Document

1
Incertitude
Chap. 13

2
Plan
•Incertitude
•Probabilité
•Syntaxe et Sémantique
•Inférence
•Indépendance et règle de Bayes
• Comment l’utiliser?

3
Incertitude
Soit action At= partir pour l’aéroport tminutes avant le vol
Est-ce que Atme permet d’arriver à temps?
Problèmes:
1. Observabilité partielle (état de route, plans des autres conducteurs, etc.)
2. Senseurs bruités (nouvelle sur le trafic)
3. Incertitude dans les résultats des actions (pneu dégonflé, etc.)
4. Complexité énorme pour modéliser et prédire le trafic
Donc, une approche purement logique va
1. Soit risquer le fausseté: “A25 me permet d’arriver à temps”
2. Soit arriver à la conclusion trop faible pour prendre une décision:
“A25 va me permettre d’y arriver à temps s’il n’y a pas d’accident sur le pont et
qu’il ne pleut pas et que mes pneus restent intacts, etc. »
(A1440 pourrait raisonnablement être considérée de m’y amener à temps mais je
dois rester une nuit à l’aéroport …)

4
Méthodes pour traiter l’incertitude
•Étendre la logique
–Logique de défaut ou non monotone:
• Par défaut: supposons que ma voiture n’a pas de pneu à plat
•Supposons que A25 marche à moins contredit par des évidences
–Problèmes: Quelles hypothèses par défaut sont raisonnables? Comment traiter
la contradiction?
–Logique non monotone: quand contradiction, défaire la chose la moins ancrée
•Approche numériques
–Probabilité
• Modéliser le degré de croyance de l’agent en une proposition
•Étant donné les évidences disponibles,
"A25 me permet d’y arriver à temps" avec la probabilité 0.04
•Combinaisons
–Règles avec facteurs arbitraire (fudge factors):
•A25 |→0.3 arriver à temps
•Sprinkler |→0.99 WetGrass
•WetGrass |→0.7 Rain
•Problèmes: combinaison des règles, Sprinkler causes Rain??
– Logique floue: étend les valeurs de vérité en [0,1] ≠ probabilité
•WetGrass est vrai à degré 0.2

5
Probabilité
Des assertions probabilistes résument les effets de
–Paresse (laziness): impossibilité d’énumérer les exceptions,
qualifications, etc.
–ignorance: manque des faits pertinents, des conditions initiales,
etc.
Probabilité subjective ou Bayesienne:
• Probabilités reliées aux propositions par rapport à l’état
de connaissances de l’agent
e.g., P(A25 | pas d’accident rapporté) = 0.06
(Ceci n’est pas une assertion sur le monde, mais une
évaluation)
Probabilités de propositions changent avec de nouvelles
évidences:
e.g., P(A25 | pas d’accident rapporté, 5 a.m.) = 0.15
(analogie à l’entraînement KB |=α, non à la vérité)