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