Introduction

Chapitre
Chapitre 11
Introduction
Prologue
„
Exemples :
On voudrait qu ’un robot aille chercher
des croissants chaque matin.
Reconnaître un visage
Introduction
2
Prologue
„
Tiraillement :
– IA : l’intelligence humaine peut être « réduite » à
une manipulation complexe de symboles via un
médium donné (pas nécessairement le cerveau) ?
– L’intelligence ne peut être reproduite sur un
ordinateur. Elle requiert des « propriétés
humaines » non simulables ?
„
Quel est le but ?
– Veut-on vraiment des machines se comportant
comme des humains ou des programmes
complémentant nos capacités et compensant nos
limitations …
Introduction
3
Définitions de l’IA
„
« ... the science of making machines do things that
would require intelligence if done by humans » Marvin Minsky
„
« AI is the part of computer science concerned with
designing intelligent computer systems » -E.
Feigenbaum
„
« Systems that can demonstrate human-like reasoning
capability to enhance the quality of life and improve
business competitiveness » - Japan-Singapore AI
Centre
Introduction
4
Quelques problèmes typiques
„
„
„
„
„
Planification ;
Vision ;
Robotique ;
Langage naturelle ;
Etc.
Difficiles !
„
„
„
„
Diagnostic médical ;
Processus de
décision financière ;
Helpdesk ;
Etc.
Plus faciles !
Introduction
5
Qu’est-ce que l’IA
1.
2.
(1)
(2)
Une discipline de l’ingénierie dédiée à la création
de machines intelligentes ;
Une science empirique de la modélisation
computationnelle de l’intelligence humaine ;
IA moderne
Science cognitive moderne
Différencier les 2 disciplines, mais antagonisme
bénéfique, tendant à s’estomper.
Introduction
6
Qu’est-ce que l’IA ?
« [The exciting new effort to « The study of mental faculties
make computers think … through the use of computational
machines with minds, in the full models »
and literal sense »
(Charniak+McDermott, 1985)
(Haugeland, 1985)
Think like humans
Think rationally
« The study of how to make
computers do things at which, at
the moment, people are better »
(Rich+Knight, 1991)
«The branch of computer
science that is concerned with
the automation of intelligent
behavior »
(Luger+Stubbleeld, 1993)
Act like humans
Act rationally
Introduction
7
Penser comme un humain : la
science cognitive
Vers 1960 "révolution cognitive": la psychologie prenant en
compte le traitement de l'information remplace l'orthodoxie
prévalante du behaviorism
„ Besoin de théories scientifiques sur les activités internes du
cerveau
„ Quel niveau d'abstraction? Connaissances ou "circuits"?
„ Comment valider les résultats expérimentaux?
„
– étude et analyse du comportement humain (approche top-down)
– déduction à partir de données neurologiques (approche bottom-up)
„
Les 2 approches correspondent maintenant à :
– top-down science cognitive
– bottom-up neuroscience cognitive
„
Elles se sont différenciées de l'IA
Introduction
8
Agir comme un humain
„
„
„
En 1950 Alan Turing publie son papier " Computing
Machinery and Intelligence" dans lequel il décrit une
méthode pour tester un système d'intelligence artificielle
Principales composantes d'un système d'IA :
représentation des connaissances, raisonnement,
compréhension du langage naturel, apprentissage.
http://www.turing.org.uk/turing/
Introduction
9
Test de Turing
Test de Turing : un individu communique à l'aide d'un terminal
d'ordinateur avec un interlocuteur invisible. Il doit décider si
l'interlocuteur est un être humain ou un système d'IA imitant un
être humain.
Introduction
10
Penser rationnellement
Aristote : quels sont les processus de pensée corrects ?
„ Plusieurs formes de logiques :
„
– notation et règles de dérivation pour les pensées, sans relation
avec une mécanisation du raisonnement
Ligne directe des mathématiques et de la philosophie à l'IA
moderne
„ Difficultés :
„
– tous les comportements intelligents ne sont pas le résultats de
raisonnement logique
– quel est le but de l'action de penser? Quelles pensées doit-on
avoir? Traduire une connaissance « informelle » en termes
« formelles » ? Gestion de la connaissance « incertaine » ?
Introduction
11
Agir rationnellement : notion
d’agent rationnel
„
„
„
Comportement rationnel : effectuer l'action correcte
pour atteindre l’objectif recherché ;
Action correcte : celle qui est supposé optimiser
(maximiser, minimiser) l'objectif recherché, étant
donné l'information disponible ;
Ne requiert pas nécessairement le fait de penser (ex.
retirer sa main du feu), mais la pensée doit être au
service de l'action rationnelle ;
Introduction
12
Agent rationnel
„
„
„
„
Une entité qui perçoit et agit ;
Un agent est une fonction qui met en
correspondance des perceptions et des actions ;
On recherche l’agent (ou le groupe d’agents) ayant la
meilleure performance ;
Donc : concevoir le meilleur programme étant donné
les ressources (machine) à notre disposition.
Introduction
13
Un agent « intelligent » ?
Introduction
14
Architectures de la cognition
„
„
Il s’agit de proposer, au moins implicitement, une
architecture d’un agent intelligent ;
Cette architecture défini l’organisation du processus
cognitif. Elle constitue le substrat computationnel sur
lequel les habilités spécifiques à un domaine précis
sont greffées ;
– Ex : Organiser l’apprentissage des lois physiques de
l’environnement dans lequel l’agent évolue, la combinaison
d’inputs de multiples capteurs, et choisir les actions en
évaluant leurs effets.
„
Pas de consensus sur ce que serait une architecture
idéale pour un système intelligent e.g., séparation
fonctionnelle
avec
modules
de
perception,
d’apprentissage, de raisonnement, de communication,
de locomotion, etc. ;
Introduction
15
Comment fabriquer un agent « intelligent »
„
„
„
„
„
Approche «symbolique» : sans se limiter à
reproduire des phénomènes observables ;
Approche neuro-mimétique : en s’inspirant de
la réalité biologique et en construisant des
modèles biologiquement plausibles ;
Philosophiquement irréconciliables ?
Complémentaires, comparables ; elles forment
un continuum ;
Approche hybride neuro-symbolique.
Introduction
16
Approche symbolique
„
„
Un symbole est un objet, partie de l’état interne de
l’agent ;
2 propriétés :
– Peut-être comparé à d’autres symboles ;
– Peut-être combiné avec d’autres symboles pour former des
structures symboliques.
„
„
„
Newell & Simon 1972 : Physical Symbol System
(PSS), la manipulation algorithmique de structures
symboliques est nécessaire et suffisante pour
« créer » de l’intelligence ;
L’hypothèse PSS, prise à l’extrême se confond avec
la notion de COMPUTATION ;
Machine de Turing.
Introduction
17
Approche symbolique
„
„
„
„
Fondée principalement sur la logique ;
Manipule des expressions et met en oeuvre des
processus de raisonnement ;
Nécessite
une
représentation
explicite
des
connaissances du problème et des méthodes de
résolution ;
Problème : comment considérer des informations
« numériques » (intensité, force, fréquence, etc.) du
monde physique ?
– Le projet de robotique Shakey [Raphael, 76] en est le premier
exemple !
– Un niveau de computation non symbolique entre le monde réel et le
monde symbolique interne de l’agent ;
– Qu’en est-il de l’existence d’une telle couche ?
Introduction
18
Approche neuro-mimétique
„
„
„
„
S’inspire de la réalité biologique ;
En construit des modèles informatiques ;
Exploite des processus d’apprentissage ;
Permet de développer des systèmes autoadaptatifs et évolutifs.
Introduction
19
Histoire
„
„
„
„
„
„
„
„
„
„
1943 McCulloch & Pitts: modélisation des neurones et du cerveau
1949 D. Hebb : assemblées de neurones, force des connexions entre
neurones et règle d’apprentissage ;
1950 ouvrage "Computing Machinery and Intelligence" de Turing : les
fonctions calculables sont définies par une machine ;
1952-69 période euphorique!
1950s 1er programmes d'IA: programme de jeu de dame de Samuel,
"Logic Theorist" de Newell & Simon, «moteur» de preuve de
théorèmes en géométrie de Gelernter
1956 réunion de Dartmouth : terme "Intelligence Artificielle " adopté
1957-1962 Rosenblatt : le perceptron
1965 algorithme de Robinson pour le raisonnement logique
1966-74 IA découvre la complexité des calculs, recherche en réseaux
de neurones disparaît (presque) complètement ; Coupure dans les
budgets ;
1969-1980 knowledge is power ;
Introduction
20
Histoire
„
„
„
„
„
„
„
1969-79 1er développements de système à base de
connaissances (Dendral) ;
1980-88 industrie des systèmes experts en plein boum (DEC,
etc.) ;
1988-93 frein dans l’industrie des systèmes experts, reflexion ;
~1980-~1990 méthodes générales d’apprentissage : méthodes
symboliques et,
1985 - … réseaux de neurones redeviennent populaires : dès
Hopfield (82), le perceptron multi-couches (1985) ;
~1990 - … résurgence des méthodes de décision probabilistes,
« Nouvelle IA » : Artificial Life, algorithmes génétiques, réseaux
bayésiens. Besoins industriels.
Perspectives : data mining, text mining sur internet. Retour de
la connaissance ?
Introduction
21
Fondements de l’IA
„
„
„
„
„
Philosophie : logique, méthodes de raisonnement.
Fondements : apprentissage, langage, rationalité ;
Mathématiques : représentations formelles et preuves,
algorithmes, (in)décidabilité, probabilité ;
Psychologie : adaptation, phénomènes de perception et
de contrôle moteur, techniques expérimentales
(psychophysique, etc.) ;
Linguistique : représentation des connaissances,
grammaire ;
Neurosciences : substrat physique de l'activité mentale ;
Introduction
22
Progrès et futur
„
„
„
À cause des promesses initiales (non
tenues), désenchantement ;
Mais peut-être peut-on vivre avec des
programmes plus limités, comme des
assistants intelligents, etc.
Maturité de l’IA : techniques mathématiques,
modèles cognitifs …
Introduction
23
Exemples de système d’IA
„
„
„
„
„
„
„
robots
programme de jeu
d'échecs
système de
reconnaissance de la
parole
vérificateur de syntaxe
reconnaissance de
formes
diagnostic médical
algorithmes de jeu
„
„
„
„
„
traduction automatique
ordonnancement de
ressources
systèmes à base de
connaissances (diagnostic,
conseil, planification, etc.)
apprentissage automatique
interfaces intelligentes
Introduction
24
Faire de l’IA
„ Point
de vue des sciences cognitives
– Comprendre la cognition naturelle par des modèles
informatiques ;
„ Point
de vue de l’ingénieur
– Résoudre des problèmes difficiles par des méthodes
appropriées ;
„ Point
de vue du théoricien
– Découvrir les lois universelles de la cognition
Oscillation entre ces 3 pôles
Introduction
25
À lire …
„
„
„
„
„
„
„
Haugeland, J. (1985). Artificial Intelligence: The Very Idea.
Cambridge, MA: MIT Press.
Haugeland, J. (1989). « L'esprit dans la machine ». Editions
Odile Jacob, Paris.
Barr, A., P. R. Cohen, and E. A. Feigenbaum, Eds. (1989). The
Handbook of Artificial Intelligence, vol. 4. Reading, MA:
Addison-Wesley.
Brooks, R. A. (1991). Intelligence without representation.
Artificial Intelligence 47(1-3):139-159.
Chomsky, N. (1957). Syntactic Structures. The Hague: Mouton.
Dreyfus, H. L. (1992). What Computers Still Can't Do: A Critique
of Artificial Reason. Cambridge, MA: MIT Press.
Feigenbaum, E. A., and J. Feldman, Eds. (1963). Computers
and Thought. New York: McGraw-Hill.
Introduction
26
À lire …
„
„
„
„
„
„
„
„
McCulloch, W. S., and W. Pitts. (1943). A logical calculus of the
ideas immanent in nervous activity. Bulletin of Mathematical
Biophysics 5:115-137.
Minsky, M. L., Ed. (1968). Semantic Information Processing.
Cambridge, MA: MIT Press.
Minsky, M. L. (1986). The Society of Mind. New York: Simon &
Schuster.
Newell, A. (1990). Unified Theories of Cognition. Cambridge, MA:
Harvard University Press.
Newell, A., and H. A. Simon. (1972). Human Problem Solving.
Englewood Cliffs, NJ: Prentice-Hall.
Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. San
Mateo, CA: Morgan Kaufmann.
Poole, D., A. Mackworth, and R. Goebel. (1997). Computational
Intelligence: A Logical Approach. Oxford: Oxford University Press.
Raphael, B. (1976). The Thinking Computer: Mind Inside Matter.
New York: W. H. Freeman.
Introduction
27
À lire.
„
„
„
„
„
„
„
Robinson, J. A. (1965). A machine-oriented logic based on the
resolution principle. Journal of the Association for Computing
Machinery 12:23-41.
Russell, S. J., and P. Norvig. (1995). Artificial Intelligence: A
Modern Approach. Englewood Cliffs, NJ: Prentice-Hall.
Samuel, A. L. (1959). Some studies in machine learning using the
game of checkers. IBM Journal of Research and Development
3(3):210-229.
Shapiro, S. C., Ed. (1992). Encyclopedia of Artificial Intelligence.
2nd ed. New York: Wiley.
Turing, A. M. (1950). Computing machinery and intelligence. Mind
59:433-460.
Von Neumann, J., and O. Morgenstern. (1944). Theory of Games
and Economic Behavior. 1st ed., Princeton, NJ: Princeton
University Press.
Webber, B. L., and N. J. Nilsson, Eds. (1981). Readings in Artificial
Intelligence. San Mateo, CA: Morgan Kaufmann.
Introduction
28