsable de l’infection :
- il a déjà été établi que 1° l’organisme est à Gram négatif, 2° c’est
un
bâtonnet, 3° il se développe à l ’air ou sans air,
- donc, si l’infection par cet organisme n’a pas été contractée lors
du
séjour à l’hôpital, alors il est presque certain (0,8) que l’organisme
est de
la catégorie des enterobactoriaceae ; de plus, il se peut (0,1) que
ce soit la
Pseudomonas aeruginosa.
25 que
<Utilisateur> Pourquoi n’avez-vous pas envisagé la possibilité
l’organisme soit un
Exemple de dialogue pour
l’acquisition des connaissances
[1/2]
<MYCIN>
<Expert>
<MYCIN>
<Expert>
<MYCIN>
<Expert>
<MYCIN>
<Expert>
<MYCIN>
<Expert>
Les investissements suivants semblent être actuellement les plus
appropriés : Varian Corporation et American Telephone and Telegraph (AT & T).
Est-ce correct ?
Non
Y en a-t-il qui manquent ?
Oui. Digital Equipment et Data General.
Y en a-t-il qui ne devraient pas apparaître ?
Oui. AT & T.
Voulez-vous que je guide la recherche de l’erreur ?
Oui
Commençons alors par AT & T. J’ai utilisé la règle 27 pour y parvenir :
Puisque 1/ le domaine de l’investissement n’est pas précisé ; 2/ le bénéfice
attendu est supérieur à 10% ; 3/ l’investissement doit se faire à long terme ;
Alors AT & T est un choix plausible (0,4).
La règle est-elle correcte ?
Oui.
<MYCIN> Une prémisse n’aurait-elle pas dû être vérifiée ?
<Expert> Oui, la 1.
<MYCIN> Je ne suis parvenu à aucune conclusion au sujet du domaine de
l’investissement.
Aurais-je dû trouver quelque chose de précis ?
26
Exemple de dialogue pour
l’acquisition des connaissances [2/2]
<Expert> Oui. La technologie avancée.
<MYCIN> Les essais pour toutes les règles qui pouvaient conclure au domaine de la
technologie
avancée ont échoué, car les prémisses étaient marques fausses : […]
Ces deux règles étaient-elles correctes ?
<Expert> Oui.
<MYCIN> L’une d’entre elles aurait-elle dû s’appliquer ?
<Expert> Non.
<MYCIN> Manque-t-il une règle ?
<Expert> Oui.
<MYCIN> OK, alors j’ai besoin d’une règle qui me permette de déduire que le domaine
doit être
la technologie avancée.
Voulez-vous me donner une telle règle ?
<Expert> Si la branche d’imposition du client est 80%
Si le client suit la tendance boursière de près
Alors il est évident (0,8) que l’investissement doit se faire dans la haute
27
technologie.
<MYCIN> La nouvelle règle est appelée règle 383.
Architecture d’un SE
Base de connaissances Moteur d’inférences
BCD
MI
BCP
Expert
interface
s
Connaissances = données
interchangeables
Utilisateur
28
Illustration de la distinction
BCD vs BCP [1/2]
Pour un SE en diagnostic médical, on peut avoir
-> dans la BCD
« Si le malade a une température élevée,
s’il a mal à la tête et s’il a des vomissements,
alors penser à une méningite possible »
-> dans la BCP :
- Le malade d’appelle Lulu
- Sa température est de 40°
- Son âge est de 10 ans
29
Illustration de la distinction
BCD vs BCP [2/2]
Pour un SE en calcul de primitives, on peut avoir
-> dans la BCD
« Si l’intégrande contient un terme f(x) compliqué,
il peut être judicieux d’essayer un changement de
variable en posant : u = f(x) »
-> dans la BCP
- e est l’expression à intégrer
- e a pour valeur : arctg(x) * 1/ 1 + x2
- e est un quotient
30
Les Règles de Production
Si CONDITIONS Alors ACTION
1)CONDITIONS
<->
teste l’appartenance
de certains faits à
BCP
2)
ACTION
<->
n’affecte que BCP
(n’ajoute pas et ne
supprime pas des
31
règles)
Différents types de Règles de
Production [1/2]
<CONDITIONS , CONCLUSIONS>
Conjonction de
conditions (prémisses)
conjonction
de conclusions
Les termes (condition ou conclusion) peuvent être :
Des booléens (Vrai ou Faux)
Si TEMPERATURE-ELEVEE et MAUX-DE-TETE et
VOMISSEMENTS
Alors penser à MENINGITE
Des couples (Attribut Valeur) ; variante de la Logique des
Propositions
Si (TEMPERATURE ELEVEE) et …
32
Différents types de Règles de
Production [2/2]
Des prédicats avec variables ; Logique du 1er ordre.
Si (Résolu ?e) et (Equiv ?e ?e’)
Alors (Résolu ?e’)
Exemple de règle avec coefficient de certitude (cf.
MYCIN)
Si le site de la culture est le sang
et si l’organisme est à gram négatif
et si l’organisme est de forme bâtonnet
et si le patient est un hôte à risque
Alors il est probable (0,6) que
l’organisme est le domania aeruginosa
33
Intérêt des Règles de
Production
Ce formalisme présente 2 caractéristiques
intéressantes :
– Indépendance des règles entre elles (+ pas
d’ordre)
– Les règles sont des assertions, non orientées
vers une résolution de problèmes (+ mise à jour
aisée)
Conclusion : ce formalisme est – a priori- un
bon candidat pour représenter de façon
déclarative des connaissances 34
1.
Problèmes liés au
développement
des Systèmes Experts
Représentation des connaissances -> base de
connaissances
–
–
Fond : relations avec l’expert, cohérence, apprentissage
Forme : langage d’expression, mode de représentation
1. Résolution de problèmes -> moteur d’inférences
–
–
–
Types de raisonnements (approximatif, hypothétique)
Interactions avec l’utilisateur (BCP complète vs incomplète)
Efficacité
1. Fonctions développées
–
–
–
Interfaces en LN
Explications
Acquisition des connaissances
35
Les « bons » domaines pour les SE
[1/2]
Quand est-il pertinent d’utiliser l’approche SE ?
Quand on ne peut pas faire autrement
pas d’algorithme connu
mais il existe des experts humains
Jeux: bridge, échecs, go
Diagnostic médical
Recherche pétrolière
…
Quand on veut suivre le raisonnement
Le SE est utilisé pour ses capacités d’explication
(EIAH)
36
Les « bons » domaines pour les SE
[2/2]
Quand les connaissances évoluent très
vite
Facilités de mise à jour de la BC
Quand on veut collecter une expertise
Facilités d’acquisition des
connaissances
Nouveau paradigme de programmation
37
Développement et maintenance
aisés
Une sélection de ressources
en ligne sur l’IA
Deux livrets rédigés par des chercheurs de
l’IRIT (Institut de Recherche en Informatique de
Toulouse) :
L’intelligence Artificielle, mais enfin de
quoi s’agit-il ?
http://www.irit.fr/Livret-IA/Livret-3/
Les machines pensent-elles ?
http://www.irit.fr/Livret-IA/Livret-1/ 38