Vous êtes sur la page 1sur 187

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


1 1
COURS DINTELLIGENCE ARTIFICIELLE

A Lusage des tudiants de
PREMIERE LICENCE EN SCIENCES INFORMATIQUES

Par
Prof. Docteur KASORO MULENDA NATHANAEL
e-mail : kasoro_mulenda@yahoo.fr
UNIVERSITE DE KINSHASA
FACULTE DES SCIENCES / DEP. DE MATH & INFORMATIQDUE



OBJECTIFS DU COURS

- Prsenter la gense de lIntelligence Artificielle et des systmes intelligents
- Dfinir le concept Intelligence Artificielle
- Etablir les ressemblances et les dissemblances entre les systmes classiques et ceux issus de
lIntelligence Artificielle
- Prsenter les principaux domaines dapplication de lIntelligence Artificielle
- Introduire la notion de lIntelligence Artificielle Distribu et prsenter ses domaines
dapplications
- Dcrire larchitecture des systmes issus de lIntelligence Artificielle et discuter les diffrents
modules
- Expliquer la transition des bases de donnes vers les bases de connaissances
Le but de ce cours est de vous faire apprhender les techniques utilises pour rsoudre des problmes
lis l'analyse, au traitement et l'apprentissage de connaissances. Cette problmatique s'inscrit dans
le cadre gnral des sciences cognitives, dont le souci est l'tude de l'intelligence. Ces disciplines
regroupent des domaines aussi varis que la philosophie, la psychologie, la biologie ainsi que des
sciences pour l'ingnieur telles que l'informatique et la robotique. Depuis les premiers ordinateurs, il
y a en effet eu une interaction forte entre les sciences qui essayaient de comprendre le
fonctionnement de l'intelligence, et celles qui tchaient d'en reproduire le fonctionnement.

PRE REQUIS

- Notions sur les bases de donnes
- Notions sur les langages de programmation
- Notions sur la logique et la logique mathmatique


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


2 2
MODES DINTERVENTION

Le cours sera donn sous forme thorique : exposs du professeur, sous forme dexercices surtout
sur la conception des bases de connaissances et sous forme de sminaires.

MODES DEVALUATION

Le cours sera valu de la manire suivante :

- Sous forme de travaux raliss pendant lanne (Prsence aux cours, aux T.P.)
- Sous forme dexposs (Par groupe dtudiants, les tudiants choisissent un thme, le
dveloppent et lexposent avant les examens)
- Sous forme dinterrogation et dexamen oral et / ou crit

CONTENU

INTRODUCTION

CHAPITRE I : GENERALITES SUR LINTELLIGENCE ARTIFICIELLE
CHAPITRE II : DOMAINES DE LINTELLIGENCE ARTIFICIELLE
CHAPITRE III : PRINCIPES DE BASE DE LINTELLIGENCE ARTIFICIELLE
CHAPITEE IV : DES BASES DE DONNEES VERS LES BASES DE
CONNAISSANCES
CHAPITRE V : LA ROBOTIQUE
CHAPITRE VI : LES RESEAUX DE NEURONES
CHAPITRE VII : LINTELLIGENCE ARTIFICIELLE DISTRIBUEE
CHAPITRE VIII : LES LANGAGES DINTELLIGENCE ARTIFICIELLE


REFERENCES

I. OUVRAGES

1. Gallaire H., Minker J., Nicolas J.M., Logic and Databases, a deductive approach ,
Maison ACM Computing Surveys, Juin 1984, p. 153 155
2. Jack Challoner, L Intelligence Artificielle, un guide dinitiation au future de
lInformatique et de la Robotique, DK Focus Science, 2002
3. Ernst C., Les Systmes Experts en Gestion , Masson, Paris
4. Karkan J. M. et all, Systmes Experts, Masson, Paris
5. Abel Jacques, Contribution llaboration dune mthode de dveloppement pour les
Systmes Experts, thse de doctorat
6. Franoise Folgeman, Soulie Sligos, Introduction aux Rseaux de Neurones , Yaound,
1995
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


3 3
7. Madou N., Un Shell pour la construction dun Systme Expert dans un environnement
Objet, Tizi Ouzou, Algrie
8. Jack Challoner, LIntelligence Artificielle : Un guide dinitiation au futur de
linformatique et de la robotique , Edition Franaise, France, 2003.
9. Claire REMY, Lintelligence artificielle , Dunod, Paris, 1994.
10. Jean Marc ALLIOT, Thomas SCHIEX, Intelligence artificielle et Informatique
thorique , CEPADUES-EDITIONS, in Collection Intelligence Artificielle, TOULOUSE,
France.

II. COURS, REVUE, ACTES, JOURNEES

1. Des Bases de donnes vers les Bases de connaissances, 3
ime
Journes francophones sur
lInformatique, Grenoble, janvier 1984, P. 3 14.
2. Revues Recherche Spciale sur lIntelligence Artificielle
3. Kasoro N., Etude comparative entre les systmes informatiques classiques et les systmes
issus de lIntelligence Artificielle
4. Luhandjula M.K., Cours dIntelligence Artificielle , 1997 1998
5. Mbuyi M., Kasoro N., Cours dIntelligence Artificielle , Cycle dInformatique Applique,
Unikin, Dpt de Math Informatique, 2000 2001
6. Kasoro N., Cours dIntelligence Artificielle , ULK 15 i
me
rue Limete, 2002 2003
7. Touzet C., Les Rseaux de Neurones Artificiels , juillet 1992

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


4 4
INTRODUCTION

Intelligence Artificielle. Que na-t-on imagin, rv, partir de lassociation de ces deux
termes ? La possibilit pour lhomme de crer un tre son image, de fabriquer des machines qui
pourrait penser, raisonner, comprendre, apprendre, dcider, voire rire ou aimer notre place. Bref,
reproduire les fonctions intelligentes de lhomme, certaines fonctions biologiques. Lintelligence
Artificielle devait tout rgler : plus besoin de programmer, les systmes allaient fonctionner
pratiquement tout seuls, sans jamais se tromper. Les statues vivantes ou parlantes de lAntiquit et
les automates des sicles passs reprenaient consistance, et lon voyait se profiler lombre de Hal,
lordinateur tout-puissant dcrit par Arthur Clarke dans 2001 lOdysse de lespace.

Aprs plus de 30 ans de recherches et peu d'applications significatives, l'Intelligence
Artificielle est devenue un des thmes porteurs de l'informatique. De nombreux industriels
manifestent leur intrt IBM avec CLP(#MATH199#), Bull/Siemens/ICL avec CHIP, des entreprises
spcialises se sont cres (Delphia Grenoble, Prologia Marseille, Cosytec Orsay, BIM en
Belgique ...). Devant cet tat de faits, les ractions vont du scepticisme l'merveillement le plus
complet.
Cette dnomination faisant appel au terme Intelligence , notion elle-mme relative et
difficile dfinir, est souvent controverse ; certains lui prfrent celle de Systmes Base de
Connaissances , voire le terme d Informatique avance . Si les grands programmes dIA sont
rares, de nombreux systmes sont intgrs des applications complexes, dont les utilisateurs se
servent sans mme le savoir. En fait, lIA nest quune technique informatique parmi tant dautres.
Or lvolution actuelle de linformatique nest pas de faire des ordinateurs de plus en plus puissants,
mais bien plutt de les rendre, sinon plus intelligents, du moins plus conviviaux . Cest ainsi que
lIA investit peu peu tous les domaines dactivit, de la gestion la productique, en passant par les
applications financires ( analyse et diagnostic), le contrle de processus industriel
( impliquant la vision, le traitement du signal et la robotique), la bureautique ( traitement, analyse ou
comportement automatique de documents par systme expert, gestion automatique de messagerie et
dagendas), ladministration ( contrle dorganismes comme la scurit sociale, aide lapplication
de rglements), les rseaux (routage), le gnie logiciel et laide lexploitation informatique.
Cest grce lIA que nous pouvons interroger efficacement le minitel, que les trains arrivent
lheure, que les industriels peuvent conomiser lnergie en rgularisant les processus, que des
dfauts sont diagnostiqus et rapidement rpars sur des machines complexes, que des chanes de
fabrication peuvent fonctionner sans intervention humaine, que les pilotes davion sont capables de
faire face aux situations les plus complexes, que la recherche scientifique
( physique des particules, gntique, biochimie.) peut avancer grands pas.

Ainsi, plutt que dessayer de reproduire lintelligence humaine, lIA a pour objectif
dapporter des rponses, soit lorsque les besoins de lutilisateur nont pas trouv de solution dans le
cadre de linformatique classique, soit quand ces besoins ont t gnrs par cette informatique elle-
mme. Le premier cas se prsente lorsquil sagit de rsoudre des problmes particulirement
difficiles ou complexes dans un domaine bien dlimit (systmes experts) ou des problmes assez
simples, mais dans un domaine mal formalis (traitement du langage naturel ou reconnaissance de
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


5 5
formes, par exemple). Le deuxime cas exige la ralisation dinterfaces homme-machine simple,
naturelles et conviviales, alors que les machines sont de plus en plus difficiles.

Ce sont surtout les rapports homme-machine qui sont appels changer dans les prochaines
annes, prcisment grce lIA. Linterface entre lhomme et la machine se situe essentiellement
au niveau du clavier et de lcran, bien que dautres priphriques, comme la souris, le crayon
lectronique ou le cadre tactile, soient de plus en plus souvent utiliss. Lun des objectifs de lIA est
d humaniser la machine : permettre lhomme de dialoguer avec un ordinateur comme avec son
semblable. Cela implique un certain nombre de caractristiques de la part de la machine : possibilit
de sadapter diverses modalits de dialogue ( oral, crit, en diffrentes langues), capacit
dacquisition de connaissances, de reconnaissance de linterlocuteur ou de lenvironnement,
dexplication, dinterprtationCes aptitudes mettent en jeu un grand nombre de techniques dIA :
traitement du langage naturel, crit ou oral, reconnaissance de formes, apprentissage, auto-
adaptation, ainsi que lanalyse de situations, dimages, de problmes. Elles constituent lun des
grands dfis de linformatique du futur.

Actuellement les ordinateurs se prsentent sous plusieurs formes. Certains peuvent crire
sous la dicte ou corriger des fautes, dautres sont des joueurs dchecs et peuvent battre les plus
grands matres. Les robots sont contrls par des ordinateurs autonomes, se dplacent sur dautres
plantes grce un minimum dinformations fournies par des ingnieurs depuis la terre. Les tches
autrefois excutes par lhomme sont actuellement excutes par des machines. Cela signifie que
ces machines sont intelligentes ? Les ordinateurs pourront ils tre conscients de ce quils font ?
Existera t il de vrais cerveaux lectroniques, avec une volont propre, des motions ou un sens
moral ? Quelle pourra tre lutilit de tels ordinateurs et quelles menaces reprsentent ils ?
LIntelligence Artificielle est une science qui essaie de traiter toutes ces questions.
L'objectif de l'Intelligence Artificielle est double : le premier concerne l'analyse thorique
et pratique des processus cognitifs ; le second s'intresse la ralisation (``hard'' et ``soft'') d'artfacts
intelligents. LIntelligence Artificielle se place parmi les sciences ``sociales'' (psychologie,
linguistique, philosophie), ``naturelles'' (neurobiologie, physiologie), et a une approche oscillant
entre une mthode rigoureuse et un bricolage effrn.
Dj le terme ``Intelligence Artificielle'' est assez flou, puisque si l'artificiel a t conu par
la main de l'homme (ou d'une, voire plusieurs, machine(s) conue(s) par ...) par opposition au
naturel ; la notion d'intelligence est quant elle difficile prciser : un plombier est-il plus ou moins
``intelligent'' qu'un mathmaticien ?
Les tudes psychologiques ont dmontr que cette appellation (non contrle) recouvre de
nombreuses capacits trs diffrentes:
a. pouvoir d'abstraction,
b. rsolution de problmes,
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


6 6
c. adaptation (rapide) un nouvel environnement,
d. culture gnrale,
e. raisonnement, crativit ....
De plus, une fois connus les mcanismes permettant d'accomplir une tche, l'homme a
tendance en nier la qualit d'intelligence.
En rsum, lIntelligence Artificielle peut tre vue comme ``l'utilisation de l'ordinateur
comme moyen de simulation des processus naturels ou comme support des capacits ordinairement
attribues l'intelligence humaine''. L'objectif est donc vaste puisqu'il englobe aussi bien la capacit
qu'aurait une machine jouer aux checs, traduire un texte, ou dcouvrir, sur une photo la prsence
de Monsieur Untel. Son but est d'analyser les comportements humains dans les domaines de la
comprhension, de la perception, de la rsolution de problmes afin de les reproduire sur machine.
Parmi les raisons qui ont milit pour la cration de lIntelligence Artificielle, nous pouvons
citer :
- Le dsir dune technologie plus conviviale
- Le besoin dune automatisation plus complte a fin que des robots intelligents puissent
remplacer les hommes pour des tches rptitives ou dangereuses, danalyser intelligemment
beaucoup dinformations et damliorer les loisirs, pour que les jeux lectroniques paraissent
plus rels.
Le prsent texte n'est qu'un brouillon nullement exempt de fautes tant syntaxiques que
grammaticales. Les opinions avances n'engagent que moi. Ceci est la version 4 de ces notes de
cours. Certaines parties sont en cours de rdaction, parfois ne transparaissent que les grandes lignes
(dans certains cas rduites la tte de chapitre), les lments complmentaires seront donns en
cours.
Ces notes sont, comme l'tat de l'art qu'elles dcrivent, provisoires. Toutes amliorations, critiques,
commentaires seront les bienvenus.
Ce cours sadresse principalement aux tudiants en informatique et tous ceux qui veulent
sinitier lintelligence artificielle, et ceux qui en connaissent dj les principes et cherchent, par
exemple, approfondir leurs connaissances ou envisagent dappliquer certaines techniques un
problme particulier. L'objectif avou pour les tudiants est de les sensibiliser cette nouvelle
approche et leur donner envie d'approfondir les sujets brlants.



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


7 7

CHAPITRE I : GENERALITES SUR LINTELLIGENCE ARTIFICIELLE

I.1.GENESE DE LINTELLIGENCE ARTIFICIELLE

1. Histoire ancienne

Lhistoire de lintelligence artificielle ou des machines intelligentes remonte bien plus loin
dans le temps. Dj dans lantiquit, apparaissent des artefacts dtres vivants : En Egypte ancienne,
cest un automate qui dsignait, parmi les nombreux descendants du pharaon, celui qui va lui
succder aprs sa mort. En Grce, Homre imaginait, avec son Hphatos, un androde, conu pour
servir dchanson dans lOlympe. Le chant de lIlliade est lune des premires mentions dune
activit relevant de lIntelligence Artificielle. Si lon croit la lgende, le dieu de feu appel
Hphaitos avait construit des tables trois pieds munis de roulettes et qui pouvaient faire des va et
vient toutes seules dans le palais du dieu. Cette table est en fait lanctre du Robot trois roues
invent par lInstitut de Recherche Stanford des Etats Unis. Ce mme dieu avait galement fabriqu
des femmes en or pour sen servir. Elles taient doues de raison et capables de parler et de
travailler. Elles taient si parfaites quelles pouvaient tre prise pour des femmes relles.
La lgende de Pygmailon relate que le sculpteur chypriote, tomb amoureux dune statue,
parvint, avec laide de la desse Aphrodite, la rendre vivante. Philon dAlexandrie met en pratique
les dcouvertes dArchimde pour construire des automates pondraux. Hron dAlexandrie tudie
les lois dquilibre partir dautomates.
Au Moyen Age, lautomate se trouve la charnire entre science, lgende et alchimie. A
lpoque des cathdrales, des horloges astronomiques et des grands mystiques, les pas du Golem
dans la tradition juive, ce gant dargile dot dune me par la magie du signe cabalistique grav sur
son front, rsonnent dans les rues crpusculaires du vieux PragueA la Renaissance, le rationalisme
reprend le dessus : les croquis de Lonard de Vinci, o est tudie la composition des mouvements,
sont parfaitement comprhensibles par un esprit cartsien. Cest aussi au 16
e
sicle que lon
enregistre les premires tentatives de modlisation du corps humain par la mdecine.
Au 17
e
sicle, Descartes imagine un homme machine , sorte dautomate bas sur un
comportement algorithmique. Les joueurs de flte et de tambourin, construits par Jacques
Vaucanson au 18
e
sicle, reproduisent prcisment les mouvements de musiciens humains, mais ils
ne font quappliquer les lois de la mcanique, qui sera dcouverte et analyse un sicle plus tard.
Mozart lui-mme avait imagin un automate pour composer des mlodies : sur une table spciale,
connue sous le nom de Musikalische Wrfelspiel, on pouvait jouer aux ds les mesures successives
dune partition. Certains automates auraient t capables de parler ou de participer des jeux de
rflexion ; cependant, derrire la machine se cachait sans doute un homme charg de lactionner et
de lui communiquer son intelligence.
Par ailleurs, les lois de la pense sont formalises trs tt, avec la logique, dont on peut
faire remonter lorigine Aristote au 4
e
sicle avant J.C. Cette discipline na va voluer rellement
qu partir de Descartes (1596-1650), Leibniz (1646-1716) et Pascal (1623-1662). En tant
quinventaire de la machine calculer, ce dernier peut mme tre considr comme le pre de
linformatique. Au 19
e
sicle, Boole (1815-1864) nonce les rgles du calcul binaire, qui seront la
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


8 8
base du fonctionnement des ordinateurs. Charles Babbage (1792-1871) concrtise lide de Pascal en
posant les principes de fonctionnement de la machine calculer : la machine analytique . Ce nest
quau 20
e
sicle, avec John Von Neumann (1903-1957), que se fera le passage de la machine
calculer lordinateur (1943), grce au principe de la programmation des machines (1946).
Neumann dveloppera dailleurs lanalogie entre lordinateur et le cerveau dans ses ouvrages, ses
cours et confrences. Les recherches en psychologie, qui commencent au 19
e
sicle, constituent un
autre axe. Cest de la convergence entre ces diffrentes approches que va natre lIntelligence
Artificielle.
LIntelligence Artificielle entra dans lhistoire avec lapparition des premiers ordinateurs et
fit ses premiers pas dans le domaine des jeux et de la dmonstration des thormes. Le rve de
lhumanit ctait de faire raliser par une machine les tches qui jusque l taient rserves
lhomme . Par exemple jouer aux checs, traduire un texte, dcouvrir que sur une photo il y a
monsieur un tel sur sa bicyclette devant un jardin, etc. LIntelligence Artificielle se donnait aussi
comme objectif danalyser les comportements humains dans les domaines de la comprhension, de
la perception, de la rsolution des problmes, afin de pouvoir ensuite les reproduire laide dune
machine.
En 1950, apparurent les tortues de Grey Walter, puis le renard dAlbert Ducrocq qui tait
capable de dtecter la lumire. Ce fut Ducrosq qui fut le premier proclamer lre des robots.
Pour viter que cette intelligence ne devienne dominatrice, Issac Assimov mis au point les
trois clbres lois de la robotique suivantes :
- Un robot ne peut faire du tord un tre humain
- Un robot doit obir un tre humain tant que cela ne contredit pas la loi prcdente,
- Un robot doit se maintenir en vie tant que cela ne contredit pas les deux lois prcdente.

2. La naissance de LIntelligence Artificielle

Ds les dbuts de lordinateur, celui-ci est pressenti pour reproduire lintelligence. En tmoigne
la dnomination cerveau lectronique qui lui est alors attribu. Des recherches sont menes
vers 1950 cette fin. Deux tendances se sont opposes jusqu la fin des annes soixante : les
systmes adaptatifs (connus sous le nom de rseaux neuromimtiques ou systmes
connexionnistes), drivs de la cyberntique, dont lun des plus fameux a t le perceptron,
conu par Franck Rosenblatt au Cornell Aeronautical Laboratory, et les systmes experts,
prconiss par Marvin Minsky et Seymour Papert, du Massachusetts Institute of Technology
(MIT). Les premiers sont une tentative de modlisation des tres vivants, drivs des travaux des
cybernticiens, notamment Norbert Wiener, dans les annes quarante. Les seconds consistent
muler par un programme dordinateur des comportements intelligents ; cest lapproche
symbolique ou base de connaissances, dont on peut faire remonter lorigine au mathmaticien
Alan Turing en 1950. Cette dernire approche a fini par supplanter la premire dans les annes
soixante, en raison des progrs technologiques des ordinateurs et des performances des logiciels.
Durant cette clipse quasi-totale de lapproche adaptative, les systmes experts ont connu un
dveloppement considrable, notamment au cours des annes quatre-vingt.


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


9 9
3. Les premires applications

La premire application envisage en IA fut la recherche de techniques gnrales de rsolution
de problmes, indpendantes du domaine considr : General Problem Solver.
A la mme poque, Newell et Simon dveloppement un dmonstrateur de thormes en logique,
Logic Theorist, et un programme dchecs. Le premier langage pour lIA nat aussi dans ces
annes l.
Les recherches se sont ensuite focalises dans le domaine du traitement du langage naturel et les
premiers programmes de traduction automatique virent le jour, mais les rsultats ne sont gure
concluants.
Lambition des chercheurs se limita dsormais des problmes plus restreints et assez bien
dfinis ; ils tudient notamment les mcanismes mis en jeu par un expert humain pour rsoudre
un problme rel dans un domaine dactivit bien prcis. Le premier projet en la matire fut
Dendral, lanctre des systmes experts, lanc en 1965 par E.Feigenbaum luniversit Stanford
( Californie, Etats-Unis). Il avait pour objectif daider le chimiste trouver la structure dun
compos organique partir de la donne de son spectrogramme de masse et de sa formule
chimique. Constatant lnormit et la complexit du programme obtenu par les techniques de
programmation classique, Feigenbaum et ses collgues ont eu lide de sparer explicitement les
connaissances spcifiques du domaine et les mcanismes dinterprtation. De cette sparation est
ne la structure de base des systmes experts. Et la mthode a ensuite t affine avec Mycin,
Systme de diagnostic des maladies du sang, dvelopp par Shortliffe luniversit de Stanford
en 1976, puis Prospector , toujours Stanford en 1979, destin des applications de gologie.

Depuis les annes quatre-vingt, avec les progrs de la modlisation mathmatique de structures
inspires de la biologie, la seconde approche connat un regain et les rseaux neuromimtiques
remplacent, dans certains cas, ou compltent lapproche symbolique.

4. Les six gnrations de linformatique

On distingue diffrentes gnrations de linformatique comme dans dautres domaines
techniques. Le passage dune gnration lautre est marqu par un saut technologique
important.
En matire de logiciel, les gnrations sont caractrises par le niveau dvolution des langues.
Cette volution est plus ou moins chronologique, du moins pour les trois premires gnrations.
Aujourdhui coexistent la troisime, la quatrime et la cinquime gnrations.

4.1. La Gnration zro

Cest le dbut de linformatique. La notion de logiciel est encore inexistante. La programmation
des ordinateurs se fait manuellement, sur le matriel, en connectant les composants lectroniques
qui doivent tre mis en jeu, grce des fiches disposes sur un panneau larrire de la machine,
linstar des centraux tlphoniques.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


10 10

4.2. La premire Gnration
Elle est marque par lapparition du logiciel, mais celui-ci se prsente sous forme numrique
(binaire) ; cest le code machine, qui est directement compris dans lordinateur.
4.3. La deuxime Gnration
Elle est encore trs proche et est marque par lapparition du langage dassemblage (assembleur).
Cest un langage de programmation dans lequel les commandes du code machine ont des noms
qui suggrent leurs usages. Un programme en assembleur doit tre traduit en code machine avant
de pouvoir tre excut par lordinateur.
4.4. La troisime Gnration
Cest la gnration partir de laquelle les langages informatiques se dmaquent de la machine
pour se rapprocher de la langue naturelle (gnralement langlais). Cest le cas de la plupart des
langages utiliss actuellement : le Cobol, Fortran, Basic, Pascal, C Ces langages prsentent
lavantage dtre relativement indpendants de la machine sur laquelle ils tournent.
4.5. La quatrime Gnration
Cest la gnration des langages communment appels L4G. Ces langages sadressent aux non-
informaticiens qui souhaitent dvelopper eux-mmes leurs applications. Ce sont des langages
dclaratifs et non des langages procduraux, c'est--dire quils dcrivent ce quils dcrivent ce
qui est faire, et non les dtails de la procdure.
4.6. La cinquime Gnration
Cette gnration marque lapparition de lIntelligence Artificielle. Les langages de cette
gnration sont donc ceux de lIA, c'est--dire Lisp et Prolog. On peut y ajouter les langages
orients objets. Ce sont des langages structurs, qui se prtent au traitement symbolique.
4.7. La sixime gnration
Cest une gnration de linformatique entame au Japon, aprs avoir annonc dans les annes
80 un programme de cinquime gnration associant traitement symbolique et paralllisme. Il ne
sagit plus dans cette gnration l de langage, ni de logiciel, mais plutt dassocier des
informations de types divers (multimdia) et connaissances des architectures de machines
spcifiques (paralllisme massif, connexionnisme.).

Plusieurs disciplines ont contribu conjointement la naissance de lintelligence artificielle comme
nous le montre le schma suivant :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


11 11


Informatique Psychologie
Cognitive
VLSI
Langages
Programmation
Symbolique

Intelligence Artificielle
Robotique
Traitement du
langage naturel
Systmes
Experts
Rseaux des
Neurones
Apprentissage
Instruments
intelligents
Systmes
intelligents
Reconnaissance
de formes
Reconnaissance
de la Parole
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


12 12

QUELQUES DATES A RETENIR POUR LES SCIENCES AYANT CONCURUES A LA
NAISSANCE DE LINTELLIGENCE ARTIFICIELLE:
Philosophie :
1596-1650 : Descartes suppose que les animaux sont des sortes de machines vivantes. Les
hommes sont dots d'une me chappant la matire.
1646-1716 : Leibniz introduit le matrialisme. Selon lui, tout est rgit par des lois physiques.
1561-1626 : Bacon et l'empirisme : tout ce qui atteint la comprhension l'est par
l'intermdiaire des sens
1711-1776 : Hume construit son principe d'induction : les rgles gnrales sont acquises par
exposition des associations rptes de leurs lments
1872-1970 : Russel formalise les travaux de Hume et introduit le positivisme logique : le
savoir est caractris par des liens logiques, finalement relis aux sens.
Mathmatiques :
9me sicle : al-Khowarazmi introduit l'algorithmique, l'algbre et la notation arabe
1815-1864 : Boole construit l'algbre binaire et la logique formel
1848-1925 : Frege tablit la logique du premier ordre
1906-1978 : Gdel tablit son thorme d'incompltude et d'indcidabilit (il n'existe pas de
procdure capable de dcider qu'un non-thorme en est un).
1912-1954 : Turing montre que toute fonction calculable l'est par une machine de Turing (et
donc par un ordinateur). Attention ! il existe des fonctions non-calculables.
Psychologie :
1821-1894 Helmoltz, 1832-1920 Wundt : origine de la psychologie scientifique
1878-1958 Watson, 1874-1949 Thorndike : introduction du behaviorisme : le comportement
d'un individu est le produit de conditionnements multiples.
1948 Tolman : Le cerveau contient des reprsentations internes sous forme de cartes
cognitives
Automates :
1748 : Julien Offroy de la Mettrie assimile l'homme une machine complexe
1709-1782 : Vaucanson construit des automates (canard, joueur de flte traversire) qui
donnent l'illusion d'tre vivants.
1592-1635 : Schickard cr la premire machine calculer l'aide d'engrenages (addition,
soustraction, multiplications, mmorisation de rsultats et dpassement de capacit).
1623-1662 : Pascal (1642) ralise la ``Pascaline'' ? Leibniz construit une machine effectuant
les 4 oprations lmentaire.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


13 13
1785-1870 : Thomas de Colmar construit ``l'arithmomtre''
1792-1871 : Babbage ralise une ``machine analytique'' programmable grce des cartes de
variables et des cartes d'oprations (il est noter que Ada de Lovelace, fille de Lord Byron,
fut la premire personne concevoir des programmes. C'est en son honneur que le langage
Ada porte son nom).
Il faut attendre les travaux de Turing (1912-1954) pour voir apparatre la premire tentative dlibre
pour comprendre et reproduire l'intelligence humaine. Turing construit son action autour du
paradigme fondateur consistant affirmer que ``toute l'intelligence cognitive humaine est
modlisable dans le cadre formel de la machine de Turing''. La machine de Turing est une machine
abstraite capable d'effectuer des calculs. Elle est compose d'une unit de traitement et d'une
mmoire qui n'est autre qu'un ruban partir duquel la machine peut lire donnes et programme,
stocker des informations temporaires et imprimer les rsultats. Un ordinateur est donc une machine
de Turing amliore. Turing propose un test, capable, selon lui, de dcel si un systme a reproduit
l'intelligence humaine. Ce test consiste faire dialoguer un humain et le systme et dterminer si
l'humain peut dceler si le systme n'est pas humain.
Informatique :
1940 : Heath Robinson cre par l'quipe de Turing pour dcoder les messages allemands
(technologie base de relais)
1943 : Colossus, encore cr par l'quipe de Turing (technologie base de lampes vide)
1940-42 :
o Z3; ordinateur programmable dot du premier langage volu
o ABC; Iowa state university
o Mark I, II et III; Harvard
o ENIAC : University of Pennsylvania
o EDVAC : Programme mmorisable (sur les conseils de Von Neumann1.2)
o IBM701
o 1965-1980 Mise au point d'algorithmes efficaces. Prise de ce conscience de la grande
complexit du problme
o 1982 ordinateurs de la 5eme gnration (Japon) pour 1992 une machine parallle
capable de raisonner.
Avec l'apparition des machines massivement parallles le niveau de reprsentation de l'information
utilisant des ``symboles'' est il toujours pertinent ?
Intelligence Artificielle :
1943 : McCulloch et Pitts crent le modle du neurone formel
1948 : Cration de la cyberntique (science des systmes) par Norbert Wiener.
1949 : Hebb tablit la premire rgle d'apprentissage neuronal
1950 Shannon, 1952 Samuel, 1953 Turing : machine pour jouer aux checs
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


14 14
1956 Workshop o est n le terme ``intelligence artificielle''
1959 Rochester : Geometry Theorem Prover
1958 McCarthy au MIT cr le LISP et le ``time sharing''. Cr DIGITAL.
1960 John McCarthy, Allen Bewell & Herbert Simon: L'ordinateur peut tre utilis pour
autre chose que des calculs ``manipuler des symboles'' (ide propose par Ada Lovelage amie
de Babbage 1842)
1969 arrt des RNs (Minsky & Paper 1969) limitations des perceptrons
1969-1979 : systmes experts
Depuis 1986 : retour des rseaux de neurones
Les langages d'Intelligence Artificielle :
Lisp 1956/58 John McCarthy au MIT
Les moteurs d'infrences: l'importance de l'organisation des donnes (structure, liste...)
Programmer partir des donnes
Prolog 1973 Colmerauer : Gnrateurs de Systmes Experts
Le dveloppement de l'intelligence artificielle a t conditionn d'une part par le cloisonnement des
sciences du vivant et des sciences pour l'ingnieur (l'Intelligence Artificielle se rclamant des
sciences exactes), et d'autre part par une orientation principalement exclusivement base sur le
paradigme de Turing. C'est pourquoi, malgr des dbuts ancrs dans la biologie et la psychologie,
l'Intelligence Artificielle est rapidement pass un formalisme mathmatique trs pouss et s'est
attaque des problmes plutt symboliques. Elle s'est d'autant plus conforte dans ces ides que les
dbuts de la cyberntique (Widrow60 : adaline, Rosenblatt62 : perceptron), ont conduit une
impasse du fait de la dmonstration de Minsky69 de la limitation des perceptrons.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


15 15
I.2. DEFINITIONS DE LINTELLIGENCE ARTIFICIELLE


1. Quest-ce que lIntelligence Artificielle ?

Selon Larousse, lintelligence est la facult de comprendre, de donner un sens ; laptitude
sadapter une situation, choisir en fonction des circonstances ; la capacit de comprendre telle
ou telle chose ; laptitude rsoudre des problmes .Robert y ajoute l ensemble des
fonctions mentales ayant pour objet la connaissance conceptuelle et rationnelle . Pour certains,
l intelligence distingue lhomme de lanimal . En fait, il y a pratiquement autant de
dfinitions que dindividus :
La capacit rsoudre des problmes,
La perception,
La capacit dapprentissage,
La capacit dadaptation,
La capacit mener une pense abstraite ( ou lart de la conjecture),
Ou, tautologiquement parlant, ce qui peut tre mesur par des tests dintelligence .

Souvent, nous avons tendance confondre intelligence et intellect , facults
intellectuelles ou rflexion : La rflexion est la puissance de se replier sur ses ides, de
les examiner, de les modifier ou de les combiner de diverses manires , selon Vauvenargues
(1715-1747), qui sest pench sur la question dans son Introduction la connaissance de lesprit
humain.
Lobjet de lIntelligence Artificielle est de mettre en vidence la manire dont une machine peut
tre rendue intelligence , c'est--dire dote de lune ou lautre de ces capacits. Cette
intelligence peut lui tre fournie par lintermdiaire de programmes informatiques. Tels les
programmes de la machine laver ou de la borne dinformation, de la machine-outil ou du poste
de travail. Quelle que soit la machine concerne, cest toujours sur des ordinateurs que ces
programmes sont dvelopps. LIA est donc avant tout une branche de linformatique.
LIA nest pas ltude des ordinateurs, bien que ceux-ci aient t appels, dans les premiers
temps, cerveaux lectroniques . Cest :
- Soit une manire particulire de programmer (traitement de donnes symboliques ou de
connaissances),
- Soit la programmation en vue de raliser des fonctions particulires voquant lintelligence
(fonctions visuelles, tactiles auditivescomprhension, apprentissage, adaptation) et
permettant de doter une machine dune certaine autonomie de fonctionnement.
Plusieurs auteurs ont tents de dfinir le concept Intelligence Artificielle comme nous pouvons le
constater :
L'Intelligence Artificielle (terme cr par John McCarthy), souvent abrge avec le sigle IA,
est dfinie par lun de ses crateurs, Marvin Lee Minsky, comme la construction de programmes
informatiques qui sadonnent des tches qui sont, pour linstant, sont accomplies de faon plus
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


16 16
satisfaisante par des tres humains car elles demandent des processus mentaux de haut niveau tels
que : lapprentissage perceptuel, lorganisation de la mmoire et le raisonnement critique .
Pour dautres auteurs, le concept Intelligence Artificielle est difficile dfinir, car :
Ladjectif artificiel est assurment ais comprendre : ce type dintelligence est le
rsultat dun processus cr par lhomme, plutt que dun processus naturel biologique et
volutionnaire,
En revanche, la notion d'intelligence est difficile cerner :
o La capacit dacqurir et de retenir les connaissances, dapprendre ou de
comprendre grce lexprience.
o Lutilisation de la facult de raisonnement pour rsoudre des problmes, et pour
rpondre rapidement et de manire approprie une nouvelle situation, etc.
Daprs BUCHAMAN ; Lintelligence artificielle est le domaine de linformatique qui
effectue les traitements symboliques et qui emploie des mthodes non algorithmiques.
Daprs BONNET ; Lintelligence artificielle est une discipline qui vise comprendre la
nature de lintelligence en construisant des programmes dordinateurs imitant lintelligence humaine.
Daprs RICH, lintelligence artificielle est le domaine qui tudi comment faire excuter
par lordinateur des tches pour lesquelles lhomme est encore toujours le meilleur.
En examinant ces trois dfinitions, nous pouvons retenir ceci ;
Lintelligence artificielle aborde les problmes pour les quels ltre humain demeure plus
performant que la machine. Ces problmes font intervenir les divers sens (la vue, louie, la parole,
lintuition etc.)
Lintelligence artificielle est un sous domaine de linformatique dont le but est dlaborer des
systmes intelligents, cest dire des systmes qui possdent des caractristiques associes
lintelligence dans le comportement des humains.
Plusieurs autres dfinitions du concept Intelligence Artificielle ont t proposes :
Lintelligence artificielle est un ensemble de technique utilise pour raliser les automates
adoptant une dmarche proche de la pense humaine.
Lintelligence artificielle est ltude des ides qui permettent aux ordinateurs dtre
intelligent cest dire leur donnant la possibilit de dvelopper des machines ou des programmes
qui font preuve dintelligence.

Dune manire gnrale, de toutes ces dfinitions, nous pouvons retenir deux ambitions de
lintelligence artificielle :

1. Lhypothse forte de lIntelligence Artificielle qui essaie de reproduire sur une machine
les capacits de lesprit humain en matire de raisonnement partir de nimporte quel domaine et
de linformation disponible. On peut citer les rseaux des neurones, les algorithmes gnriques,...
Cette hypothse touche la simulation de lintelligence humaine pour crer des esprits artificiels.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


17 17
Le concept dIntelligence Artificielle forte fait donc rfrence une machine capable non
seulement de produire un comportement intelligent, mais dprouver une impression d'une relle
conscience de soi, de vrais sentiments (quoi quon puisse mettre derrire ces mots), et une
comprhension de ses propres raisonnements.
Lintelligence artificielle forte a servi de moteur la discipline, mais a galement suscit de
nombreux dbats. En se fondant sur le constat que la conscience a un support biologique et donc
matriel, la plupart des scientifiques ne voient pas dobstacle de principe crer un jour une
intelligence consciente sur un support matriel autre que biologique. Selon les tenants de l'IA forte,
si l'heure actuelle il n'y a pas d'ordinateurs ou de robots aussi intelligents que l'tre humain, ce n'est
pas un problme d'outil mais de conception. Il n'y aurait aucune limite fonctionnelle (un ordinateur
est une machine de Turing universelle avec pour seules limites les limites de la calculabilit), il n'y
aurait que des limites lies l'aptitude humaine concevoir le programme appropri.
2. Lhypothse faible de lIntelligence Artificielle qui essaie dexploiter bon escient les
avances thoriques et pratiques pour raliser des systmes capables dexcuter des tches qui
ncessitent une certaine intelligence. Il sagit par exemple des systmes experts. Cette hypothse
tend seulement largir lutilisation des ordinateurs dans des domaines varis pour concevoir des
systmes utiles. La notion dintelligence artificielle faible constitue donc une approche pragmatique
dingnieur : chercher construire des systmes de plus en plus autonomes (pour rduire le cot de
leur supervision), des algorithmes capables de rsoudre des problmes dune certaine classe, etc.
Mais, cette fois, la machine simule l'intelligence, elle semble agir comme si elle tait intelligente. On
en voit des exemples concrets avec les programmes qui tentent de passer le test de Turing, comme
Eliza. Ces programmes parviennent imiter de faon grossire le comportement d'humains face
d'autres humains lors d'un dialogue. Ces programmes "semblent" intelligents, mais ne le sont pas.
Les tenants de l'IA forte admettent qu'il y a bien dans ce cas une simulation de comportements
intelligents, mais qu'il est ais de le dcouvrir et qu'on ne peut donc gnraliser. En effet, si on ne
peut diffrencier exprimentalement 2 comportements intelligents, celui d'une machine et celui d'un
humain, comment peut-on prtendre que les 2 choses ont des proprits diffrentes ? Le terme mme
de "simulation de l'intelligence" est contest et devrait, toujours selon eux, tre remplac par
"reproduction de l'intelligence".
Les tenants de l'IA faible arguent que la plupart des techniques actuelles dintelligence artificielle
sont inspires de leur paradigme. Ce serait par exemple la dmarche utilise par IBM dans son projet
nomm Autonomic computing. La controverse persiste nanmoins avec les tenants de l'IA forte qui
contestent cette interprtation.
Simple volution, donc, et non rvolution : lintelligence artificielle sinscrit ce compte dans la
droite succession de ce quont t la recherche oprationnelle dans les annes 1960, le process
control dans les annes 1970, laide la dcision dans les annes 1980 et le data mining dans les
annes 1990. Et, qui plus est, avec une certaine continuit.
Il s'agit surtout d'intelligence humaine reconstitue, et de programmation d'un apprentissage.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


18 18
En conclusion, toute dfinition de lIntelligence Artificielle doit couvrir les aptitudes
humaines suivantes : le raisonnement, lapprentissage, lintention, la comprhension, le bon sens, la
conscience, etc. Parmi toutes ces aptitudes, le plus grand mystre, demeure la conscience cest
dire le sentiment dtre conscient de soi mme et du monde alentour).

2. Comment dcider si une machine est intelligente ?

Le mathmaticien Alan Turing a donn une rponse cette question avec son fameux test,
connu sous le nom de test de Turing (1950). Celui-ci sinspire du jeu de limitation , qui se
joue trois personnes, qui ne se connaissent pas : un homme (A), une femme (B) et un observateur
(O), chacun dans une pice spare ; O peut communiquer avec chacun dentre eux par
lintermdiaire dun terminal (clavier cran). Le jeu consiste, pour O, deviner si son interlocuteur
est A ou B ; pour cela, il peut poser nimporte quelle question. A essaie de laider ; B au contraire,
tente de brouiller les pistes : il rpond comme il pense que A rpondrait.
Dans un article publi en 1950, o il se propose de rpondre la question : Les machines
peuvent elles penser ? , Turing a eu lide de transposer ce jeu, afin de pouvoir prouver si une
machine pouvait imiter un homme au point de tromper un observateur. Remplaons, B par une
machine, A et O restant humains. Les rgles sont les mmes. Si O ne peut pas discerner A de B, la
machine est considre comme intelligente : le test de Turing est positif. En conclusion Turing
reconnat : La question dorigine est mon avis, trop dnue de sens pour tre dbattue. Je suis
nanmoins convaincu qu la fin de ce sicle (sicle passe), lusage des mots et lopinion gnrale
des personnes instruites auront tellement chang que lon pourra parler de machines pensantes sans
risquer dtre contredit.

I.3. De linformatique classique lIntelligence Artificielle : deux manires de
programmer

Linformatique est dfinie par Philippe Dreyfus, linventeur de ce mot, comme une science qui,
laide dalgorithmes, traite des donnes pour obtenir des informations. Cela sous entend une
certaine organisation squentielle prdfinie des oprations effectuer. Donc, lintelligence
classique rsout un problme en utilisant une mthode approprie traduite sous forme
dalgorithmes pour obtenir la solution des problmes poss (approche algorithmique). Cette
dmarche ressemble un thorme o tout est bien prcis, rien nest superflu et tout est sa
place.

Ainsi, face un problme rsoudre, il faut dcrire les diffrentes tapes, par une succession
dinstructions, le programme, excutable par lordinateur. Un tel programme reflte le modle
sous-jacent de la machine de Von Neuman. En fait, le mme programme est capable de rsoudre
une classe de problmes, pourvu quon lui fournisse des donnes numriques sur lesquelles
portera le traitement. Par exemple, en mathmatiques, un programme dinversion de matrices
sapplique toutes les matrices qui peuvent lui tre soumises ; en gestion, de mme, un
programme de paie ou de gestion de stock est apte rsoudre cette classe de problme.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


19 19
Ainsi, linformatique ncessite que le programmeur sache rsoudre le problme, et puisse
expliciter les diffrentes tapes de cette rsolution par un nombre fini (de prfrence pas
astronomique) dinstructions.
Par exemple, voyons ce qui se passerait si nous voulions construire un programme pour jouer
aux checs : les donnes initiales sont la position des pices sur lchiquier. Le programme doit
examiner les diffrents coups que peut faire le joueur, connaissant les rgles du jeu ; lobjectif
tant dviter de se faire prendre des pices importantes et de mettre le roi adverse en chec. Cela
implique lexamen dun nombre norme de configurations, ne serait-ce que pour prvoir deux ou
trois coups davance. Avec seize pices par joueur et soixante-quatre cases, ce nombre crot si
rapidement avec le nombre de coups considrs que lon parle d explosion combinatoire . Et
pourtant, un bon joueur parvient trouver les meilleurs coups en un temps assez court.

a) Un problme classique rsout un problme : seules les donnes peuvent varier.

















Entre : donnes
Programme : Liste
dinstructions
Sortie : rsultats
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


20 20

b) Un systme dIA peut rsoudre une infinit de problmes, chaque problme
correspond une situation





















Alors, au lieu dindiquer lordinateur toutes les tapes du raisonnement, pourquoi ne pas lui
donner la facult de raisonner comme le ferait une personne dans la mme situation ? En quelque
sorte, de le doter dintelligence. Cest cette ide qui est la base de lintelligence Artificielle.
En rsum, linformatique est la science du traitement automatique de linformation, alors
que lIntelligence Artificielle sintresse tous les cas o ce traitement ne peut tre ramen une
mthode simple, standard et algorithmique.

Traitement symbolique et non numrique

Au contraire de la programmation classique, lIA nexige pas que lon sache a priori rsoudre un
problme. Le programmeur doit raisonner en termes dobjectifs. Seul lobjectif doit tre fix ; ce
peut tre un thorme dmontrer, une image reconnatre, une partie gagner
Le programme dIA se charge de choisir les moyens datteindre cet objectif en fonction des
hypothses qui lui sont donnes. Il sagit de programmation dclarative, par opposition la
programmation procdurale caractristique de linformatique classique : il suffit de spcifier le
quoi sans se proccuper du comment , le systme tant capable de trouver lui-mme la
solution, en fonction de cet objectif. Aussi, la programmation en IA est-elle galement appele
heuristique ( du grec eurisko : trouver, dcouvrir, cf. Archimde). Pour permettre au systme de
trouver par lui-mme une solution un problme donn, il doit possder des de raisonnement, sous
Systme dIntelligence Artificielle
Entre : faits relatifs
une situation
Connaissances
relatives un domaine
Moteur
dinfrence
Sortie : rsultats
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


21 21
la forme logique (programmation logique avec PROLOG). Au lieu dintgrer dans le programme
toutes les tapes du raisonnement, cette logique lui confrera les capacits de raisonner par lui-mme
partir des donnes ou plutt des connaissances qui lui ont t fournies.

Problmes de connaissances en IA

Pour rsoudre un problme donn, on ralise un modle du systme en question. Par
exemple, une voiture est constitue dune carrosserie, dun chssis, dun moteur, de mcanismes
de transmission, de lhabillage (tableau de bord, siges, etc)Lorsque nous voulons raisonner
sur la voiture, nous pouvons partir de ce modle si nous le connaissons. Mais il est parfois plus
simple de raisonner sur la connaissance que nous avons de ce systme. Ainsi, si nous voulons
conduire la voiture, nous navions pas besoin de savoir comment le fait de mettre le contact
dclenche tout un mcanisme qui va permettre de faire dmarrer le moteur. Il suffit de savoir que,
pour dmarrer, il faut tourner la cl de contact dans un certain sens, puis manier le levier de
vitesse, les pdales de dbrayage et dacclration, etc. Le garagiste ou le mcanicien qui doit
rparer la voiture dispose de certaines connaissances spcifiques. Dautres connaissances sont
ncessaires la personne qui doit dmonter et remonter le vhicule. Dautres encore au concepteur
dune nouvelle automobile
Les connaissances sont des donnes structures, c'est--dire comprenant des relations
entre des mots ou des valeurs numriques. Des propositions comme le ciel est bleu , ou si le
rservoir dessence est vide, alors la voiture tombe en panne peuvent tre considres comme des
connaissances. On parle galement de donnes symboliques.
En outre, en Intelligence Artificielle, les connaissances sont spares de la faon de les
utiliser, en dautres termes le programme (moteur dinfrence) est spar de donnes
(Connaissances). Ce qui nest pas le cas en informatique classique. Par exemple, la rgle si le
rservoir dessence est vide, la voiture tombe en panne servira au garagiste : le rservoir est lun
des lments quil doit contrler lorsquil rpare la voiture. Pour le conducteur, cette mme
connaissance lincite remplir son rservoir avant dentreprendre un long parcours. Cette
sparation entre connaissances et faon de les utiliser permet de matriser plus facilement la
complexit de la description dun problme non trivial.
Pour rsoudre un problme donn, il suffit seulement de savoir quelles connaissances sont
ncessaires sa rsolution, et de fournir lordinateur lintgralit de ces connaissances, sous la
forme dun fichier particulier, sans ordre prtabli, appel Base de connaissances. Une Base de
connaissances correspond la connaissance dun expert dans un domaine donn ; elle contient le
savoir-faire de lexpert ou du spcialiste.
La principale difficult de lIntelligence Artificielle ne rside pas dans la programmation,
mais dans le fait de fournir toutes les connaissances, et sous une forme exploitable par lordinateur.
La principale forme de programmes base de connaissances est le systme expert, bien quil existe
dautres modes de traitement de connaissances.
En informatique classique les concepts les plus utiliss sont : donnes, algorithmes,
fonctions, procdures, ... et en Intelligence Artificielle, on parle des connaissances, contrles,
recherche, heuristique, infrence.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


22 22
Le but de lIntelligence Artificielle est de simuler au sens le plus large le travail de contrle
effectu par le cerveau. Un comportement intelligent est une action complexe, mais contrle.
Lheuristique, cest un raisonnement faisant appel lintuition (par ttonnements) ou qui se base sur
ltude de cas favorables. A la diffrence des algorithmes, les heuristiques sont souvent tires de
lexprience ou danalogies, plutt que dune analyse scientifique complexe car recensant le
maximum dlments, et donc difficile, voire mme impossible.
Lheuristique est donc lutilisation des rgles empiriques :
- pratiques, faciles et rapides
- facilitant la recherche de faits et lanalyse de situations,
- dans un objectif de rsolution de problmes et de prise de dcision
- dans un domaine particulier
Entre lapproche algorithmique ncessitant l criture du processus suivre pour rsoudre
le problme ( avant la transcription dans un quelconque langage) et lapproche de lintelligence
artificielle o la rsolution du problme est confie un ensemble de rgles donnes par lexpert
humain du domaine, il y a une troisime approche qui cherche sinspirer du traitement de
linformation effectu par le cerveau, celle des rseaux de neurones artificiels.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


23 23
CHAPITRE II : DOMAINES DAPPLICATIONS DE LINTELLIGENCE ARTIFICIELLE

Dans la partie sur la gense de lintelligence artificielle nous nous sommes rendu compte que
lintelligence artificielle est beaucoup plus ne de la conjonction entre linformatique et la
psychologie cognitive. En effet, linformatique est considre comme un outil puissant pour
effectuer des oprations numriques complexes ou pour grer des informations administratives telles
que la comptabilit, la gestion des stocks, la gestion des clients etc. tandis que la psychologie
cognitive a toujours espr pouvoir reproduire un jour le comportement humain laide dun
ordinateur.
Les applications de lIA sont toutes les activits o la machine peut se substituer lactivit
raisonnante de lhomme. Cest le cas lorsquil sagit de trouver une stratgie, pour rsoudre un
problme ou vaincre un adversaire, dorganiser des lments lorsque le nombre de configurations est
trs lev. Lintelligence intervient dans la perception, la reconnaissance, c'est--dire la capacit
identifier une entit pralablement mmorise, lapprentissage, la comprhension, lvolution dans
un milieu inconnu ou mal connu Enfin, de nouvelles applications de lIA mergent en relation
avec des activits plus classiques de linformatique, comme laide au dveloppement de logiciel ou
la conception assiste par ordinateur.
Schmatiquement, lIA peut servir :
modliser les problmes et les possibilits de solutions,
modliser un domaine de connaissances (un fragment du monde rel),
modliser la connaissance que lon a du domaine et les moyens dagir sur ce domaine

Parmi les diffrentes branches de lintelligence artificielle, nous pouvons citer :

1. Le traitement du langage naturel (domaine de la comprhension de la langue naturelle)
2. la reconnaissance des formes et de la parole
3. La robotique
4. La reprsentation des connaissances
5. Jeux et rsolution des problmes (Les Systmes de Rsolution de Problmes)
6. La conduite et le contrle des processus
7. Lapprentissage
8. La programmation par contraintes
9. Le raisonnement bas sur le cas
10. La vision par ordinateur
11. Robots et systmes autonomes
12. La traduction automatique
13. Les systmes experts
14. Les rseaux de Neurones
15. La modlisation cognitive, etc.

Cette liste nest pas exhaustive, on peut se rfrer aux diffrents sujets des sminaires. Dans la suite
nous prsenter quelques domaines, las autres seront prsents lors des sminaires.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


24 24

II.1. Le Traitement du langage naturel

Dans ce domaine les recherches se focalisent sur le dveloppement des programmes
informatiques qui sont capables de lire, de comprendre et de gnrer les phases telles que nous les
utilisons dans nos conversations et nos crits. En dautres termes, le traitement du langage naturel,
cest la programmation des ordinateurs en vue de la comprhension des langues naturelles.
Lobjectif poursuivi dans ce domaine, est de rendre les machines plus conviviales, de faciliter la
communication entre lhomme et la machine. Il englobe aussi la comprhension de textes et oraux.
Le traitement du langage naturel est lun des problmes dIA les plus difficiles. IL met en jeu
des connaissances spcifiques, prcises, et des connaissances gnrales, souvent diffuses.
Le traitement des langues naturelles touche plusieurs domaines tels que : la reconnaissance
de la parole, la traduction automatique( comprhension des textes dans la langue source et la
gnration de textes dans la langue cible), l'analyse et la comprhension de textes (indexation
automatique de textes ou recherche dinformations dans les textes non structurs, crits ou oraux),
l'interrogation de bases de donnes en langue naturelle, l'enseignement, les interfaces
homme/machine, la production des textes en langue naturelle( cration des rcits, laboration des
rsums, rdaction des lettres, etc.), les systmes experts qui consistent communiquer dans un
langage familier, la prise de commande par tlphone, etc.
Lensemble des techniques et applications du traitement du langage naturel est regroup sous
le terme d ingnierie linguistique

II.1.1. Diffrents types de connaissances linguistiques
Ds le dbut de l'informatique, l'homme a t confront au problme de la communication
avec les machines, la puissance de l'ordinateur tant contrebalance par l'obligation d'utiliser un
codage fastidieux -- manipulation de clefs sur le frontal de l'ordinateur, ou l'criture binaire. De ces
contraintes sont ns les langages de programmation et les dispositifs de traduction en binaire (seule
information rellement intelligible pour un ordinateur) ; c'est--dire compilateur et/ou interprteur.
Un langage de programmation, aussi volu soit-il, n'est pas une langue naturelle.
Les linguistes ont tabli depuis fort longtemps que les langues humaines fonctionnent selon
trois modes : syntaxique, smantique et pragmatique. Le mode syntaxique correspond l'adquation
entre une phrase d'un langage donn et la grammaire du dit langage. De cette tape, on extrait la
structure de la phrase. Chaque phrase peut tre dcompose en expressions, et chaque expression en
petites parties, jusqu ce quil soit possible didentifier la fonction de chaque mot, et de donner
un sens la phrase. Sans savoir comment le cerveau traite ce processus appel analyse syntaxique.
On peut programmer un ordinateur pour quil lapplique. Le mode smantique permet de traduire
cette structure en une formule suppose exprimer le sens du texte initial. Le mode pragmatique
cherche modifier le rsultat de l'analyse smantique en prenant en considration des lments
extrieurs au texte analys.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


25 25
L'un des exemples classiques, cest par exemple la rponse la question ``Pouvez-vous me
dire l'heure qu'il est ?''. Cest une question qui appelle une rponse par oui ou par non. Les
conventions sociales, qui dconseillent les formes trop impratives, conduisent la personne qui
s'adresse la question, interprter la question comme une forme polie pour connatre l'heure. La
pragmatique dtermine l'ensemble des rapports possibles entre objets ou concepts intervenant dans le
monde rel : une table peut supporter une tasse, l'inverse ne se produisant que trs rarement.
Si les deux premiers modes sont effectivement implmenter, trs peu de logiciels intgrent la
troisime tape.
La reconnaissance de mots ou de groupes de mots (voir dans les paragraphes qui suivent)
consiste dans des comparaisons. Ainsi, pour apprhender la signification dune phrase, une machine
doit non seulement reconnatre des lments isols de cette phrase (connaissances morphologiques
et lexicales), mais les relations formelles qui relient ces lments dans la phrase (connaissances
grammaticales et syntaxiques), ainsi que le sens induit par ces relations et par le contexte
(connaissances smantiques). Les connaissances lexicales sont celles qui sont groupes dans un
dictionnaire. Les connaissances grammaticales ou syntaxiques se retrouvent, en principe dans une
grammaire. Les connaissances smantiques sont celles qui donnent le sens dun mot dans un
contexte donn. Les connaissances implicites lies la culture (contexte, etc.), sont appeles
pragmatiques.
N. Chomsky a introduit la notion de grammaire de constituants ou grammaire gnrative,
dans laquelle on a des rgles de rcriture. Ainsi une version (outrageusement) simplifie de la
langue franaise pourrait tre :
Texte --> Phrase, Texte
Texte --> Phrase; Texte
Texte --> Phrase. Texte
Texte --> Phrase.
Phrase --> GN GV
GN --> Art Nm
GN --> Art Nm Adj
GV --> V GN

O Art permet l'accs aux articles le, la, ...; Nm permet d'accder aux noms ...
Lorsque l'ordinateur travaille en mode syntaxique, il vrifie que le texte qu'il analyse possde bien
l'une des structures que la grammaire lui impose.
Chomsky a montr que la meilleure reprsentation correspondait un arbre mettant en
vidence la fois la dcomposition de la phrase en constituants et l'appartenance de ces constituants
des catgories dtermines. Bien entendu, ce modle a t raffin pour prendre en compte la notion
de verbes transitifs, intransitifs, indiquant un mouvement, de noms correspondants des objets
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


26 26
anims ou non. Cependant, si cette technique permet d'viter des constructions comme ``Le
prsident marche la table'', elle n'est pas suffisante pour dterminer si dans la phrase ``les menaces de
licenciement des directeurs'', le mot ``directeurs'' est associ ``menaces'' ou ``licenciement''. Ces
constatations ont conduit Chomsky (et d'autres) la notion de niveaux dans les langues naturelles,
qui sont utiliss dans les grammaires transformationnelles. Outre leur complexit, peu compatible
avec un traitement automatique, des phrases comme :
Lon permet son amie de venir
et Lon promet son amie de venir
ont une structure identique, alors que dans un cas c'est l'amie de Lon qui bouge et dans l'autre c'est
Lon (lui-mme) qui se dplace. La dissociation de la syntaxe et de la smantique, a depuis t
abandonne. On associe un mot du dictionnaire, diffrents attributs smantiques (ou traits
smantiques), permettant d'en connatre le sens comme dans l'exemple dcrit ci aprs :










Les traits sont ncessaires la comprhension d'un texte et pour la traduction (semi) automatique.
Actuellement, il existe des systmes capables de rpondre des questions exprimes dans
une langue naturelle, pourvu que ce soit sur un domaine extrmement restreint. Le problme est
loin d'tre simple, de nombreux mots sont sujets de multiples interprtations. Pour compliquer
le tout il n'existe pas de mthodes formelles permettant de s'assurer que quelqu'un totalement
compris quelque chose -- comment un enseignant peut-il tre certain que son enseignement a t
totalement compris. Des systmes de comprhension de langues naturelles sont dores et dj
Jeune fille
Souris
matriel non matriel
Verbe conjugu
Sourire
anim inanim
humain
familier
Non humain
mammifre
rongeur
comestible objet
Morceau de
viande
device
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


27 27
commercialiss, citons par exemple l'interrogation de bases de donnes, la recherche
documentaire (Spirit de la socit Systex) ou la commande d'automatismes.
Une des applications du traitement du langage est le chatbot, un programme conversant avec
des personnes. Vous pouvez interagir avec des chatbots sur Internet, en tapant des phrases et en
attendant la rponse. Des sites web commerciaux utilisent des chatbots pour rpondre aux
questions des utilisateurs sur leurs produits. La reconnaissance et lanalyse de la parole tant de
plus en plus labores, linteraction avec des chatbots devient comparable linteraction avec
des humains.
Une autre facette du traitement du langage naturel consiste crer des programmes pouvant
tenir une conversation avec des humains. Le premier de ces programmes fut ELIZA, cr en
1966 par Joseph Weizenbaum un informaticien du MIT. Il fut conu pour imiter un
psychothrapeute non dirig, rpondant aux dclarations de ses patients. ELIZA peut analyser
les dclarations des patients et produire des questions directement fondes sur celles ci.

II.1.2.Reconnaissance et comprhension de la parole continue

Un systme de reconnaissance et de comprhension de la parole continue met en uvre des
informations de natures diverses :
Acoustico-phontiques : ces informations rgissent la transcription phontique du message,
auxquelles il faut adjoindre des informations phonologiques qui rendent compte des
variations individuelles (accent) et des phnomnes daltrations des sons (coarticulations,
liaisons, etc.), et prosodiques, concernant le rythme, lintensit et la mlodie de la voix ;
Lexicales, syntaxiques, smantiques, pragmatiques

Toutes ces diffrentes informations doivent tre accessibles par le systme travers une base de
connaissances qui les fdre. Le modle du type blackboard (tableau noir), dans lequel les
sources de connaissances communiquent par lintermdiaire dune structure de donnes
commune est adapt ce type de problmes.

La comprhension de la parole continue (chane de phonmes) peut tre effectue suivant deux
stratgies, ascendante et descendante :

La stratgie ascendante consiste partir de la chane de phonmes, reconstituer peu
peu une phrase en prenant compte les informations lexicales, puis syntaxiques,
smantiques, pragmatiques ;
La stratgie descendante, linverse, utilise les niveaux suprieurs de traitement
(smantique, syntaxique) pour prdire les mots qui vont apparatre dans la phrase ; ces
mots-hypothses sont ensuite confirms ou infirms par lexamen de la chane de
phonmes.

En rsum, lorganisation dun systme de comprhension de la parole peut tre reprsente
schmatiquement de la manire suivante :

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


28 28



























Les diffrents paliers du traitement sont les suivants :

Phonologique
Caractres
Chanes de caractres
Mots relis
- prononciation
Morphologique
conjugaisons
dclinaisons
variations en genre et en nombre
- racines, prfixes et suffixes
Syntaxique
rgles de formation des phrases
transformations de structure
Smantique
Vrification des mots

Parole
Traitement acoustico-
phontique
Comparaison
Transformation
Reprsentation des mots
Squence de mots admissibles
Dialogue
Rponse
Connaissances
Acoustiques
Phontiques
Mots hypothse
Phonologiques
Lexicales
Syntaxiques
Smantiques
Prosodiques
Pragmatiques
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


29 29
sens de mots
combinaison de ces sens
- sens des phrases, des paragraphes, des textes
Pragmatique
(extra-linguistique)
connaissance du monde
- rle des objets, comportement des individus

II.1.3. La traduction automatique

Naissance de la traduction automatique

Les recherches sur la traduction automatique ont dbut en 1949 luniversit de
Washington. Ds 1954, une quipe de luniversit de Georgetown travaillait sur un systme
traduisant du russe vers langlais. Lide sous-jacente tait de pouvoir traduire la
documentation scientifique sovitique. La question fut ressentie de manire cruciale en 1957,
lorsque les sovitiques russissent leur premire mission spatiale Spoutnik. Cest alors que
les Amricains se sont rendu compte que, pour rattraper leur retard en matire spatiale par
rapport leurs concurrents, il leur fallait assimiler trs rapidement toute la documentation qui
avait permis de prparer cet exploit.
Le problme est alors exprim dans les termes suivants : tant donn, en entre, un
texte rdig dans la langue source , le programme doit fournir, comme rsultat, un texte
labor dans la langue cible . A lpoque, il paraissait vident que les ordinateurs
parviendraient traduire aussi bien quun traducteur humain, en beaucoup moins de temps ;
ce ntait quune question de taille de dictionnaires stocker en mmoire et de puissance de
calcul de machine.
Dans les annes soixante, compte tenu des connaissances de lpoque en informatique
et des performances des ordinateurs, on ne pouvait gure esprer mieux que la traduction
mot mot , partir de vastes dictionnaires contenant essentiellement des correspondances
entre mots ou expressions. Une amlioration pouvait tre envisage en introduisant le plus
possible de donnes sur la grammaire, afin dobtenir des produits, sinon directement
utilisables, du moins comprhensibles par un spcialiste du monde concern. Pourtant, la
qualit des textes obtenus tait si mdiocre, la dure du traitement et des accs la mmoire
tellement longs, que la traduction automatique fut alors considr comme un chec. Cette
constatation marqua un coup darrt presque total aux recherches dans ce domaine.
Toutefois, en dpit de ce constat dchec, une quipe amricaine sous la direction
dun chercheur dorigine hongroise, Peter Toma, luniversit de Georgetown, continua
travailler dans ce domaine et parvint mettre au point, dans les annes soixante, le premier
systme oprationnel et commercial de traduction automatique, Systran. Conu dabord pour
la traduction tusse-anglais, ce systme a ensuite t tendu la plupart des langues
europennes.
La traduction se fait presque en temps rel, partir dun fichier texte sur ordinateur,
ou par lecture optique. Mais elle ncessite la prsence dun oprateur, prt intervenir
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


30 30
lorsque le systme rencontre un terme quil ne sait pas traduire. De plus, le texte brut
fourni par la machine doit ensuite tre rvis par une personne qui amliore la forme du texte
final.

Les diffrentes tapes de la traduction automatique

Pour traduire correctement un texte, il faut le comprendre et, pour cela, remonter
toujours plus haut dans lanalyse des relations entre les mots. Diffrentes phases de
traduction doivent tre effectues successivement ou simultanment :
translittration, consistant convertir les caractres de la langue source dans
lalphabet de la langue cible (lorsque lcriture est diffrente : grec, russe, chinois,
arabe, etc.) ;
traduction mot mot, ou lexicale ;
traduction syntaxique ;
traduction smantique ;
traduction pragmatique ou contextuelle.

Les diffrentes tapes de la traduction automatique, correspondant aux diffrentes
gnrations peuvent tre schmatises de la manire suivante :






















Premire
gnration
Pragmatique
Smantique
Syntaxique
Mot mot
Langue
source
Langue
cible
Langue
pivot
Translittration
Deuxime
gnration
Troisime
gnration
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


31 31
N.B. Si les deux premires tapes peuvent tre relativement facilement automatises, les trois
dernires tapes, faisant appel des connaissances gnrales ou spcialises, ncessitent un
traitement par lIA.

Exemple de traduction automatique

Les diffrentes tapes de la traduction automatique dune phrase sont les suivantes :

1. Lanalyse de la structure de la phrase en langue source (anglais) permet de dfinir un
sujet, un verbe et un complment.
2. La phrase en langue source est dcompose en mots ou expression.
3. Chaque mot ou expression est cherch dans le dictionnaire, en fonction de sa valeur
(sujet, verbe ou complment) dans la phrase.
4. Le fait que LOVE ait une valeur de verbe implique de le traduire par AIMER et non
AMOUR. Le fait que YOU soit complment dobjet direct du verbe implique de le
traduire par TE ou VOUS.
5. La syntaxe de la langue cible (franais) implique un ordre des mots diffrent.
6. La grammaire franaise fournit la forme conjugue de AIMER (premire personne du
singulier du prsent de lindicatif).
7. Le dictionnaire prcise que AIMER implique gnralement lusage du tutoiement et
permet de choisir TE plutt que VOUS.
8. La grammaire franaise dit que TE doit tre remplac par T devant une voyelle.

Ainsi sachve la synthse de la phrase dans la langue cible.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


32 32

Trois gnrations de systmes de traduction

Suivant la stratgie adopte, il existe plusieurs gnrations de systmes de traduction
automatique :
- La premire est lapproche directe, reprsente par Systran. Cest une
traduction mot mot, amliore par des traitements spcifiques et des
rarrangements localiss
- La deuxime stratgie passe par trois phases : analyse, transfert et synthse.
Elle vise dabord obtenir une interprtation linguistique du texte source :
chaque phrase est dcoupe en units lexicales, smantiques, etc. qui
constituent les descripteurs entre lesquels des liens logiques sont mis en
vidence ; cest lanalyse, qui aboutit une reprsentation interne en langue
source. Puis le programme transfre ces descripteurs dans ses nouveaux
descripteurs adapts la langue cible, grce des dictionnaires particuliers.
JE AIMER TE

VOUS
1
2
3
4
5
6
7
8
I LOVE YOU
I LOVE YOU
SUJET VERBE COMPLEMENT
Syntaxe langue source
Dictionnaire
I = JE AIMER
LOVE = AMOUR

TU
YOU = TOI
TE
VOUS

SUJET COMPLEMENT VERBE
Syntaxe langue cible
JE { TE } AIMER
{VOUS}
Grammaire :
Conjugaison du verbe AIMER
en franais
JE { TE } AIME
{VOUS}
JE TE AIME

Le verbe AIMER implique la forme familire
TE plutt que la forme de politesse VOUS
JE TAIME

Grammaire franaise :
Remplacement de TE par T
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


33 33
Enfin, partir de cette nouvelle reprsentation, le texte cible est gnr ; cest
la synthse. Les systmes canadien TAUM ( Traduction Automatique de
lUniversit de Montral), franais Ariane ( GETA, Grenoble) et europen
Eurota fonctionnent suivant ce modle.
- La troisime stratgie passe par une langue pivot, indpendante des langues
sources et cible. Cette langue pivot est une reprsentation de la scne ou de
laction dcrites par le texte, correspondant ce que lon comprend partir
dun texte, mais dpourvue de formes linguistiques. Cette stratgie est
dautant plus intressante que le nombre de langues traduire est plus lev :
si lon veut traduire n langues unes dans les autres, cela fait (n(n-1) couples de
langues en traduction directe, et 2n en passant par une langue pivot. Dj
partir de quatre langues, il suffit de 8 programmes au lieu de 12.













Couple de langues en traduction directe
















Couple de langues en traduction passant par une langue pivot

Anglais
Allemand
Franais
Russe
Langue pivot
Anglais
Allemand
Franais
Russe
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


34 34

De la traduction automatique la traduction assiste

La traduction entirement automatique ne fournit gnralement pas de solutions de
qualit suffisante. Ainsi, des solutions sous optimales ont t dveloppes :
traduction assiste par ordinateur (TAO), traduction automatique assiste par
lhomme ou traduction humaine assiste par la machine.
Les systmes de traduction assiste par ordinateur ncessitent lintervention humaine,
soit pendant le traitement, soit avant (pr-dition ou marquage), soit aprs (post-
dition ou correction). On parle aussi de traduction automatique assiste par lhomme.
A linverse, la traduction humaine assiste par la machine (THAM) est possible grce
des postes de travail du traducteur , regroupant un ensemble doutils de
productivit (traitement de texte associ des dictionnaires lectroniques, mmoire de
traduction pour garantir lhomognit du texte, interface homme-machine, etc.)


II.2. LA RECONNAISSANCE DES FORMES ET DE LA PAROLE

Dans ce domaine les recherches sont axes sur le dveloppement des programmes
informatiques capables de transformer des informations visuelles (cest dire des points et des traits
qui reprsentent un objet) ou des informations sonores ou tactiles (cest dire une srie des sons qui
constituent une phrase) en des informations qui peuvent tre traites par lordinateur. La
reconnaissance de formes et de la parole est l'un des domaines les plus importants de l'Intelligence
Artificielle, la notion de formes ou de parole est prendre au sens large (formes visuelles, sonores
ou tactiles), son domaine d'application : la robotique, les interfaces homme/machine.
Il faut noter par exemple que la smantique du message doit tre conserve dans ce genre de
systme (cest dire que lordinateur doit pouvoir bien comprendre ce quil voit par exemple au
travers dune camra et tre capable de dire quil sagit par exemple dun mouton, dun paysage,
dun chien, dune personne, ou ce quil entend).

II.2.1. La Vision par ordinateur ou la reconnaissance des formes

La vision par ordinateur permet, partir de limage dun objet ou dune scne relle, den
dduire des donnes exploitables par une machine. Ce domaine se rattache lIA pour deux raisons :
Dabord, pour quun systme soit intelligent ou du moins quil puisse simuler
lintelligence, il doit tre capables de ragir aux sollicitations externes, donc tre sensible
son environnement, et en particulier la reprsentation spatiale de celui-ci, qui est
fourni pour une grande part par la vision.
Ensuite, parce quun systme de vision artificielle fait intervenir les techniques dIA
(traitement de connaissances et rseaux neuromimtiques).



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


35 35
a) Vision naturelle ou artificielle

Les questions ci-aprs sont rsolues apparemment trs facilement par lhomme :
comment fonctionne la vraie vision naturelle ? Pourquoi reconnat -t-on un objet, un
visage, une image ? Comment reconnat on un objet familier dans le paysage ? Un
visage connu lorsquil change de position ou dexpression (souriant ou svre, avec ou
sans lunettes) ? Quest-ce qui nous permet de dchiffrer un manuscrit, alors que les
caractres peuvent tre si diffrents de la calligraphie standard ? Comment pouvons
nous si facilement saisir un objet sans lavoir pralablement palp ? Quels sont les sens
qui nous servent valuer la position dun obstacle ?
Mais, une autre question est de savoir comment automatiser leur rsolution ?
Quelle est la part de la vue, de la rflexion, de la mmoire, du raisonnement ?
Reconnaissons-nous une personne parce que nous nous attendons la voir ? Pouvons-
nous lire une lettre parce que nous prjugeons, en partie du moins, de son contenu ?
Labondance et la diversit de ce questionnement prfigure la complexit du problme
que lon se propose de rsoudre avec les systmes de vision.
Ltude de la vision a de tout temps suscit un grand intrt. Dans lantiquit, elle
tait plus ou moins confondue avec celle de la lumire et de loptique en gnral.
Aujourdhui, nous savons que la vision comprend deux phases distinctes: la perception,
au niveau de lil, et le traitement, au niveau du cerveau. Cet intrt pour la vision
sexplique aisment si lon sait que, chez lhomme, 60% du cortex crbral sont dvolus
ce sens, et que lil est lorgane le plus complexe et le plus sophistiqu chez les
vertbrs suprieurs.

b) Lil : un organe intelligent

La vision des tres vivants a bien videment servi de modle pour les systmes de
vision artificiels. Lil a souvent t compar une chambre noire dappareil
photographique, dont la plaque sensible serait forme par la rtine. Ainsi, un systme de
vision par ordinateur comprend :
- un ou plusieurs capteurs de lumire ou camras qui photographient des
objets ou des scnes, linstar de lil ;
- des processeurs et des programmes de traitement correspondant la zone du
cerveau ddie la vision ;
- entre les deux, un systme de slection, de numrisation et de transmission des
donnes, qui jouerait le rle du nerf optique.
Mais cette analogie nest quapproximative, car les systmes artificiels sont loin
datteindre la complexit de la nature : les capteurs de vision les plus perfectionns
comportent quelques dizaines de milliers dlments, alors que lil est constitu dune
centaine de millions de cellules sensibles (cnes et btonnets). Quant au nombre de cellules
nerveuses intervenant dans le processus visuel, il est de lordre du milliard, ce qui permet un
traitement trs fin et hautement paralllis de linformation visuelle.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


36 36
Par ailleurs, les fonctions de saisie et de traitement de limage ne sont pas nettement
distinctes dans la vision biologique. En ralit, la rtine joue un rle bien diffrent de celui
dune simple pellicule photographique impressionne par la lumire provenant du monde
extrieur. Dabord, lil est un pitre capteur : limage est prcise sur un trs petit domaine
du champ visuel, condition daccommoder, le reste est flou ; la vision se fait par balayage
constant du champ et accommodation. Ensuite, les cellules de la rtine sont des structures
nerveuses qui, non seulement captent la lumire, mais sont aussi capables deffectuer un
prtraitement de ces informations avant de les transmettre au cerveau. Sadaptant lintensit
aussi bien qu la qualit de linformation lumineuse, lil est plutt sensible aux variations
de ces paramtres qu leur valeur absolue ; cest pourquoi un feu rouge ou orange dans un
paysage dominante verte (campagne), grise (ville) ou blanche (hiver) saute aux yeux ,
de mme que des caractres noirs sur une feuille blanche, et nous remarquons plus un feu
clignotant quune lumire immobile. Les yeux de certains animaux ne sont sensibles quau
mouvement.
Ainsi, lil nest pas un organe passif : sa fonction consiste non seulement capter
des images, mais surtout trier les informations pour les prsenter au cerveau prtes tre
exploites rapidement : on admet que la rtine effectue 10 milliards doprations par seconde,
avant que la reprsentation de la scne observe natteigne le nerf optique (traitement
massivement parallle). Mais cest surtout grce lintervention du cortex que la vision
humaine est trs efficace : seuls 20% du processus de vision proviennent des nerfs optiques,
le reste est le fait du cerveau. La vision biologique est donc essentiellement une fonction
intelligente.

c) La visionique

La mise en uvre de systmes artificiels capables daccomplir automatiquement ces
fonctions a donn naissance une nouvelle technique et nologisme : la visionique. Ce terme
dsigne lensemble des techniques et mthodes qui participent la formation, lacquisition
et au traitement des images en vue de prendre une dcision de faon automatique. Elles sont
gnralement implmentes sur ordinateur, aussi parle-t-on de vision par ordinateur.
La vision par ordinateur combine loptique, llectronique, le traitement du signal et
linformatique. Elle substitue au systme visuel humain un ensemble informatis (matriel +
logiciel) capable dintgrer lacquisition dimages, leur traitement et la prise de dcision
adapte au cas identifi.
Toutefois, lobjectif de la vision artificielle est diffrent de celui de la vision
biologique. En effet, lhomme apprcie dun coup dil une image, mais il est incapable de
lexploiter systmatiquement. Cest ce que tente de raliser lanalyse et le traitement
dimages informatique. Son domaine dapplications stend de la bureautique, avec la lecture
automatique de textes, jusqu la robotique industrielle, en passant par le contrle de qualit
et linterprtation dimages mtorologiques ou biomdicales.
Lessentiel du systme nest pas le capteur (quivalent de lil ), mais ce quil y a
derrire, c'est--dire le traitement et le systme dinterprtation de limage, quivalent du
cerveau. Ces diffrentes fonctions sont remplies par des logiciels spcialiss comportant :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


37 37
beaucoup de calculs numriques
des algorithmes de traitement (filtrage, extraction de primitives, morphologie
mathmatique, etc.),
des algorithmes de reconnaissance (comparaison des modles) et de
classification conduisant la prise de dcision ( laide de systmes experts
ou de rseaux neuromimtiques dans les cas difficiles)


d) Phases de la vision par ordinateur : acquisition et prtraitement dimages

Les diffrentes phases de la vision par ordinateur sont les suivantes :

1. Lacquisition dimage

Elle se fait par des capteurs. On distingue plusieurs types de capteurs : linaires,
matriciels, camra, laser. Ils peuvent saisir une image en deux dimensions, comme les
camras ordinaires, ou capter des informations relatives lobjet dans lespace
tridimensionnel. Ces derniers capteurs, notamment le tlmtre laser, sont fonds sur
un calcul de la distance dun point physique aux capteurs. Ils peuvent tre composs
de deux ou trois capteurs, ou bien dune seule camra qui se dplace par rapport
lobjet. Ce principe est appliqu aux robots mobiles. La tomographie, applique en
mdecine ou dans lindustrie, est fonde sur la reconstitution dobjets tridimensionnels
partir dun nombre fini de courbes, prises dans des plans gnralement parallles
(rayons X, scanners, chographie, etc.)
La qualit de limage saisie est conditionne par un certain nombre de contraintes qui
doivent tre respectes lors de lacquisition : bon clairage de la scne, bon contraste
entre lobjet et son environnement (pas dobjet noir sur un tapis roulant de couleur
sombre, par exemple).

2. Lchantillonnage

Lchantillonnage consiste garder, partir dune quasi infinit de points saisis par le
systme dacquisition, un nombre fini de points, en ralisant un compromis entre la
qualit de limage mmorise et la capacit de mmoire du systme. Les valeurs
observes sont ensuite numrises, c'est--dire converties en une suite de valeurs
binaires (suites de 0 et de 1).
La premire opration queffectue un systme de vision est de dcouper limage en un
certain nombre de points dimages ou pixels (picture cells). A chacun de ces
points correspond un niveau de gris (si le systme de vision est monographique) ou
une couleur, lesquels sont, leur tour, rduits un certain nombre de niveaux dfinis
par des valeurs numriques. Cette rduction, ou filtrage de linformatique, est
accomplie lors du prtraitement. Ce processus est comparable un entonnoir o le
nombre dinformations entrant dans le systme est progressivement rduit, pour
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


38 38
atteindre finalement un relativement petit nombre de valeurs, correspondant la prise
de dcision par le systme. Ce nombre peut tre gal 2 dans le cas dune dcision
binaire (acceptation ou rejet) ; il est au moins gal au nombre dobjets reconnatre
dans un systme de reconnaissance de formes ; ce nombre est, par exemple, 226 sil
sagit de reconnatre les caractristiques de lalphabet (majuscules et minuscules), plus
les caractres spciaux (ponctuation, accents, etc.). Il peut aussi tre bien plus lev
lorsque le systme volue dans un environnement mal connu, par exemple le guidage
dans lespace dun robot.

3. Le pr-traitement

Le pr-traitement comprend toute une srie doprations permettant de passer dun
ensemble de donnes sous forme numrique un ensemble de donnes structures, qui
fourniront la base dun traitement intelligent : compression dimage ;
suppression du flou et du bruit ; seuillage ; projection ; extraction de contours, de
squelette, etc.

4. La binarisation

La binarisation, ou le seuillage, consiste comparer la luminance de chaque point
une valeur de rfrence. La plupart des systmes ne conservent que deux niveaux :
noir en dessous du seuil et blanc au dessus du seuil, par exemple, le seuil tant
dtermin par lutilisateur suivant les dtails quil veut conserver. En effet, lintensit
lumineuse de limage varie considrablement en fonction de lclairage et de la nature
des surfaces rflchissantes et, si le seuil est fix arbitrairement, les formes perues
peuvent tre trs altres par les conditions extrieures.
Le contour dun objet est lensemble des points dfinissant la frontire de cet
objet, c'est--dire dont certains points voisins sont extrieurs lobjet. Lextraction de
contours permet de passer dune image de dgrads de gris et de tches noires et
blanches une image contraste, o napparaissent que des lignes ou des chanes de
points. Ces chanes de points peuvent tre remplaces par des segments de droite
suffisamment proches, par approximation polynomiale ou par des arcs de cercle. Cette
opration permet de rduire la quantit dinformations ncessaires pour dcrire
limage et de simplifier la manipulation par ordinateur.
Un autre traitement consiste extraire le squelette dun objet. Cest laxe
mdian de chaque lment de lobjet, obtenu en supprimant certains pixels pour lui
donner lpaisseur 1. Cette opration sapplique des images dobjets de forme
complexe (caractres alphanumriques, machines, outils, etc.).

e) Rle de lIA dans le traitement dimages

Lacquisition et le pr-traitement des images sont des oprations classiques, pour
lesquelles il existe des techniques classiques, bien matrises. A lissue du pr-traitement, on
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


39 39
dispose dune description abstraite (gomtrique, topologique, ensembliste, etc.) qui pourra
tre traite par logiciel.
Cest lorsquil faut interprter ces donnes que peuvent se poser des difficults, et cest
ce stade quil devient souvent ncessaire de mettre en jeu des techniques dIA.
En fait, lIA peut dj intervenir au niveau du pr-traitement, pour la dtermination du
seuil, pour apporter des connaissances sur lespace bi ou tridimensionnel. Elle joue le rle
important pour linterprtation dun trait sur une image, pour la comprhension dune image,
afin de dcider, par exemple, si une tche noire sur limage correspondant une tache relle,
un trou, une ombre ou un relief.

f) Interprtation et reconnaissances de formes

La reconnaissance de formes implique une phase dapprentissage, de mme que pour la
reconnaissance de la forme. Le processus de reconnaissance est dailleurs assez proche de
celui que nous avons vu dans le cas de la parole.
Avant de pouvoir reconnatre une forme, il faut dabord en connatre un modle ou un
ensemble de caractristiques, afin de pouvoir faire une comparaison. Lordinateur doit
donc mmoriser ces donnes, qui devront tre compares avec celles des objets
rencontrs.

Principe de la reconnaissance de forme

Le principe de la reconnaissance de formes prsent ci-aprs, est semblable celui de la
reconnaissance de la parole.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


40 40


En conclusion, la reconnaissance consiste extraire des donnes du capteur, une
description gomtrique de la scne, puis mettre cette description en correspondance avec la
base de donnes de modles, afin dtablir lidentification avec lun de ces modles.
Lidentification peut se faire de deux manires :

Superposition de formes
Dtection de similitudes

La premire solution, est la plus simple et consiste superposer limage reconnatre
un modle pralablement appris et stock dans une base de donnes images. Cette
technique est valable pour des formes relativement simples, bien dfinies et se prsentant de
Forme :
Capteur
Prtraitement
Paramtrisation
Ensemble de
rfrence :
Forme
reconnatre
Comparaison
Identification
Rponse :
triangle
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


41 41
la mme faon (mme orientation dans lespace, mme chelle) : par exemple la
reconnaissance de caractres dactylographis ou imprims, de pices mcaniques bien
dtermines, dempreintes digitales, etc. Mais cette technique est rarement applicable en
pratique, cause de la trop grande quantit de donnes stocker, et surtout de lintolrance
aux lgres variations.
La superposition parfaite est rarement ralise, ainsi on utilise la notion de distance
entre images : il sagit de la mesure de dissemblance entre limage et le modle. Limage
est reconnue comme identique au modle si la distance est infrieure un certain seuil, ou
bien si la distance entre limage est lun des modles considrs est nettement infrieure
la distance entre la mme image et chacun des autres modles. Linconvnient majeur de
cette technique est que la notion de distance nest pas invariante vis--vis dun dplacement
(rotation ou translation) de limage, dune dformation ou dun changement dchelle. Par
exemple un systme de lecture de caractres bas sur ce principe nest pas capable de
reconnatre un caractre sil est crit dans un corps diffrent de celui de la base
dapprentissage. Dans lindustrie, il ne sera pas possible de retrouver une pice en vrac.

La seconde solution, passe par une reprsentation des connaissances, en dautres
termes, elle consiste extraire linformation pertinente qui permettra de dterminer ce que
reprsente limage. La forme joue un rle majeur dans linterprtation des images par les
humains. On identifie un objet partir de quelques traits caractristiques ; chaque objet
est dfini comme un ensemble de primitives (caractristiques topologiques, connexit,
intersection entre lignes, zones homognes, comptage ou calcul de certains lments
dimages, etc.). Ainsi, pour les empreintes digitales, par exemple, on repre les points
caractristiques : bifurcations, terminaisons de traits, nombre de lignes parallles, etc.
Des primitives de surface , par exemple, donnent la surface des objets partir de
laquelle on calcule le rapport (primtre au carr/surface), le centre de gravit, les moments
dinertie, le nombre de trous, la surface des trous, etc. On peut aussi dfinir la concavit, la
convexit, ou dautres fonctions intrinsques de courbure. Ces codages fournissent un modle
paramtrique structurel ou hybride, la signature de lobjet, qui sera stocke et compare
des donnes pralablement apprises.
Dautres attributs, comme la couleur, la texture ou le pouvoir de rflexion, peuvent
galement servir pour lidentification dun objet.
Mais des informations dune autre nature peuvent intervenir, par exemple la connaissance
du contexte dans lequel se trouve lobjet. On parle alors de reconnaissance smantique .
Si tous les tres humains reconnaissent les mmes images, ils nen comprennent pas la mme
chose ; une image est associe tout un contexte socioculturel, donc une accumulation
dinformations signifiantes, mmorises antrieurement.






Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


42 42
g) Vison par rseaux de neurones

Bien que la reconnaissance dimages soit un problme de classement dun objet donn parmi
un ensemble de classes, dont chacune est caractrise par un jeu de paramtres
essentiellement mathmatique, la comprhension dimages ou de scnes concerne des objets
non ncessairement dfinis davance, ou attendus.
Comprendre une image cest savoir comment ses composants sont causalement relis
lenvironnement.
Or les mmes systmes base de connaissances (SBC) ne rsolvent que de trs pniblement
et incompltement ce type de problmes, faisant intervenir des connaissances trs diverses et
trs diffuses. Do lide de se tourner vers une autre approche : les rseaux de neurones. Ces
structures sont particulirement appropries pour rsoudre les problmes de classification et
se comportent comme des mmoires associatives .
Les rseaux de neurones mmorisent une forme ou un ensemble de paramtres (primitives,
par exemple) en ajustant les coefficients de couplage entre neurones (synapses). On utilise de
prfrence des modles en couches pour leurs capacits de classification. Lorsque des
neurones de la couche dentre sont stimuls par une image, une volution se propage, de
proche en proche, tout le rseau, aboutissant un attracteur , tat stable, fourni en sortie.
Un rseau peut possder plusieurs attracteurs, dont chacun correspond une forme
pralablement apprise. Le rseau revient automatiquement lun de ces tats lorsquil a t
stimul par la forme correspondante, mme si celle-ci est altre ou incomplte. Il est ainsi
possible de reconnatre des formes trop floues ou imprcises pour leur appliquer les mthodes
de programmation classique ou dIA base de connaissances.

h) Les applications de la vision

Dans lindustrie : La vision joue un grand rle pour linspection et le contrle non
destructif (dtection de dfauts sur des matriaux, des pices ou des assemblages),
lidentification, le tri dobjets en vrac, le contrle de conformit, les mesures de
dimensions, etc. On utilise des systmes de vision, par exemple pour rechercher des
dfauts sur des circuits lectroniques, sur des pices manufacturs, pour contrler la
propret de bouteilles, etc. Linspection portant sur certaines grandeurs ou
caractristiques dune pice aboutit lacceptation ou au rejet de la pice. A titre
dexemple, dans une tannerie, un systme de vision peut calculer la surface dune
peau en moins dune seconde, alors que les mthodes classiques sont beaucoup plus
longues. Toujours dans lindustrie la vision peut tre associe la robotique, pour la
prhension dobjets, laction sur des objets, le dplacement ou laction des un
environnement non totalement dfini, etc. Pour beaucoup dindustriels les systmes
de vision sont les yeux des robots . La vision confre une sorte d intelligence
sans laquelle ils ne pourraient pas accomplir certaines actions, atteindre leur objectif,
franchir des obstacles, etc. Elle dispense loprateur de positionner avec une grande
prcision les pices sur lesquelles le robot doit travailler, grce lautonomie que
celui-ci acquiert par la vision. Le systme de vision localise lobjet, le contrleur du
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


43 43
robot calcule le dcalage avec la position nominale et ragit en consquence sur le
programme. En association avec un robot manipulateur, le systme de vision sert
orienter et positionner des pices ; avec les machines-outils, il sert lassemblage et
au montage.
Dans le domaine de lenvironnement : La vision sert reconnatre les lments
caractristiques sur une photo satellite (ctes, cours deau, routes, agglomrations,
etc.) pour tablir automatiquement une carte, ou aide llaboration de cartes. Elle est
aussi utilise pour la modlisation de phnomnes physiques et atmosphriques
Dans le domaine militaire : La vision est applique lanalyse des scnes, ltude de
la trajectographie, linterprtation des cartes, etc. Il existe galement des systmes de
surveillance qui permettent de dtecter des objets en mouvement, dterminer la nature
de ces objets et, le cas chant dclencher une alarme.
Dans le domaine de la bureautique : La vision est applique la numrisation
dimages et la reconnaissance de caractres ou OCR (Optical Character
Recognition). Cette application, peut faire appel lIA ; on parle alors dICR ou
Intelligent Character Recognition. On peut citer dans ce cas, les rseaux de neurones.
En mdecine et en biologie : Les systmes de vision servent dtecter ou reconnatre
des anomalies dans une culture de cellules, afin dtablir un diagnostic partir dune
image mdicale.
En biomtrie : Les systmes de vision peuvent servir identifier des individus par ses
empreintes digitales, par ses empreintes oculaires (cest--dire le dessin des vaisseaux
sur liris de lil), par sa signature et le mouvement quil fait pour la raliser

En rsum, la vision englobe trois activits : l'analyse d'objets (qui est de fait la mthodologie
gnrale), la reconnaissance de caractres et enfin l'analyse de scnes en 3 dimensions (3D). Les
deux derniers domaines sont des applications directes de la premire activit.
Lanalyse dun objet consiste en la dtermination de l'objet, la caractrisation, la comparaison
entre l'image connue et l'image vue au niveau du pixel. On peut considrer dans ce processus trois
phases distinctes :
pr traitement : simplification de l'image visualise,
extraction des primitives : caractristiques principales de l'objet,
classification.
L'opration de pr traitement englobe l'extraction des contours i.e. la dtection de courbe
continue, l'analyse de continuit, le seuillage qui correspond choisir un niveau de gris, tout pixel
plus fonc sera cod par 1, tout pixel plus clair tant cod par 0.
L'extraction des primitives consiste coder l'image au moyen de descripteurs pertinents ;
pertinence dpendant du type de traitement ultrieur. Par exemple on peut s'intresser la surface, au
primtre, au nombre de trous, la dimension du rectangle circonscrit, .... On rajoute aussi des
descripteurs de position et d'orientation comme le centre de gravit, les angles, ...
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


44 44
La classification est en fait le processus de reconnaissance proprement dit, il s'agit de comparer
l'image visualise avec la connaissance du systme. En gnral on utilise l'une des deux mthodes
suivantes :
mthode du plus proche voisin, c'est aussi la plus simple et la plus longue. Il faut comparer
les objets un un ; ce qui est rendu d'autant plus difficile que les contraintes initiales seront
lches (objet arrivant dans n'importe quel sens, superposition possible, ...).
mthode de dcision par arbre binaire, cette technique demande de choisir un nombre optimal
de critres discriminants (descripteurs pertinents), c'est la technique la plus couramment
utilise dans le cadre de la reconnaissance de caractres.
Les recherches menes en synthse d'images sont faites en troite collaboration avec l'analyse d'un
objet digitalis (problme de stockage, reprsentation de l'image, ...).
La reconnaissance des caractres est un ensemble des moyens qui permettent au systme de
reconnatre une ou plusieurs polices des caractres. Lobjectif tant de gagner le temps. Pour raliser
cette tche par lordinateur, il faut des logiciels de reconnaissance optique, ( ROC ) ou
OCR ( abrviation du terme anglais Optical Character Recognition) des caractres cest dire
des procds informatiques qui permettent de rcuprer le texte dans limage dun texte imprim ou
dactylographi de le traduire en fichier texte et de le sauvegarder dans un fichier pouvant tre
exploit dans un traitement de texte pour enrichissement, et stock dans une base de donnes ou sur
un support sur et exploitable par un systme informatique.
Les principes des systmes de reconnaissances des caractres sont les suivants :
- Partir de limage numrique ralis par un scanneur optique (ou le lecteur code barre) dune
page (document imprim, etc.) dont on veut rcuprer le texte.
- Limage doit tre fortement contraste pour permettre au programme de discerner les
caractres
- Le programme lit le document, et grce des bibliothques de formes, dtecter les caractres
afin den faire correspondre la forme au caractre attendu
- Des dictionnaires permettent de rcuprer certaines erreurs
Certains logiciels tentent mme de conserver lenrichissement de texte ainsi que la mise en page et
mme rebtir les tableaux.

Actuellement plusieurs types de lecteurs optiques sont disponibles sur le march (lecteur codes
barre, OCR, ...) depuis ceux spcialiss dans la reconnaissance d'une ou plusieurs polices de
caractres jusqu'aux lecteurs aptes apprendre n'importe quoi.
L'intrt dans la reconnaissance de caractres est videment le gain de temps. A cela s'ajoute le
fait que les supports de masse (magntique, optique, ...) ont des dures de vie nettement suprieur
celle du papier, les recherches documentaires, le traitement du courrier dans les centres postaux, ....
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


45 45
Lanalyse en scne est une reconnaissance des images en 3D. La difficult dans l'analyse de scnes
3D rside dans le fait que toute l'information n'est pas accessible directement : cest le problme de
faces caches, que l'on rencontre aussi en synthse d'images.



Une scne 3D
On cherche dans ce cas dtecter les points caractristiques, par exemple, dans le cas de
volumes simples, les angles ou les jonctions de droites entre les diffrents contours.
partir de ces informations l'ordinateur (ou le robot) doit dcomposer la scne en lments
simples, comme ci aprs.

Points caractristiques



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


46 46
II.2.2. La reconnaissance de parole ou reconnaissance vocale

La reconnaissance de la parole reprsente certainement lun des lments cls des systmes
informatiques de demain. Eminemment utile dans la relation homme-machine, la reconnaissance
vocale dpasse largement le cadre de linformatique par ses applications. Elle peut quiper des
automobiles qui ragiront un certain nombre dordres, elle assiste les handicaps moteurs, il existe
dj des machines-outils commande numrique rpondant la voix, ainsi que des tlphones
capables de composer eux-mmes le numro demand oralement, directement dans le combin. Pour
cette dernire application, la personne qui utilise le composeur vocal enregistre, dans un premier
temps, un ensemble de noms quelle associe leur numro de tlphone. Il lui suffira ensuite de
dcrocher son combin, de prononcer lun de ces noms, et lappareil obira lordre donn en
composant automatiquement le numro. Pour viter tout risque derreur, le nom prononc sinscrit
en clair sur un afficheur alphanumrique plac sur lappareil. Cet exemple met en vidence deux
phases, que lon retrouve en gnral dans les problmes de reconnaissance : une phase
dapprentissage o le systme mmorise un certain nombre de modles, et une phase dutilisation, o
le systme reconnat un lment, mot, signal ou forme, en le comparant aux modles appris.
La reconnaissance vocale se situe lintersection de nombreux domaines tels que
lacoustique, llectronique, la phontique, la smiologie, etc.
La phase de reconnaissance vocale proprement dite intervient aprs la phase de prtraitement
du signal. Cette reconnaissance ncessite de mettre au point des algorithmes particuliers pour la
reconnaissance des structures, ainsi quune architecture de traitement spcialement adapte, grand
dbit, haute prcision et dune capacit de calcul ultra-rapide, car la reconnaissance de la parole doit,
normalement, se faire en temps rel : la parole est reconnue au fur et mesure de son mission. Du
fait de la multiplicit des paramtres en jeu, lIA semble une technique approprie pour rsoudre ce
problme, qui se pose donc en ces termes : Quest-ce qui permet une personne de distinguer un
mot dun autre, indpendamment de celui qui parle ?

II.2.2.1. Phases de reconnaissance vocale

La reconnaissance de la parole part de la capture du signal la reconnaissance proprement
dite. Elle implique donc une analyse du signal vocal. Ce signal vocal, comme tout autre son, est une
vibration longitudinale qui se propage dans lair (ou dans tout autre milieu). Loue peut nous
renseigner sur certaines de ses caractristiques : nous distinguons des sons lmentaires ou
phonmes, la hauteur, le timbre, lintensit, la dure des sonsMais, en ralit, la voix est beaucoup
plus complexe que nous ne pouvons le percevoir loreille. En convertissant, par lintermdiaire
dun microphone, londe sonore en un signal lectrique, il est possible de la visualiser sur un cran
cathodique ou den sortir sur imprimante une reprsentation graphique. Limage ainsi obtenue est
une forme extrmement complexe, dpendant des sons prononcs et de la voix : mme pour une
seule personne, londe se modifie suivant lge, lhumeur, ltat de sant (rhume ou enrouement),
lenvironnement, etc. Mais, surtout, la reprsentation graphique du son diffre considrablement
dune personne une autre, si bien quil est possible didentifier un individu partir de son
empreinte vocale , linstar des empreintes digitales. Voil prcisment do provient la
difficult de la reconnaissance de la parole, lorsquelle concerne un nombre illimit de locuteurs.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


47 47
Premirement, il sagit de capter le signal vocal (analogique) et de le traduire sous forme
numrique (conversion analogique numrique). Cette conversion est effectue par des
convertisseurs analogiques-numriques.
En gnral, ce nest pas la totalit du signal qui est capte, mais des lments de signal
limits dans le temps ; cette tape sappelle chantillonnage.
Lensemble des chantillons, aprs avoir t cod, peut tre rduit par des techniques de
compression de signal, afin de limiter leur volume, tant pour le stockage que pour la
transmission. Jusque-l, nous sommes encore dans un domaine classique, puisque ces
techniques de conversion, chantillonnage et compression sont largement utilises dans les
tlcommunications, ainsi que les techniques audio et video.
La reconnaissance de la parole, qui consiste comparer des objets mathmatiques rsultant
de ce prtraitement. Deux tels objets, reprsentant des lments vocaux , mme sils ne
sont pas parfaitement identiques, doivent nanmoins tre la fois suffisamment proches pour
pouvoir tre identifis, et assez distincts des autres lments pour lever toute ambigit. Le
problme consiste dterminer, pour chacun de ces lments un certain nombre de
paramtres dcisifs.

II.2.2.2. Principe de la reconnaissance de la parole

La reconnaissance de la parole sinsre dans le cadre plus gnral de la reconnaissance des
formes. Un son correspondant un mot est prononc oralement devant le microphone, qui convertit
le signal acoustique en un signal lectrique. Celui-ci est soumis un prtraitement (numrisation,
sparation du signal pertinent par rapport au bruit ambiant), puis il subit la paramtrisation
(extraction de paramtres). Ce traitement sapplique tant en phase dapprentissage quen phase de
reconnaissance. Lutilisation du systme consiste comparer un nouveau son un son de lensemble
dapprentissage. Il sagit dun problme de classification (dun mot dans un ensemble prdfini) ou
de dcision (de rattacher un mot lun ou lautre des mots appris).
Schmatiquement, nous obtenons le schma suivant :



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


48 48































Figure : Principe de reconnaissance de la parole(mots isols)

II.2.2.3. Lanalyse du signal

Pour analyser un signal, il existe plusieurs solutions :
- Les mthodes temporelles : A partir de courbe reprsentative du signal, on tire un certain
nombre de paramtres (soit les abscisses de passage par zro de cette courbe, soit les coordonnes de
ses maxima et minima).
- Les mthodes frquentielles : elles sont aussi appeles mthodes spectrales. Elles jouent un
rle fondamental en analyse du signal, dont la parole est un cas particulier. Les sons mis par la voix
peuvent, en effet, tre assez bien dcrits en termes de frquences. Le spectre frquentiel dun signal
est sa transforme de Fourrier, c'est--dire la reprsentation de son amplitude en fonction de la
frquence. La parole tant un phnomne non stationnaire, il importe de faire intervenir le temps
Microphone
Mot prononc
Prtraitement :
- numrisation
- sparation parole / bruit
Paramtrisation
Ensemble
dapprentissage
Caractristiques du
mot reconnatre
Comparaison
Mot reconnu
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


49 49
comme troisime variable dans la reprsentation. La surface dans lespace de tridimensionnel de
coordonnes amplitude-frquence-temps caractrise entirement le signal : cest l image
acoustique . Elle peut tre analyse par un banc de filtre. Un jeu de huit filtres ou plus, chantillons
entre les frquences de 300 et 5000 hertz (ou vibrations par secondes), conviendra en gnral.
Lanalyse, effectue 50 ou 100 fois par seconde, donnera pour chaque filtre la valeur numrique de
lamplitude correspondant la frquence du filtre. Lensemble des valeurs numriques ainsi
obtenues pour un mot constitue limage acoustique spectrale, ou sonagramme , de ce mot.
Le choix des paramtres pour le traitement du signal peut aussi sinspirer des modles
physiques du mcanisme phonatoire humain. Ltat des cordes vocales peut tre dcrit par un
ensemble de paramtres numriques qui dfinissent un son vocal. Cest ainsi que lon peut mettre en
vidence des frquences privilgies, appeles formants , lesquelles peuvent constituer des
paramtres du signal vocal. Chaque voyelle se compose dun ou plusieurs formants. Contrairement
aux voyelles relativement stables, les consonnes sont surtout dtermines par les transitions avec les
phonmes environnants.

II.2.2.4. Le systme de reconnaissance

Quelle que soit la codification du signal vocal, le problme fondamental consiste ensuite
tablir une correspondance entre diffrentes prononciations du mme mot, c'est--dire effectuer un
calcul de similitude pour dterminer, parmi un ensemble de mots ou de phonmes, les plus
ressemblants. Or, pour le mme mot, les dures des phonmes, les frquences des formants, les
transitions peuvent considrablement diffrer dun locuteur un autre. Il sagit de rechercher, dans
les diffrents diagrammes correspondant un mme mot, les invariants qui parviennent leur
donner une allure gnrale commune.
Les deux phases de tout systme de reconnaissances telles que nous venons de le voir sont : l
apprentissage et la reconnaissance.
Dans le cas de la parole, nous avons deux phases :
- La premire phase, dite phase dapprentissage , consiste stocker un certain nombre de
mots ou de phonmes prononcs isolment, plusieurs fois chacun, et une tiquette , qui
peut tre un numro dordre ou leur forme orthographique, leur est affect.
- Dans la seconde phase, dite phase de reconnaissance , un locuteur prononce lun des
mots de la liste, et la machine doit le comparer ceux quelle a mmoriss et le classer dans
lune des catgories. Lorsque la correspondance est trouve, lordinateur peut soit prononcer
ce mot, par synthse vocale, soit lafficher sur un cran pour que le locuteur puisse sassurer
que linterprtation est correcte.

II.2.2.5. Le traitement global ou analytique de la parole

Deux approches, lapproche globale et lapproche analytique, peuvent tre appliques au
traitement de la parole.
Lapproche globale, qui utilise comme unit de base le mot , ne fait pas intervenir le
niveau phontique, mais passe directement du niveau acoustique au niveau lexical. Elle consiste
rechercher, pour chaque mot, la plus grande ressemblance avec lun des modles mmoriss lors de
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


50 50
la phase dapprentissage ; chaque comparaison, une note mesurant la ressemblance avec le modle
est attribue ; la fin du processus, le mot retenu sera celui qui a obtenu la meilleure note. Cette
technique prsente linconvnient dtre relativement lente et gourmande en mmoire.
Lapproche analytique consiste slectionner, pour chaque mot, un ensemble de traits
caractristiques sur le plan phontique ; le signal est dcoup, et chaque segment doit tre identifi
par sa valeur phontique. Lexamen dun sonagramme rvle gnralement une alternance de zones
transitoires et de zones quasi stables correspondant approximativement aux formants ; le processus
didentification consiste alors comparer chacun de ces segments, reprsents par son spectre, une
srie de spectres de rfrence (un pour chaque son lmentaire), et retenir les plus ressemblants.
Cette dernire mthode, qui ne ncessite pas dapprentissage pralable, est cependant plus dlicate
mettre en uvre, car nous ne savons pas, lheure actuelle, reconnatre les phonmes dans labsolu,
c'est--dire indpendamment du locuteur.

II.2.2.6. Le systme mono-locuteur ou multi-locuteurs

Parmi les systmes de reconnaissance de la parole, on distingue les systmes mono-locuteurs
et les systmes multi-locuteurs. Les premiers ne peuvent reconnatre que les mots prononcs par la
personne qui a effectu la phase dapprentissage. Un systme multi-locuteur fonctionne sur le mme
principe, mais lensemble dapprentissage doit tre beaucoup plus vaste. Au cours de cette phase,
chaque son ou chaque mot stock dans le systme est prononc par plusieurs locuteurs diffrents. Le
systme effectue ensuite une sorte de moyenne, c'est--dire mmorise un signal plus ou moins
proche des signaux correspondant aux diffrentes prononciations dun mot. Enfin, pour la
reconnaissance, le systme doit avoir une tolrance assez leve, sachant que les mots reconnatre
sont prononcs par une personne diffrente, dont on ne connat pas les particularits par avance.
Ces systmes doivent ainsi tablir un compromis entre une tolrance assez grande pour
admettre la plus grande varit de locuteurs possible mme sils ont un accent tranger- et des
capacits de discriminations suffisantes entre des mots diffrents. Ce sont de tels systmes qui sont
notamment mis en place pour des services tlphoniques dans certaines villes en France.

II.2.2.7. Les mots isols ou phrases

La reconnaissance de mots isols est assez bien matrise. Actuellement, de systmes
sattaquent au problme de la reconnaissance de mots enchans lintrieur de phrases, sans pauses
artificielles. Ce problme est en passe dtre rsolu : le systme est capable de discerner certains
mots cls dans la phrase, sans pour autant comprendre celle-ci dans son ensemble. Afin de rsoudre
le problme dans sa totalit, c'est--dire comprendre toute la phrase, il faudrait dnormes capacits
de stockage dinformations (vocabulaire et formes diverses de prononciations) et des processeurs
capables de traiter en temps rel des flux de donnes trs rapides. Ce dernier problme fait appel,
non seulement des notions acoustico-phontiques, mais aussi des rgles syntaxiques, la
smantique, la linguistique, etc. Il sagit l dun problme de comprhension de la parole ou du
langage naturel plutt que de reconnaissance proprement dit.


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


51 51



L'analyse de la reconnaissance vocale a donn lieu de nombreux travaux depuis plus de 25
ans, les applications ne se restreignent pas uniquement aux ordinateurs. Dj certains systmes
(simples voire simplistes) quipent des vhicules de haute gamme, on assiste actuellement des
voitures qui ragissent des ordres, le tlphone qui compose automatiquement des numros --
dans ce cas on peut imaginer que la personne utilisant un composeur vocal associe un mot clef un
numro donn, puis n'a plus qu'a citer ce mot, pour que le numro soit appel (la socit Thomson
CSF a d'ailleurs dvelopp et fabriqu de tels composants). Le KATALAVOX de M. Kempf (1985)
utilis pour commander un appareil chirurgical l'aide des quatre commandes directionnelles ``up'',
``down'', ``left'' et ``right''.
La reconnaissance vocale repose sur une relation bi-univoque entre un ensemble de sons
appris (entendus, mmoriss) et les sons perus ultrieurement. L'lment de base est le phonme (au
lieu du pixel) ; le franais comporte quelques 33 phonmes distincts.
En ralit on travaille sur les diphonmes (33 55 1000), et de plus ce diphonme est
affect par le phonme prcdent et le phonme suivant soit au total quelques 10
6
combinaisons.
II.3. LA ROBOTIQUE

Cest un domaine de lintelligence artificielle qui consiste mettre en place ou dvelopper
des robots qui sont capables de manipuler des objets et ragir des modifications de
lenvironnement. Autrement dit, on dfinit la robotique comme tant un ensemble de techniques
permettant la conception et la mise en uvre des dispositifs (dispositifs) destins substituer
lhomme dans ses fonctions motrices, sensorielles et intellectuelles. Ces dispositifs peuvent tre
programms pour raliser des actions bien dtermines ou pour agir par apprentissage.

II.4. JEUX ET RESOLUTION DES PROBLEMES

La rsolution de problmes est le domaine par excellence o intervient le premier jugement.
Aussi cest lune des premires applications envisages pour lIA. Lun des premiers programmes
dIA est le Logic Theorist de A. Newell et W. Simon (1957), dont lobjectif tait de comprendre
lactivit humaine de rsolution de problmes, et notamment le raisonnement dductif. Aprs avoir
t appliqu des jeux, ce programme fut aussi utilis la dmonstration automatique de thormes.
Toutefois, il ne sagissait que de redmontrer des thormes dj prouvs, aucun thorme nouveau
n a pu tre dmontr de cette manire.
En gnral, le raisonnement appliqu pour rsoudre un problme est proche de celui utilis
dans les jeux. Entre le jeu et la rsolution de problmes, il ny a gure de diffrence : la solution peut
tre reprsente par comme un cheminement travers un ensemble dtats, partir des conditions
initiales. Il sagit donc de trouver les tats intermdiaires. Cest sur ce principe que les pionniers de
lIA, Newell et Simon, ont conu en 1959 leur General Problem Solver (GPS). Le principe de
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


52 52
fonctionnement utilise les mthodes dexploration et consiste rechercher les diffrences entre
situation courante et but atteindre, et rduire ces diffrences. Son influence a t trs grande en IA.
Le General Problem Solver ( GPS) de Newell et Simon est le systme de rsolution de
problme le plus important dans lhistoire de lIntelligence Artificielle . Cest le premier modle
complet du traitement humain de linformation.
La rsolution des problmes est ramene des procdures de recherches heuristiques
(recherche sur ltude des cas) dans une structure de graphe. La rsolution est vue comme un
cheminement infrentiel, une succession de solutions partielles.
La rsolution dun problme qui est pos informellement en langage naturel, se fait en deux
temps :
- Le choix dune reprsentation et de la spcification formelle de lnonc.
- La rsolution par la machine de lnonc formalis et la construction de la solution.

Les jeux sont si divers quils fournissent une bonne base dexprimentation pour lintelligence, et
donc pour lIA. A commencer par les checs et les divers casse-tte, mettant en uvre la
comprhension, la stratgie, la planification ou gnration de plans daction, la dcision, la
conduite de processus, lvaluation, la simulation, loptimisation, la prvisionAussi, lIA a t
applique ds ses dbuts aux jeux, et ce sont souvent des jeux qui servent dvaluation pour un
langage ou une machine spcialiss en IA. Parmi les problmes ou jeux les plus couramment
cits, nous trouvons le fermier, le loup, la chvre et le chou , la voyageur de commerce ,
les huit reines , et autres jeux dempilement ( les tours de Hao ) ou de rcipients remplir
et vider. Lobjectif est de parvenir au but avec le moins doprations possible, dans des situations
o le nombre dtat est extrmement grand et o il est exclu dexplorer systmatiquement toutes
les solutions. Cest donc dheuristique quil sagit.

II.5. LES SYSTEMES EXPERTS

La plupart des activits intelligentes relevant de ltre humain, reposent sur des
connaissances nombreuses et varies qui sont exploites bon escient. Un domaine majeur de
lintelligence artificielle relatif la conception des systmes base de connaissances sappelle
systmes experts. Ces systmes sont construits notamment pour atteindre les performances dun
expert humain dans des connaissances limites en exploitant un ensemble des connaissances
acquises par les experts dans ce domaine. Cest partir de 1975 que ces systmes sont apparus et ont
eu un impact sur lintelligence artificielle.
Le terme systme expert a tendance disparatre au profit du concept plus gnral systmes
bass sur la connaissance que lon retrouve dans les diffrents domaines dactivits de
lintelligence artificielle.
Ces concepts sont fonds sur une sparation entre les connaissances ncessaires pour
rsoudre un problme et les mcanismes de raisonnement qui exploitent ces connaissances.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


53 53



Moteur dinfrence : structure de contrle
: Infrence engine
: Structure de rsolution des problmes
: Interprteur




Cette dfinition montre la dualit entre les connaissances et le raisonnement qui vient
complter la structure algorithmique traditionnelle de linformation procdurale.
Le terme connaissance recouvre les diffrentes formes du savoir : les objets du monde, les
faites concernant ces objets (par exemple : les yeux sont jaunes, la neige est blanche, le vhicule est
en mouvement, etc.), la classification de ces objets, les vnements (par exemple : la temprature du
four sest mise osciller), les rgles heuristiques de savoir faire (par exemple : si le moteur cale
froid alors le gicleur peut tre bouch,...).
Cest lun des domaines de lintelligence artificielle qui est le plus utilis. Lide dun
systme expert cest de permettre un expert dun domaine quelconque tel que la mdecine, la
gologie, les assurances, les banques, ... de communiquer son savoir faire un ordinateur dans le but
de faire utiliser son expertise par un non expert. En dautres termes, l'ide d'un systme expert est de
reproduire un raisonnement . Lorsquil sagit dun systme expert dans le domaine de gestion
dune entreprise on parle alors des systmes experts en gestion.
Un systme expert (SE) est un programme informatique intelligent qui utilise de
connaissances et des procdures dinfrences dans le but de rsoudre des problmes dune difficult
telle quils requirent une expertise humaine consquente. Les connaissances ncessaires pour y
arriver ainsi que les procdures dinfrence utilises peuvent tre assimiles une modlisation de
lexpertise des meilleurs spcialistes du domaine considr.
Un systme expert est aussi un systme daide la dcision bas sur un moteur dinfrence et
une base de connaissances. Il est la transcription logicielle de la rflexion dun expert dans un
domaine donn. Il est capable de dduction logique et de produire une solution qui semble la plus
juste. Il reste toutefois un outil daide la dcision et est loin de pouvoir remplacer lintelligence de
lexpert.

Les systmes experts ne sont en aucun cas des logiciels adaptatifs, mais plutt des
applications ddies leur domaine dactivit. Cest pourquoi les systmes experts sont des
progiciels au sens pur. Ils sont gnralement conus pour rsoudre des problmes de classification
ou de dcision. En dautres termes, le systme expert est une application capable deffectuer dans un
domaine prcis des raisonnements logiques comparables ceux que feraient des experts humains de
ce domaine. Cest un systme daide la dcision.

On peut retenir les points suivants :
B.C
M.I
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


54 54

- les systmes experts sont gnralement conus pour rsoudre des problmes de classification
ou de dcision ;

- les systmes experts sont des outils de lintelligence artificielle, c'est--dire quon ne les
utilise que lorsque aucune mthode algorithmique exacte nest disponible ou praticable ;

- un systme expert nest concevable que pour les domaines dans lesquels existent des
experts ;

- lintrt dun systme expert est que lon peut tout moment interroger le systme pour
connatre les rgles qui lui ont permis de dduire telle ou telle autre conclusion.

Il existe un certain nombre dactivits abordables pour la technique des systmes experts. Et
si lon veut travailler dans ce domaine, il est trs important de pouvoir identifier le problme auquel
on dsire sattaquer et ce par rapport ces activits. En effet, si le problme ne relve pas dun de
ces activits que nous allons voir, il est fort probable que, soit le problme relve de la technique
classique dite algorithmique, soit il nest pas encore abordable par le systme expert car lentreprise
quils requirent est trop difficile formaliser.
Les diffrents catgories dactivits des systmes experts peuvent se prsenter de la manire
suivante (en allant du plus simple au plus complexe) : linterprtation, le diagnostic, lvaluation, la
prdiction, la planification, etc.
Comme tout programme informatique, sa ralisation passe par un certain nombre dtapes : la
conceptualisation (analyse), la formalisation (conception), limplantation ou limplmentation
(programmation) et les tests. Plusieurs acteurs sont indispensables tels que lexpert (les experts),
lingnieur de connaissance, les informaticiens, les utilisateurs et les gestionnaires.
Tous les langages (classiques, orients objets, dintelligence artificielle) peuvent tre
utiliss. Dans le domaine de la gestion, on parle de systmes experts en gestion
Lorsque la notion de temps est prise en compte dans le pilotage dun dispositif, on parle de
systme temps, systme embarqu, etc.


II.6. LAPPRENTISSAGE

Lapprentissage est une activit trs complexe et compose de plusieurs processus quil est
difficile dcrire. Nanmoins, selon le dictionnaire Le Petit robert, apprendre signifie :
- Etre capable de connatre, de savoir,
- Etre avis, inform de quelque chose
- Acqurir un ensemble de connaissances par un travail intellectuel ou par lexprience.
- Modifier la tendance comportementale par exprience
Donc, apprendre est une activit concernant la connaissance.
Il existe deux volets dapprentissage : lapprentissage naturel et lapprentissage artificiel. Dans le
premier volet dapprentissage qui relve de ltre humain, la modification des potentialits de
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


55 55
comportement rsulte dune interaction rpte avec lenvironnement. Dans lapprentissage
artificiel, un programme possde des capacits dapprentissage. En dautres termes ses potentialits
de comportement sur les donnes se modifient en fonction de ses performances au fur et mesure
quil traite les donnes. Autrement dit, lapprentissage artificiel est une activit circulaire, qui extrait
des connaissances partir des observations disponibles et utilise ces connaissances pour chercher de
nouvelles informations, ou crire diffremment les observations ( prise automatique de dcisions et /
ou comprhension).
LApprentissage (artificiel) est donc un domaine de lintelligence artificielle ou lon exploite la
facult dapprendre pour accrotre ses connaissances, amliorer ses aptitudes et pour affiner les
mcanismes de raisonnement. Nous pouvons citer comme sous branches dapprentissage :
- Lapprentissage par mmorisation ou par implantation
- Lapprentissage par instruction ou par conseil
- Lapprentissage par rsolution des problmes
- La dduction
- Linduction

II.7. LA MODELISATION COGNITIVE ET XIAO

La modlisation cognitive est un domaine de lIA qui utilise la simulation des processus cognitifs
en vue dexpliquer les mcanismes intellectuels. Cependant, lIA sert non seulement simuler ou
reproduire le raisonnement, mais aussi ressembler, conserver et rendre accessible les connaissances
disponibles dans un domaine donn. En particulier, toute activit de conception et mme toute
activit en gnral peut avoir besoin de telles connaissances, un moment ou un autre. Ces
connaissances peuvent se prsenter comme une aide en ligne , accessible sur un poste de travail,
en loccurrence un ordinateur. Cest ainsi que toutes les tches informatiques peuvent bnficier de
lIA, en particulier celles que lon dsigne sous le sigle XAO ou X (nimporte quoi) Assiste par
Ordinateur, qui deviennent dsormais XIAO ou X Intelligemment Assist par Ordinateur .
On y trouve :
- Lenseignement assist par ordinateur (EAO)
- La conception assiste par ordinateur (CAO)
- Conception Assiste par Intelligence Artificielle (CAIA)
Un logiciel de Conception Assiste par Ordinateur (CAO) par exemple, peut bnficier des
connaissances dun expert en conception, quil sagisse de conception lectronique ou architecturale,
de dveloppement de logiciel ou de dessin dune automobile. Jusque dans les dessins anims, o
lIA peut fournir des modles comportementaux des objets et des lments, faisant intervenir des
paramtres comme le temps, la masse et la gravitation, la nature du sol, la rsistance de lair, la
prsence dobstacles
De telles connaissances peuvent tre utilises dans un Enseignement Assist par Ordinateur (
EAO), lequel est alors capable de sadapter au niveau et aux besoins de lapprenant (lve), en lui
fournissant les connaissances au fur et mesure de ses demandes, et non dune manire prvue par le
programmeur une fois pour toutes.
Enfin, lIA est applique au gnie logiciel (lactivit de dveloppement de programme) pour
simplifier cette tche en autorisant la programmation automatique.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


56 56


II.8. LES RESEAUX DE NEURONES

Le neurone est lunit de base du systme nerveux. Il est compos dun petit corps de cellules
avec des longues extensions fibreuses appeles Axones et dendrites. Les terminaisons des axones
dun neurone rencontrent les terminaisons des dendrites de nombreux autres neurones et forment
dans le cerveau un rseau complexe et changeant.
L'objectif des rseaux de neurones artificiels, cest d'essayer de rcuprer tout ou une partie des
fonctionnalits d'un cerveau humain telles que :
architecture massivement parallle,
calcul et mmoire massivement distribus,
capacit d'apprentissage,
capacit de gnralisation,
capacit d'adaptation,
forte tolrance aux pannes,
faible consommation nergtique.
II.9. CONTROLE ET CONDUITE DE PROCESSUS

LIA peut aussi tre applique au contrle et la conduite de processus industriel. Lactivit
de conduite de processus par un oprateur est une activit de surveillance, consistant essentiellement
prvoir pour pouvoir intervenir. Prvoir, cest dtecter dans le systme des indices prcoces de
dviation par rapport au comportement normal, tant en ce qui concerne la grandeur des paramtres
en jeu que les retards et gains de temps ventuels.
La conduite des processus implique donc le recueil des donnes essentielles, leur
interprtation, la comparaison avec le modle de comportement, la dtection et la mesure des
anomalies. A partir de l, un diagnostic peut tre tabli, o interviennent les capacits de
raisonnement dtaills ci-dessus.
Le contrle de processus passe donc par deux tapes, qui se retrouvent dailleurs dans toute
approche scientifique dun problme : la modlisation et la rsolution. Ces deux tapes interviennent
galement dans toutes les actions de perception, quil sagisse de la vue, de loue ou du toucher, les
trois sens les mieux formaliss et maitriss du point de vue biologique, et donc priori les plus
faciles reproduire. Ce sont elles qui sont mises en uvre dans les programmes de reconnaissance
dimages, de traitement du signal, de reconnaissance de la paroleLa comprhension du langage
naturel prsuppose, elle aussi une reprsentation de lunivers, laquelle est superpose une stratgie
pour faire concider le sens dune phrase perue avec un tat possible de cet univers.
Le mouvement autonome, tel celui du robot, combine les diffrentes approches ; la
perception externe (extroceptive) et interne (proprioceptive), la modlisation de lunivers partir de
cette perception, et enfin, en fonction de cette modlisation, la meilleure stratgie pour parvenir un
objectif.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


57 57

II.10. INGENIERIE COGNITIVE

II.10.0. Introduction

Les fonctions telles que connatre, raisonner, apprendre, mmoriser, percevoir, communiquer,
analyser, juger, dcider, survivre, sadapter, prsupposent une certaine intelligence. A divers
degrs, elles caractrisent le rgne vivant. Leur tude, ainsi que la conception et lvaluation des
interactions entre lhomme et la machine relvent des sciences cognitives. La notion cl des sciences
cognitives est linformation, fondamentale comme lest la notion de force en physique.
Les sciences cognitives sont le passage oblig pour dvelopper des systmes base de
connaissances ( SBC), pour raliser des systmes dassistance loprateur, laborer des logiciels
denseignement assist par ordinateur, concevoir des systmes intelligents daide la dcision,
de gestion dalarmes, de contrle de procd, et dautres XAO ( X Assist par Ordinateur).
Plus concrtement les sciences cognitives tudient :
Le substrat matriel de lintelligence, c'est--dire le systme nerveux et le cerveau,
Les mcanismes mentaux, sources des comportements de ltre humain et de lanimal,
Les manifestations de ces structures et mcanismes, travers le perception, le raisonnement,
la mmoire, le langage, laffectivit
La simulation de ces fonctions par les machines, les ordinateurs et linformatique. Ce dernier
axe, consistant raliser des artefacts partir des connaissances scientifiques, est appel
ingnierie cognitive.
Ces lments constituent lobjectif mme des sciences cognitives. Elles peuvent galement tre
dfinies par le champ disciplinaire couvert : la psychologie, le logique, le linguistique,
linformatique et lintelligence artificielle, le philosophie, les neurosciences, lanthropologie,
lpistmologie, etc.
Lingnierie cognitive est une pluri-disciplinaire, voire trans-disciplinaire. Elle tire ses
connaissances de la biologie et des sciences humaines, notamment de la psychologie du travail et de
lergonomie Pour les rinvestir, avec une bonne dose de mathmatiques, dans les techniques de
lingnieur en informatique, automatique et productique, en vue de raliser des simulations. Elle
consiste abstraire les principes dynamiques fondamentaux sous-jacents aux phnomnes
biologiques et exprimenter ces dynamiques sur dautres supports physiques. En cela, elle nest que
le prolongement de la cyberntique et de la systmique. Enfin, elle fait appel la philosophie pour
raccorder le domaine de ma ralit et de lartefact. En effet, les sciences cognitives sintressent
particulirement cette relation entre ralit et artefact, entre biologie et informatique, entre
organisation et adaptation, entre autonomie et commande. Dailleurs, linterface entre la ralit et
lartefact se trouve encore une branche des sciences cognitives, celle qui concerne les interactions
homme-machine.
Pour raliser des interfaces homme-machine ergonomiques et conviviales, les machines
destines des utilisateurs non informaticiens, dans des environnements spcifiques, comme ceux de
laronautique (contrle arien ou conception dun poste de pilotage) ou de lespace, ou encore
lEAO, il est ncessaire de modliser le comportement humain dans toutes les situations imaginaires.
Cette modlisation fait galement appel aux sciences cognitives.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


58 58
Deux courants de recherche se dgagent : le premier concerne lapplication des artefacts aux
sciences de lingnieur, pour lesquels les bases mathmatiques expliquent exactement ce quils sont
capables de faire, dans quelles conditions et pourquoi ils fonctionnement bien, quelles sont leurs
limites, et cela sans la moindre rfrence au cerveau ou au systme nerveux. Lautre voie de
recherche, cest lutilisation de ces artefacts pour la modlisation des systmes vivants. Les deux
courants vont probablement converger dans la mesure o des donnes venant de la neurobiologie
pourront aider raliser artificiellement des fonctions comme lapprentissage, le raisonnement,
ladaptation, et donner ainsi une impulsion nouvelle aux techniques dIA.

II.10.1. Acquisition et modlisation des connaissances

Les sciences cognitives sintressent dabord, comme leur nom lindique, la connaissance. En
particulier aux connaissances ncessaires pour dvelopper des applications dIA. Or le recueil, la
mise en forme et la gestion de lvolution des connaissances sont les tches les plus dlicates dans de
telles applications. En labsence dune mthodologie, la cohrence interne de la base de
connaissances ne peut tre garantie, et la phase dexpertise devient rapidement le goulet
dtranglement de tout projet. Cest l lune des principales raisons de lchec relatif de nombreux
projets dIA.
Cette constatation a abouti la cration de mthodes danalyse et de reprsentation des
connaissances, dont les plus dveloppes sont KOD (Knoweledge Oriented Design) et KADS
(Knowledge Acquisition and Design Support). Ces mthodes permettent de passer du monde rel-
celui que connat lexpert et du discours humain ou dun corpus textuel, une reprsentation
exploitable par la machine et dcrite dans un langage comprhensible par celle-ci. Elles
comportement diffrentes tapes, de la formalisation la vrification de la cohrence des
connaissances, en passant par leur validation. Ces mthodes permettent non seulement de raliser
une base de connaissances, mais aussi de consigner le savoir et le savoir-faire dune entreprise, dun
peuple, dun corps de mtier, et de constituer une vritable mmoire dentreprise ou mmoire dune
socit , facilement accessible et exploitable aussi bien par lhomme que par la machine.

II.10.2 Apprentissage automatique


Certains projets dIA, comme nous venons de le voir, doivent prendre en compte dnormes
quantits de connaissances et, leur acquisition par les machines pose un problme aux
informaticiens, cogniticiens et mme experts. Cest pourquoi lapprentissage automatique est
actuellement considr comme lune des proccupations majeures. Lobjectif est de doter les
systmes dune plus grande autonomie. En outre, cette facult semble tre la cl unique pour une
intelligence plus naturelle .
Lapprentissage automatique est un cas particulier de rsolution de problmes : partir dun
environnement de donnes, dinformations, il sagit pour le systme den slectionner certaines, de
les structurer, de les intgrer lensemble dj mmoris, afin de pouvoir les utiliser ultrieurement.
Pour cela, le systme requiert, au pralable, une certaine connaissance, ou mtaconnaissance, qui lui
permettra dacqurir ou de dcouvrir de nouvelles connaissances. Cette ide sinspire du modle
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


59 59
humain : la naissance, lhomme a peu de connaissances innes, quil puisse utiliser
immdiatement, lencontre de la plupart des animaux ; en revanche, il possde un capital de
mtaconnaissances lui permettant dacqurir de nombreuses connaissances adaptes ses besoins.
Cest ainsi que, contrairement aux animaux, les humains ne possdent pas un langage particulier la
naissance, mais ils peuvent, grce leurs mtaconnaissances, apprendre nimporte quelle langue.
Les techniques dapprentissage automatique sinspirent des expriences de psychologie mettant
en vidence les processus de mmorisation. Cest ainsi que Hebb a modlis , au niveau neuronal, le
phnomne de plasticit synaptique permettant dexpliquer lassociativit de la mmoire (1949). Un
autre modle de mmoire associative sinspire de lholographie. Hopfield ( 1982) et Kohonen (1984)
ont compltement formalis le phnomne de mmoire associative. Ces recherches sont appliques
lapprentissage dans les rseaux neuromimtiques ou rseaux de neurones. A cot de ces techniques
dapprentissage essentiellement numrique, diffrentes techniques dapprentissage symbolique se
sont dveloppes dans le sillage de lIA, principalement pour les systmes experts.

II.10.3. Apprentissage symbolique

Lapprentissage symbolique peut seffectuer suivant diffrentes modalits : par induction, par
lobservation et la dcouverte, par analogie, par explication. Lapprentissage par induction
seffectue partir dexemples ou dobservations, partir desquels le systme dapprentissage induit
la description dun concept gnral dcrivant tous les exemples. Si lon prend des groupes humains
avec diffrents critres physiques (taille, couleur des yeux et des cheveux) et un critre gographique
(pays dorigine), une gnralisation serait : Les sudois sont plus grands, ils ont plutt les cheveux
blonds et les yeux bleus, et les Espagnols sont plutt petits, ils ont plutt les yeux et les cheveux nois
ou bruns .
Dans le cas dun apprentissage par lobservation et la dcouverte, le systme cherche des
rgularits et des rgles gnrales expliquant tout ou la plus grande par des observations. Lide est
de comprendre les mcanismes de raisonnement conduisant la dcouverte scientifique. Aprs une
srie dessais, erreurs et raffinements successifs, doit merger une formule satisfaite sur tous les
exemples observs.
Lapprentissage par analogie sappuie sur la thorie de Schank de lorganisation de la mmoire
(1980) : face une situation nouvelle, un tre humain se rappelle les situations passes similaires,
afin de reproduire les comportements qui staient avrs efficaces lors de ces situations passes ; la
stratgie est adapte en fonction des diffrences existant entre les situations similaires.
Dans lapprentissage par explication, on sintresse aux raisons de lchec ou du succs de la
solution trouve par un systme de rsolution de problme. Lide est dacqurir des heuristiques en
tentant de comprendre, travers diffrents exemples, pourquoi telle ou telle solution fonctionne ou
non, dans tel ou tel cas.

II.10.4. Apprentissage numrique

Les connaissances apprises par des mthodes symboliques peuvent tre affectes de coefficients
ou poids de connaissances , mesures probabilistes liant les ascendants aux consquences,
combinant ainsi lapproche numrique lapprentissage symbolique. Cette tactique dapprentissage
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


60 60
par punition/rcompense permet de slectionner les connaissances apprendre suivant leur
valeur : le poids est dautant plus lev que la connaissance mne au succs. Les connaissances
ayant un fort poids sont ainsi renforces, tandis que celles qui ont un coefficient faible sont
limines.
Ces mthodes de slection peuvent sinspirer des lois naturelles, notamment celle de lvolution
de Darwin. Une telle mthode met en jeu un algorithme particulier, dit algorithme gntique, qui
sapplique, par exemple, aux rgles dun systme expert : les rgles inefficaces sont limines et
remplaces en recombinant des fragments des deux bonnes rgles ( bonnes en fonction de
critres prdtermins), la rgle fille ainsi obtenue tant suppose hritier des qualits de ses
parents ; par ailleurs, quelques rgles prises au hasard, mais jamais choisies parmi les meilleures,
subissent des mutations . Lensemble des rgles, lagu par ce principe de slection, a une
structure proche de lensemble initial, mais sa formulation est plus succinte : seules les rgles les
mieux adaptes survivent dune gnration lautre.

II.10.5. Apprentissage dans les rseaux neuromimtiques

Lapprentissage est lune des proprits des rseaux neuromimtiques. Dans ces systmes, la
connaissance est mmorise au niveau des interconnexions ou synapses. Au cours de la phase
dapprentissage, le rseau organise sa structure partir des donnes quil doit mmoriser.
Lapprentissage consiste fixer les valeurs des coefficients synaptiques. Il sagit donc dune
approche numrique, algorithmique, o les paramtres ajustables sont matrialiss sous la forme des
synapses. Les mthodes dapprentissage numrique cites ci-dessus peuvent sy appliquer.
Lun des algorithmes dapprentissage les plus utiliss dans les rseaux neuromimtiques est la
rtropropagation du gradient Cet algorithme sefforce de minimiser une valeur, qui est fonction du
nombre des erreurs observes sur lensemble des configurations dapprentissage. Le systme obtenu
remplit bien une fonction de mmoire associative : partant dune configuration initiale proche dune
des formes mmorises lors de lapprentissage, le rseau converge vers un tat dquilibre qui
diffre trs peu de la forme mmorise.

II.10.6. Organisation, adaptation, autonomie

Dans les annes quarante, des mathmaticiens et physiques, sous la conduite du mathmaticien
amricain Norbert Wiener, ont tudi les systmes biologiques, et surtout le cerveau, comme sil
sagissait de machines. Cette dmarche a reu le nom de cyberntique, du grec kubernsis (action de
gouverner). Dduite de recherches poursuivies dans le domaine des mathmatiques pures, de la
technologie, de la biologie et des sciences humaines, la cyberntique est destine couvrir tous les
phnomnes qui mettent en jeu des mcanismes de traitement de linformation. Lune de ses
applications est la rgulation des systmes biologiques, faisant intervenir en particulier la notion de
rtroaction (feed-back), trs importante dans les processus de contrle et dapprentissage. En tant
qutude des oprations contrles, la cyberntique ne sintresse pas aux systmes en tant que tels,
mais la structure logique de leur fonctionnement. Ainsi, ladaptabilit des systmes biologiques
aux variations du milieu est lie la recherche incessante de nouveaux tats dquilibre pour ces
systmes, qui dterminent leurs propres directions de comportement ou leurs objectifs, sans jamais
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


61 61
retourner exactement leur tat antrieur. Cette facult dauto-organisation, propre aux systmes
vivants, sapplique aussi, dans une certaine mesure, la matire en gnral. Les systmes
thermodynamiques, les galaxies, les systmes plantaires, les cristaux constituent des exemples
dorganisation de matire.
La premire tentative pour crer un systme artificiel auto-organis, suivant les principes de la
cyberntique, est due au biologiste W.R.Ashby dans les annes soixante : lhomostat, constitu de
quatre lectro-aimants identiques, relis entre eux par des fils conducteurs. Le nombre dtats
possibles dans lesquels peut se trouver ce systme est trs lev, mais peu de ces tats correspondent
lquilibre du systme. Celui-ci a la proprit, sil est perturb, de revenir spontanment vers lun
de ses tats dquilibre. Si lun de ses lments est dconnect, lhomostat manifeste galement des
possibilits dapprentissage par changement de configuration. Si cette machine autonome na eu
aucune destination pratique, elle a permis le dveloppement dartefacts, dont les plus fameux et les
plus utiliss aujourdhui sont les rseaux neuromimtiques.

II.10.7. De lIA la vie artificielle

La cyberntique et singulirement les rseaux neuromimtiques ont ouvert aux cogniticiens un
nouveau champ dinvestigation : la vie artificielle, qui englobe toutes les recherches autour de lIA
non symbolique, de la robotique et des systmes autonomes. Lobjectif de la vie artificielle, cest
dabstraire des principes dynamiques du vivant, comme lautonomie, lapprentissage, ladaptation,
la morphognse , pour les exprimenter sur les ordinateurs et les robots . Tout ce qui touche
lautonomie sensori-motrice, dune part, et aux phnomnes dvolution, dautre part, intresse les
chercheurs dans ce domaine. Les phnomnes expriments dans ce cadre peuvent tre appliqus
des robots dots dune certaine autonomie : au lieu de planifier leurs tches, ceux-ci sont capables de
deviner ce quils doivent faire en fonction de leur environnement : ils apprennent , ils essaient, ils
corrigent.

II.11. LA PROGRAMMATION PAR CONTRAINTES

Lun des problmes les plus classiques poss aux industriels consiste en la recherche de
lorganisation optimale dun ensemble dobjets ou dentits (hommes, pices, machines, etc.) devant
respecter un certain nombre de contraintes : lordonnancement, la planification, lallocation et la
gestion des ressources Loptimisation se trouve au cur de nombreuses problmatiques
industrielles et organisationnelles.
Contrairement aux systmes experts, il ne sagit pas l dappliquer des rgles de type Si
alors , mais de grer une combinatoire, c'est--dire, parmi un trs grand nombre de cas, de
trouver en un temps limit ceux qui rpondent aux impratifs du problme. On parle alors de
problmes de contraintes ou CSP (Constraint-Satisfaction Problem). En milieu industriel, on peut
rencontrer des problmes qui snoncent, par exemple, sous les formes suivantes : La tche A doit
tre effectue avant la tche B , X hommes doivent tre affects N postes , La dure des
processus A et B ne doit pas excder 2 heures
Les contraintes peuvent snoncer sous la forme dquations mathmatiques. Or les langages
informatiques traditionnels noffrent gure doutils pour rsoudre des quations. Pour une quation
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


62 62
aussi triviale que 2x-1 = 0 , la programmation classique exige, en effet, que lutilisateur mche
le travail , c'est--dire dcompose vritablement la solution du problme sous la forme
dalgorithmes exprims par une suite dinstructions. Aussi prfrait on jusqu prsent traiter
manuellement ce type de problme, soit par ttonnement, soit laide de techniques de recherche
oprationnelle, une branche des mathmatiques base de rsolution dquations et dinquations.
Depuis quelques annes, une nouvelle approche merge pour rsoudre ce type de problmes :
la programmation par contraintes. Si ce nest pas rellement une technique dIntelligence Artificielle
au mme titre que les systmes experts, la programmation par contraintes sy rattache dans la mesure
o ses outils sont dvelopps par des personnes qui ont le savoir-faire de lIntelligence Artificielle.
Elle y est aussi apparente en tant que technique de programmation dclarative. En particulier, elle
combine les techniques de la programmation logique, comme Prolog et celles de la recherche
oprationnelle. Les outils permettant la programmation par contraintes sont des langages de haut
niveau, gnralement drivs des langages de lIA.
Avec un outil de programmation par contraintes, le dveloppeur dcrit, de manire
dclarative, les objets et les contraintes auxquelles doivent satisfaire ces objets. Trouver une solution
consiste dterminer des valeurs pour les champs de ces objets qui respectent ces contraintes. Ds
quune valeur est choisie, les contraintes pralablement dclares dans le programme sont actives
automatiquement pour rduire les valeurs possibles pour les autres contraintes.

Applications de la programmation par contraintes

De nombreux outils de programmation par contraintes sont apparus sur le march tels que :
Prolog III, Charme de Bull qui est appliqu la gestion des trains pour dterminer les horaires
permanents deux trains de se croiser un endroit donn o la voie est ddouble, sur des lignes
voie unique en Malaisie , Chip ( Constraint Handling in Prolog) qui a permis de raliser et
doptimiser le cblage de grands btiments, en prenant en compte les contraintes topologiques,
techniques et conomiques du cbage, llog solver qui a permis de construire loutil Carabe qui est
appliqu laffectation des locomotives aux trains pour la SNCF, Chleo dAxia Recherche ,
Decision Power, Cest grce Charme que sont planifies les missions des escadrons de la
gendarmerie nationale. Ces outils se distinguent par leur origine : les uns sont ns dans la
communaut Prolog, dautres dans celle de Lisp. Ce sont des langages de haut niveau, intgrant des
bibliothques de programmation pour dvelopper des applications comprenant la rsolution de
contraintes.
La programmation par contraintes a encore servi pour dvelopper des applications aussi
diverses que la conception de cls pour des btiments spcifiques, selon le type dusage et
lutilisateur ; loptimisation de chanes robotises, la rsolution de problmes de comptabilit entre
sous systmes lectroniques, loptimisation du stockage de conteneurs pour le terminal portuaire
internationnal de Hongkong.. ;
Outre le gain de temps que permet le programmation par contraintes par rapport la
planification manuelle, cette technique permet de garantir la qualit du rsultat produit.

Exemple de programmation par contraintes

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


63 63
Supposons que nous ayons laborer lemploi de temps des diffrentes classes dun
complexe scolaire, comprenant plusieurs classes de 6
e
, de 5
e
, de 4
e
et de 3
e
, en tenant compte de
contraintes concernant les professeurs, les salles de cours, les horaires, etc.
Le problme snonce en termes de donnes et de contraintes, avec des inconnues. La
rsolution consiste poser des questions de ces inconnues. Le rsultat est fourni par une solution de
ce systme dquations. Dans lexemple suivant, nous avons omis la question des salles, le problme
tant bien assez complexe ainsi. On pourrait ajouter, par exemple, quun salle est affecte chaque
classe, lexception de lducation physique, du dessin et de la technologie..Ou quun professeur est
attach une salle, pour simplifier le problme.

Solution au problme

Donnes :

14 classes ( 6eA, 6eB, 6eC, 6eD, 5eA, 5eB, 5eC, 5Ed, 4eA, 4eB, 4eC, 3eA, 3eB, 3eC)
15 professeurs ( 3 profs de math + 3 profs de franais + 2 profs danglais + 1 prof
dallemand + 1 prof de technologie + 3 profs dducation physique + 1 prof de dessin
+ 1 prof de musique)
8 matires (mathmatiques, franais, anglais, allemand, technologie, ducation physique,
dessin, musique)
5 journes de classe, de 7 heures maximum

Inconnues

Laffectation des diffrentes matires aux diffrentes classes.

Contraintes

Contraintes de bon sens

Un professeur donne un seul cours la fois
Les matires doivent tre rparties quitablement sur la semaine
Lducation physique et la technologie ne peuvent excder 2 heures dans la mle journe
Les heures dducation physique sont si possible, regroupes par deux
Les professeurs sont spcialiss par programmes, donc par classes
Les horaires des professeurs ne sont pas extensibles

Programmes respecter

6
e
: 4h math + 5h franais + 4h anglais + 4h education physique + 2h musique + 2h dessin
5
e
: 5h math + 5h franais + 4h anglais + 4h education physique + 2h musique + 2h dessin
4
e
: 6h math + 6h franais + 3h anglais + 4h allemand + 4h ducation physique + 1h
musique + 1h dessin
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


64 64
3
e
: 6h math + 6h franais + 3h anglais + 4h allemand + 4h ducation physique + 4h
technologie + 1h musique + 1h dessin


II.12. LE RAISONNEMENT BASE SUR LE CAS

Le raisonnement bas sur le cas se prsente comme une alternative aux systmes experts. Les
systmes experts sont utiliss lorsque lon connat le domaine dapplication, c'est--dire lorsquil
existe une thorie, des connaissances ou du moins des rgles. Mais, comment sy prendre dans un
domaine faiblement thoris ?
Souvent, lorsquil sagit dtablir un diagnostic industriel ou mdical, prendre une dcision
dans le domaine financier, ou lorsque lon veut identifier un phnomne ou un objet (reconnaissance
de formes, de risques, etc.), on est amen se poser la question suivante : Ai-je dj vu un
problme semblable et, si oui, quest-ce que jai fait pour le rsoudre ? En droit, par exemple, la
lgislation est souvent si complexe quil est plus simple de se rfrer la jurisprudence. Un nouveau
problme est rsolu en identifiant sa similitude avec un problme pass et en adaptant sa solution
pour rsoudre le nouveau problme. Pour cela, il faut disposer dune base de cas, pouvoir y accder,
llargir et la mettre jour facilement. La solution est fournie par une technique dintelligence
artificielle : le raisonnement bas sur le cas ou CBR (Case Based Reasoning).
Le raisonnement bas sur le cas se rattache lintelligence artificielle dans la mesure o elle
met en uvre des moyens dapprentissage symbolique, de reprsentation des connaissances, de
filtrage et de recherche utilisant des rgles dinfrence. Mais, le CBR se distingue des systmes
experts par laptitude raisonner et obtenir un rsultat, une dcision, mme si lon ne possde pas
de modle thorique du systme en question.

a) Mode de raisonnement du CBR

Contrairement aux systmes experts classiques, qui mettent en uvre principalement le
raisonnement dductif, le mode de raisonnement utilis par le CBR est du type inductif ; la
gnralisation se fait par approximation ou analogie. Ce type de raisonnement est au fond plus
naturel , plus intuitif. Il reproduit trois facults fondamentales de lesprit humain :
mmoriser (structurer et stocker les connaissances), se souvenir (retrouver lexprience passe la
plus proche dune situation nouvelle rsoudre), adapter (modifier le raisonnement et les
conclusions pour traiter une situation nouvelle).
Lintrt de cette technique est quil nest pas ncessaire de programmer. Le CBR peut donc
tre utilis directement par lhomme du mtier, qui sait dcrire les cas, mais na pas besoin de savoir
programmer ni de faire une analyse pousse du systme pour mettre en uvre un systme bas sur le
raisonnement. Il est souhaitable dutiliser cette approche dans les secteurs o lexprience a autant
de valeur que les connaissances thoriques, o il existe beaucoup dexceptions aux rgles gnrales,
o les problmes sont encore mal compris, o les spcialistes Les secteurs de prdilection sont
ceux o lon sait dcrire des cas, comme en mdecine, en droit, en rglementation, mais o lon ne
dispose pas ncessairement dune thorie, de connaissances superficielles ou profondes. Le CBR
sapplique aussi dans le secteur tertiaire, pour tablir des contrats, valuer les risques, rechercher des
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


65 65
configurations optimales ou au contraire dangereuse. Toutes ces informations peuvent tre
retrouves par analogie.

b) Principe du raisonnement bas sur le cas

Le CBR comprend six phases de traitement :

- retrouver dans la mmoire des cas les expriences les mieux adaptes la situation courante ;
- slectionner le(s) cas le(s) plus pertinent (s) partir de lensemble construit ltape
prcdente ;
- tester et critiquer la solution prcdemment labore ;
- valuer les consquences de la solution ;
- modifier la mmoire par intgration de la nouvelle exprience.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


66 66
Schmatiquement :




c) Les diffrents outils de CBR

La base de cas, constitue en quelque sorte la base de connaissances pour du systme. Elle
est constitue dynamiquement, linstar de la mmoire humaine, partir dun exemple de
solutions des cas fournis par lexpert. Un seul essai ne peut pas tre valid ; il faut rechercher
quelques cas similaires. En gnral, quelques dizaines de cas en tout suffisent la plupart du temps
pour constituer la base de cas de dpart dans une application donne ; cette base continue se
construire au fur et mesure.
Nouvelle situation
Classification du problme
Suggestion dun plan de rsolution
Prdiction des consquences
Evaluation des rsultats
Confirment ils les prdictions ?

Raction de
lenvironnement
Expliquer lerreur
Modifier le connaissance
Modification de la connaissance
Expliquer des rsultats
non
oui
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


67 67
Les logiciels de CBR offrent des outils permettant de construire une base de connaissances
par apprentissage partir dexemples, et des mcanismes permettant de trier ces exemples et de
les retrouver partir des cas similaires. Les diffrents produits se distinguent par leur mode de
reprsentation de connaissances, leurs possibilits dapprentissage ou dadaptation, et les
modalits danalyse et de recherche dans la base de cas. ReMind de Cognitive Systems par
exemple, est utilis pour retrouver les incidents dans les centrales nuclaires. ReCall, dISoft,
propose des fonctionnalits particulirement bien adaptes la dtection de pannes, lestimation
financire, lvaluation de risques, le contrle et la surveillance. CBR Express, dInference, est
appliqu notamment la maintenance tlphonique de matriel et logiciel, ainsi qu laide la
vente.
ISoft adopte un langage orient objets pour la reprsentation des connaissances. Lockheed a
mis au point le systme dextraction de donnes, Recon, pour analyser de grandes bases de
donnes, en particulier pour la prdiction des prix, lanalyse et la slection de portefeuille, et
lanalyse de donnes commerciales par socits.
Le CBR est fond sur une forme danalyse de donnes exploratoire et complte ainsi
dautres approches comme lanalyse statistique ou les rseaux de neurones.
Le CBR peut tre associ la logique floue, afin de rsoudre un problme mme lorsque la
base de cas ne comporte pas dexemple exactement identique au cas prsent. La recherche se
fait alors par filtrage flou

d) Apprentissage, tri et rutilisation des cas

Les systmes de CBR fonctionnent en 2 modes :

Mode apprentissage

Durant la phase dapprentissage du systme, les exemples sont mmoriss sous leur forme
explicite dans la base de cas, ce qui permet de fournir des explications par les exemples
retrouvs. Dans ce mode, loprateur dcrit en langue naturelle les problmes rencontrs et les
solutions trouves ; ceux-ci sont alors stocks dans la base de cas. La mise jour se fait tout
aussi facilement.
Les systmes de CBR peuvent tre complts par des outils, notamment de construction de
base de connaissances partir danalyse dexemples fournis par des experts. A partir des cas
fournis initialement au systme, au cours dune phase dapprentissage, le systme Kate,
dAcknosoft, gnre un arbre de dcision ou un ensemble de rgles ; il permet aussi de visualiser,
dexpliquer et de modifier les connaissances apprises. AC2, dISoft, est un logiciel dacquisition
de connaissances intgrant un langage orient objet de reprsentation des connaissances, pouvant
tre utilis en amont du systme ReCall. Une application dveloppe avec de tels produits peut
tre automatiquement mise jour au fur et mesure que de nouveaux cas se prsentent. Ainsi,
lexpertise nouvelle, dveloppe par un spcialiste sur un cas peu courant, sera immdiatement
accessible aux autres spcialistes, qui dvelopperont ainsi une mmoire collective de leurs
expriences.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


68 68
En mode explication

Loprateur consulte le systme : il saisit les donnes relatives aux symptmes du
problme auquel il est confront, et le systme doit trouver automatiquement et quasi
instantanment, partir de sa base de cas, une liste de problmes analogues. La
difficult consiste retrouver lexemple correspondant au cas auquel se trouve
confront lutilisateur. Pour pouvoir prsenter lutilisateur les cas les plus similaires au
cas tudi quil a dcrits, deux problmes se posent : dune part, savoir valuer la
similitude entre le cas tudi et un cas de rfrence potentiellement et, dautre part,
retrouver dans la base les cas de rfrences potentiellement intressants. Plusieurs
stratgies de recherche dans la base de cas sont possibles : une recherche de type
inductive partir dun arbre de classification des cas, une recherche sur la base dun
calcul de proximit, et une recherche base sur des requtes de type base de donnes.
Par dialogue interactif avec le systme, il est possible de cibler plus exactement la
solution au problme rencontr.

e) CBR et rseaux de neurones

Le CBR se rapproche des rseaux de neurones par ses aptitudes au raisonnement inductif et
lapprentissage, mais il ne met nullement en uvre les mthodes de calcul de coefficient (
poids) propres aux rseaux de neurones.

e) Avantages du CBR

Lun des grands avantages de la technique CBR est la facilit de dveloppement : le temps
dingnierie de la connaissance peut tre rduit de 60 70 % avec de tels systmes, par rapport
aux systmes experts classiques. De plus, le traitement dun cas est beaucoup plus rapide ; en
effet, le raisonnement bas sur le cas fournit un raccourci par rapport aux systmes experts
conventionnels, dans la mesure o la solution nest pas entirement reconstruite partir de
nombreuses rgles et autres connaissances, mais plutt drive de cas similaires prcdemment
rencontrs, par adaptation ou lgre modification.


II.13. Remarques
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


69 69

Il existe d'autres applications intgrant des composants tirant partie de techniques
dveloppes en Intelligence Artificielle. Parmi celles-ci on trouve :
- Les appareils commandes floues bass sur la logique floue : nous pouvons citer l'appareil
photos Nikon F90 qui utilise un calculateur numrique, le Canon H800 camescope
commercialis en (1990) qui utilise une mise au point base sur 13 rgles floues, certains
aspirateurs (Mitsubishi, Samsung) rputs pour avoir une consommation nergtique
infrieure d'environ 40%.
- L'industrie automobile qui utilise des composants flous : par exemple General Motors a
quip son modle Saturn d'une transmission floue, Nissan a brevet des systmes flous de
freinage antidrapage, de transmission floue, d'injection de carburant), M. Sugeno de
l'Institut de Technologie de Tokyo a ralis l'un des systmes les plus complexes, un modle
rduit d'hlicoptre dans lequel le gouvernail de profondeur, l'aileron, la commande des gaz
et le palonnier ragissent 13 commandes vocales floues telles que ``monter'', ``atterrir'',
``faire du sur-place'' (cette dernire action tant l'une des plus difficiles pour un pilote
humain).


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


70 70
CHAPITRE III : PRINCIPES DE BASE DE LINTELLIGENCE ARTIFICIELLE

En plus des problmes de mthodologie de conception, la construction dun systme issu de
lintelligence artificielle pose un certain nombre de problmes, il sagit :
- De lacquisition des connaissances cest dire la manire de recueillir le savoir dun expert.
- De la reprsentation des connaissances extraites auprs de lexpert cest dire sa
mmorisation sous forme utilisable dans la base de connaissances.
- Du traitement des connaissances reprsentes dans la base de connaissances cest dire leur
utilisation la rsolution des problmes.
- Du raisonnement

III.1. LAcquisition des connaissances

Cest lune des difficults majeures dans la construction des systmes issus de lintelligence
artificielle. Cette phase correspond la phase dextraction des connaissances.
Si les algorithmes de manipulation de faits et des rgles sont nombreux et connus, la
dtermination de lensemble des faits et des rgles qui vont composer la base de connaissance
est un problme dlicat. Comment dcrire le comportement dun expert face un problme
particulier, et sa manire de le rsoudre, l est la question. car ce que lon souhaite obtenir nest
ni plus ni moins que lexprience, la connaissance pratique de lexpert, et non la thorie que lon
peut trouver dans les livres ni exclusivement les rgles logiques dinfrence. Equivalents des
mthodes danalyse de linformatique traditionnelle, des mthodes dacquisition des
connaissances sont dveloppes. Les problmes essentiels sont :
la communication Expert-Ingenieur- Machine ;
dfinition du vocabulaire ;
le choix de la reprsentation ;
processus dextraction des connaissances est trs lente ;
le type dapproche adopter pour lacquisition des connaissances : lapprentissage
automatique ou dialogue Expert -Machine ou la mise en place dune mthodologie
rigoureuse (common KADS)

Il existe plusieurs modes dacquisition des connaissances :

a. La transmission des connaissances

Cest la phase au cours de laquelle le cogniticien (ou ingnieur de la connaissance) prpare
manuellement une reprsentation des connaissances que lexpert utilise pour rsoudre un problme
spcifique. Cette mthode consiste produire manuellement les rgles qui gouvernent le processus
de dcision partir de lentretien avec lexpert du domaine. Dou le dveloppement dune base de
connaissances est un processus itratif dans lequel les rgles sont produites, elles sont rvises et
commentes par le spcialiste, et mises jour sil y a lieu.
Le cogniticien est une personne qui dispose de certaines techniciens pour exprimer les
connaissances parmi ces techniques nous pouvons citer :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


71 71
- La technique dinterview ou dentretien
- Les techniques de r formulation

b. Le transfert des connaissances

Lide matresse de ce mode dacquisition des connaissances est de se passer du
cogniticien lors de la ralisation du systme

c. Lacquisition automatique des connaissances

Cest une technique dapprentissages dont le but est de dvelopper les outils daide la
conception des bases de connaissances. Ici les principales formes dapprentissages utilises sont :
- Lapprentissage par programmation
- Lapprentissage par analogie

III.2. FORMALISME DE LIA ET REPRESENTATION DES CONNAISSANCES

III.2.1. Le Formalisme de lIA

Les langages de programmation traditionnels sont dits impratifs ou procduraux. Ils peuvent
traduire des oprations telles que lire , crire , additionner , transfrer , comparer ,
etc. Ce sont des instructions correspondant des squences de langage machine. En IA, le problme
se prsente tout autrement, puisquil sagit l de reprsenter des connaissances et de simuler des
raisonnements. Pour rsoudre ces problmes particuliers, il faut des outils et langages particuliers.
Les objectifs de ces outils sont les suivants :
rsoudre les problmes concrets rencontrs par les entreprises,
sadapter au problme rsoudre, grce la dfinition de formalismes de reprsentation des
connaissances, et faciliter lacquisition et la validation des connaissances,
amliorer la communication entre lutilisateur et le systme, grce la dfinition dinterfaces
homme-machine conviviales.

III.2.2. La reprsentation de connaissances

Un langage permet aux humains de communiquer et se dcompose en phrases, la phrase en
mots. Informatiquement parlant, la phrase reprsente un module de connaissances. Mais comment
communiquer lordinateur la signification de ces symboles ? La signification dun concept est, en
gnral, lie sa relation dautres concepts. Ainsi, pour expliquer bleu , musique , nuit ,
nous employons des phrases qui intgrent ces concepts : le ciel est bleu , jcoute de la
musique , les gens dorment la nuit , etc. La reprsentation des connaissances fait donc appel non
seulement des concepts isols (donnes), mais aussi aux liens qui existent entre eux (informations
symboliques).

Cette phase consiste une formalisation des connaissances acquises.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


72 72
Cependant, il se pose les problmes suivants :

quelle smantique et syntaxique retenir pour viter lambigut ? celles qui sont proches
de la reprsentation du langage humain ?
cest dire quel formalisme serait le mieux adapt pour la reprsentation des
connaissances dans le systme expert ? les rgles de production, les programmes
logiques ?
quelles sont les structures appliquer ? les arbres, les rseaux smantique, les objets,
les cadres ?... comment peut on reprsenter lincertitude, les probabilits ?

Il existe deux modes de reprsentation des connaissances :

1. La reprsentation dclarative :

Cest une reprsentation qui ne contient jamais son mode demploi mais qui est facile lire et
modifier.
Comme exemple dune reprsentation dclarative : les rgles de production (utilise la logique
des prdicats)

2. La reprsentation procdurale :

Contrairement une reprsentation dclarative, une reprsentation procdurale explicite son
mode demploi.
N.B : les deux reprsentations sont complmentaires

3. La reprsentation structure :

Cest une forme de reprsentation qui a lavantage de prendre en compte le lieu qui existe
entre les connaissances.
Dune manire gnrale avec une reprsentation structure on obtient une hirarchie des
connaissances.
Parmi les modes de reprsentations structures nous pouvons citer :

3.1. Les rseaux smantiques

Un rseau smantique est un graphe tiquet o les n uds sont les objets (concepts ou
vnements) et les arcs tiquets traduisent les relations entre ces objets. De nombreux systmes sont
issus de cette approche, tel que KL-ONE dont la conception date de 1970. Ce langage est la
frontire entre rseaux smantique et frames. Un rseau exprime une hirarchie et offre une solution
la structuration des donnes . Un n ud peut hriter par subsumption des proprits d'un autre
n ud. Ce concept est prsent dans les langages orients objets.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


73 73
Par exemple : Considrons la proposition Milou est le chien de Tintin (ou Tintin est le
matre de Milou ) ; Milou et Tintin peuvent tre considrs comme des
nuds du rseau smantique, entre lesquels il existe une relation dappartenance et/ou de fidlit.


















Figure1: Exemple dun rseau smantique

Les rseaux smantiques ont t mis en uvre dans le cadre des Systmes Experts, en particulier
dans PROSPECTOR. L'ide d'utiliser ce formalisme est attribu Quillian (1968).
Considrons par exemple une phrase comme Mdor sent Mirza qui peut se reprsenter
comme dans la figure 2 ci - dessous. Cette approche peut tre raffine en considrant que chaque
concept (ici Mdor, Mirza) est reli sa famille d'appartenance par un lien est_un donnant lieu
la reprsentation de la figure 3 ci - dessous . Cette approche peut encore une fois tre amliore en
introduisant des liens entre concepts par le biais de la relation sorte_de. Dans ce cadre une phrase
telle que Mdor est un basset qui est un chien se reprsente comme dans la
figure 4. Dans ce cadre, les proprits peuvent se transmettre des concepts les plus levs (dans la
hirarchie) vers les fils (au sens de la relation sorte_de). Malheureusement, on peut constater le
manque de standardisation du formalisme et le risque d'associations abusives en suivant les
chanages induits par le rseau.


est un
est un
est un est un
Mammifre
Homme
Chien
Homme
Milou
Est lami de
est le matre de
Appartient
Obit
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


74 74




Figure2: Mdor envoie Mirza





Figure 3: Relation est_un








Figure 4 : Relation sorte_de
Il est certain qu'un accroissement de la complexit du formalisme augmente sa puissance
d'expressions et de raisonnement, cependant il est ncessaire, comme dans toute application
informatique, de faire un compromis entre complexit des structures de donnes et complexit des
algorithmes utiliss pour leur exploitation.
est_un est
Medor
Mirza
envoie
Chien Chienne
Medor Mirza
envoie
Chien
Basset
Medor
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


75 75

Bref, dans un rseau smantique, les connaissances sont composes des nuds et des arcs o les
nuds reprsentent les lments de la connaissance et les arcs reprsentent les relations entre les
nuds.
La plupart des modes de reprsentation, lexception des propositions, prdicats et rgles de
production, peuvent tre considrs comme des extensions des rseaux smantiques ( objets
structurs, schmas, scripts, acteurs et autres frames).
Il se pose avec cette mode de reprsentation des connaissances un problme de mise jour.

3.2 Les schmas (ou frames)

M. Minsky (1975) a introduit cette approche dans le cadre de la vision par ordinateur. Ce
travail est directement inspir des travaux mens en psychologie cognitive sur la mmoire chez
l'homme (F. C. Bartlett 1932) et visant proposer un modle de reprsentation d'expriences passes
pour rsoudre un problme nouveau. R. Schank (1977) s'est inspir de ces travaux pour la
comprhension des langues naturelles. Depuis, cette approche a t englobe dans les langages
orients objets (voir ce propos le livre de G. Masini ). Un frame est une structure de donnes qui
reprsente un objet typique ou une situation strotype, c'est en fait un rseau hirarchis de n uds
et de relations. On peut retenir parmi les proprits essentielles des frames, l'existence de valeur par
dfaut pour un attribut (slot), permettant la notion de raisonnement rvisable ; de contraintes que
doivent satisfaire les attributs et qui sont propages au cours du raisonnement ; de procdure
(mthode) qui se dclenche lorsque la valeur d'un attribut est requise. Comme dans un rseau
smantique, un mcanisme d'hritage est mis en uvre.

Les schmas ou frames constituent une forme de reprsentation qui associe deux concepts :
les rgles et les rseaux smantiques. Ici les objets sont reprsents par classe et se dcoupent par
leurs proprits. Chaque objet possde des attributs ou proprits qui permettent de le reconnatre.

Exemple :

Oiseau
Attributs Valeurs
Vole
uf
Plumes
Oui / Non
OUI
OUI



Autriche
Attributs Valeur
Vole
ufs
Plumes
Non
Oui
Noir / Blanc
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


76 76

3.3. La reprsentation sous forme dobjets structurs

Cette forme de reprsentation par les objets ressemble celle des schmas, la seule diffrence que
la communication dans la reprsentation par les objets se fait par messages. Elle permet de traduire
diffrents types de connaissances, au sens le plus large du terme. Elle sapplique aux relations
intrinsques des objets entre eux. Ainsi, les objets ne sappliquent pas seulement au formalisme de
lIA, mais galement linformatique en gnral.
Un objet (ou objets structur), au sens informatique, est un ensemble de variables et dexpressions,
auquel sont associs les procdures dcrivant comment ces variables et expressions doivent tre
manipules.
Un objet, un tre ou une entit du monde rel peuvent tre reprsents par un objet au sens
informatique. Par exemple Tintin et Milou peuvent tre considrs comme des objets. Les
proprits dun objet sont dcrites par un ensemble dattributs. Chaque attribut est caractris par
une valeur et un ensemble de descripteurs et de marqueurs, ayant pour rle de prciser certaines
caractristiques de lattribut.
Ce formalisme permet notamment dexprimer la relation dappartenance dun objet une classe.
Une classe rassemble des objets analogues dun certain point de vue. Elle est dfinie par un nom et
un ensemble dattributs caractriss par des marqueurs, les descripteurs tant propres chaque objet
de la classe. Par exemple, Milou appartient la classe des chiens , qui est une sous-classe des
mammifres, laquelle, son tour, appartient la classe des animaux (voir la figure suivante).




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


77 77


















3.4. Les scripts

Cest une forme de reprsentation o tous les attributs dun objet sont associs des informations sur
des valeurs quils peuvent prendre ventuellement.

4. La reprsentation logique

L'Univers du Discours est reprsent par un ensemble de formules logiques, les rgles sont le
modus ponens qui peut s'exprimer par (((pq)p)q), et le modus tollens qui s'exprime en logique
par (((pq)q) p).
Pour que le raisonnement puisse s'effectuer, il est ncessaire de prciser l'Univers du Discours,
ce qui signifie que tout ce qui n'est pas connu comme tant vrai et, ipso facto, considr comme faux
(hypothse dite du monde clos, qui est mise en uvre dans un langage comme PROLOG
Ainsi le langage PROLOG fournit un mode de reprsentation et des mcanismes de
raisonnement totalement intgrs.
5. La logique des propositions
Ce mode de reprsentation de connaissances, fournit un moyen naturel de reprsenter les
connaissances de faon dclarative, partir de formules bien formes, par exemple : Pierre a
une auto . Une proposition peut tre VRAIE ou FAUSSE. Cette logique dordre 0 nadmet pas
de variables.

Mammifre
Chien
Homme
Cheval
Milou Mdor Brutus
Rantanplan
Classe
Sous- classe
Objet
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


78 78
6. Le calcul des prdicats
Le calcul des prdicats, est une extension de la logique des propositions. Elle prend en compte
les variables et les quantificateurs ( il existe , tous les ). Cest une logique dordre 1.
Par exemple, dans lexpression Tous les hommes sont mortels , homme et mortel sont
des prdicats.

7. Les rgles de production

la suite de l'mergence des Systmes Experts, les rgles de production ont acquis leur lettre de
noblesse (en particulier grce MYCIN). Les rgles de production peuvent traduire une relation, une
information smantique ou une action conditionnelle.

Une rgle de production, dune manire gnrale est de la forme :

Si partie-si Alors partie-alors ( ).
La ``partie-si'' est une formule logique qui doit tre vrifie pour que la rgle soit dclenche. Cest
la condition dapplicabilit de la rgle, qui peut tre une conjonction de propositions logiques, de
prdicats ou de relations. La ``partie-alors'' est la consquence ou la conclusion, elle peut
correspondre un fait (ajout ou retrait) ou une hypothse mise par le systme, au dclenchement
d'une autre rgle. Elle peut tre une action effectuer ou une autre proposition logique, laquelle peut,
sont tour, se trouver tre la prmisse dune autre rgle. est un coefficient traduisant l'incertitude
associe la rgle ; suivant le domaine dans lequel on travaille on parle de coefficient de
vraisemblance, de facteur de plausibilit ou de certitude, de degr de vrit.
Le noyau des systmes base de connaissances reposant sur des rgles de production comprend
trois parties :
1. une base de rgles (connaissance permanente),
2. un moteur d'infrences (mcanisme de raisonnement) qui peut tre de diffrentes natures,
3. une base de faits (mmoire de travail, connaissance temporaire)
En plus, de tels systmes se doivent d'intgrer une interface Homme/Machine performante. Nous
n'en dirons pas plus pour l'instant, ces concepts seront approfondis dans les chapitres qui suivent.
On peut cependant noter qu'il existe des diffrences notables entre rgle de production (Si p alors
q) et formule logique (p q). D'une part, la relation de causalit n'est pas ncessaire dans le cas de
formules logiques et d'autre part l'adjonction du coefficient de vraisemblance dans le cadre des
rgles de productions.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


79 79
Pour conclure ce paragraphe, on peut noter que de tels systmes pchent par une faible capacit
organiser les connaissances, c'est pourquoi on les couple (dans le cas de systmes industriels) avec
des systmes de frames.
Conclusion

Il existe de nombreuses possibilits de reprsenter des connaissances, mais hlas aucune n'est
la panace universelle. Toutes ont des avantages et des inconvnients qu'il est ncessaire d'apprcier
en fonction de l'application souhaite. Cependant, certaines reprsentations peuvent tre couples.
En dfinitive, le choix final reposera sur le degr de compromis souhait entre efficacit (puissance
de raisonnement, puissance d'expression et de reprsentation) et clart.

III.3. LE RAISONNEMENT

Le raisonnement est une activit intentionnelle la diffrence d'autres telles que la
perception. On considre le raisonnement comme une activit labore pouvant se dfinir comme
un enchanement d'noncs conduit en fonction d'un but qui peut suivant le cas tre de dmontrer,
justifier ou expliquer.
Le raisonnement est souvent considr sous plusieurs angles tels que :
le raisonnement formel, bas sur la manipulation syntaxique d'noncs symboliques l'aide
de rgles. Une telle approche se trouve dans le raisonnement logique. La logique constitue
une langue, i.e. un systme de symboles et de variables lis par des oprateurs qui
dterminent la structure interne des propositions et les relations entre ces diffrentes
propositions. La logique classique intgre, gnralement deux parties, d'une part la logique
propositionnelle (parfois aussi appel ``calcul des noncs'') dont la brique de base est la
proposition reprsentant soit un vnement soit un fait, elle tudie toutes les associations
possibles ; d'autre part la logique des prdicats, dont l'lment fondamental est la relation et
les termes internes aux propositions. La logique mathmatique est quant elle dfinie comme
: une thorie scientifique des raisonnements excluant les processus psychologiques mis en
uvre et qui se divise en calcul des propositions et calcul des prdicats. La logique remonte
Aristote (IV
e
sicle avant JC) qui posa les bases du syllogisme que les philosophes
scholastiques formalisrent au Moyen-ge. C'est au XIX
e
sicle avec Bolzano, Boole et de
Morgan que la logique devient mathmatique. Frege (1848-1925) est le fondateur de la
logique formelle, thorise par Russel (1872-1970) et Wittgenstein (1889-1951).
le raisonnement par analogie, qui est trs courant chez l'homme mais qui est mal dfini (et
donc dlicat mettre en uvre).
le raisonnement par abstraction et gnralisation est rpandu chez l'homme mais mal dfini,
ce type de raisonnement, dans le cadre de simulation sur machine peut tre mis en uvre par
le biais d'hritage, et est en relation avec la classification.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


80 80
Pour que le raisonnement puisse s'effectuer, il est ncessaire de prciser l'Univers du Discours,
ce qui signifie que tout ce qui n'est pas connu comme tant vrai et, ipso facto, considr comme faux
(hypothse dite du monde clos, qui est mise en uvre dans un langage comme PROLOG ). Pour
mcaniser le raisonnement il faut :
1. Une structure de donnes. Plusieurs approches sont possibles : les reprsentations logiques,
rseaux smantiques, rgles de production et frames.
2. Une ou plusieurs procdures d'exploration.
3. Une reprsentation claire (tre capable de faire correspondre un lment de l'Univers du
Discours, une reprsentation), puissante et suffisante.
4. Une simulation efficace en temps et en espace.
On pourra aussi se reporter l'article de S. Pinson sur la reprsentation des connaissances dans les
systmes experts, ou au livre de A. Bonnet pour une vue plus gnrale.

III.4. MODULES DE BASE DANS LARCHITECTURE DES SYSTEMES ISSUS DE
LINTELLIGENCE ARTIFICIELLE

III.4.1. La Base de Connaissances (BC)

Elle est constitue de la base des faits (B.F) et de la base des rgles (B.R). Les faits sont des
connaissances assertionnelles et les rgles sont des connaissances opratoires.

III.4.2. Le Moteur dInfrence (MI)

Le programme pour exploiter la Base de Connaissances. On lappelle aussi Inference engine,
systme de rsolution de problmes, etc.

III.4.3. Le Module dAcquisition des Connaissances (MAC)

Il permet dincorporer des nouvelles connaissances au sein de la Base de connaissances, dune
manire cohrente et non redondante.

III.4.4. Le Module Explicatif (M.E)

Il permet de retracer le raisonnement qui a conduit la rsolution du problme

III.4.5. Linterface utilisateur

Cest le moyen de communication entre lutilisateur et le systme. Il peut tre sous forme de menu,
de question-rponse, en langage naturel, etc.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


81 81
Schmatiquement, nous avons :




Il existe aussi des interfaces avec des applications externes telles que les capteurs, les bases de
donnes, les robots, les actionneurs.
USER
INTERFACE
ME MAC
MI BC
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


82 82

CHAP IV : DES BASES DE DONNEES VERS LES BASES DE
CONNAISSANCES


IV.1. INTRODUCTION

Le dveloppement et lexploitation dune base de donnes ncessitent le choix dun SGBD. Ce
SGBD est un ensemble de logiciels qui fournit un environnement pour dfinir, contrler, mmoriser
et traiter lensemble de donnes, tout en assurant la scurit, la confidentialit et lintgrit de la
base de donnes.
Une bonne partie des SGBD actuelles est fonde sur le modle relationnel de donnes dont les
principes de base sont les suivants :
- La reprsentation des donnes sous forme de tables cest - dire des relations au sens
mathmatique.
- La manipulation des donnes laide doprateurs appliqus aux tables pour fournir dautres
tables dans le cadre dune algbre relationnelle.

En vue damliorer leurs performances, les SGBD font lobjet de plusieurs tudes, lesuqelles se
focalisent sur deux axes :
- Dvelopper le pouvoir expressif des modles de donnes.
- Introduire des capacits de raisonnement dans les SGBD conventionnels
La problmatique des bases de donnes dductives est lie directement au deuxime axe. En
effet, lide gnrale de cette problmatique consiste enrichir lensemble des axiomes constituant
le SGBD des rgles logiques qui permettent deffectuer des infrences simples partir des donnes
stockes dans la base, et dobtenir ainsi ce que lon appelle une base de donne dductive. Par
exemple : Si nous considrons une base de donnes qui contient les noms des personnes et leurs
liens de parent (relation parent - enfant). Nous pouvons partir de cette base de donnes et dune
rgle simple concevoir, extraire toutes les personnes qui sont des grands parents. Cette opration
ncessite donc un raisonnement et nest pas possible pour une base de donnes simple.

Cest ainsi que lobjectif de ce chapitre est dassurer une transition continue entre un systme
de type base de donnes relationnelle vers un systme de type base de donnes dductive cest
dire :

1. Augmenter le systme de type de base de donnes relationnel des capacit dductives
tout en
conservant le pouvoir dexpression du schmas conceptuel et en admettant les fonctionnalits
du SGBD.
2. Etendre les capacits de manipulation conceptuelle du schma relationnel.



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


83 83
IV.2. LAPPROCHE LOGIQUE DUNE BASE DE DONNEES RELATIONNELLE

Lapproche logique dune base de donnes relationnelle concerne 3 points essentiels :
- La caractristique logique des modles de donnes cest dire lapproche formelle avec
une contrepartie smantique.
- Lapproche rigoureuse des nombreux problmes en rapport avec le langage dinterrogation
de donnes, le traitement des contraintes dintgrit, loptimisation des interrogation ou des
requtes, les dpendances des donnes, le traitement des valeurs nuls, les informations
incompltes.
- La construction de lappareillage dductif cest dire les rgles de gestion dans le but de
coupler la base de donne un systme de raisonnement.
-
Lapproche logique dune base de donne relationnelle consiste donc en ce quune base de
donne ne puisse conserver des informations sous deux aspects cest dire laspect de sa
signification (aspect smantique) et laspect de sa structure ou sa forme (aspect syntaxique).
Laspect smantique est mieux abord par la thorie des modles qui considre une base de
donne comme une interprtation des langages du premier ordre. Par contre la thorie de la preuve
traite la question de laspect syntaxique. En effet, elle considre une base de donne comme une
thorie du premier ordre cest dire un ensemble daxiomes (les faits et les contraintes). A ces
deux thories, on associe un ensemble daxiomes de particularisation qui concerne lvaluation des
questions sur la base de donnes.
En bref, on peut dfinir une base de donne comme tant un ensemble :
- Daxiomes de particularisation (axiomes douverture du domaine, axiomes dunicit du nom,
axiomes de compltion, axiomes dgalit)
- D assertions et de contraintes dintgrit.

IV.3. VERS LES BASES DE DONNEES DEDUCTIVES

IV.3.1. DEFINITION

Une base de donne est dite dductive si et seulement si :
- elle est dabord une base de donne relationnelle
- On y a introduit une nouvelle classe daxiomes appele lois dductives.
Il existe deux sortes de base de donnes dductives :
- Base de donnes dductives dfinie
- Base de donnes dductives indfinie

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


84 84

IV.3.2. NOUVELLES FONCTIONNALITES DES SGBD

IV.3.2.1.Fonctionnalits dun SGBD conventionnel

- La reprsentation des donnes (informations) : les informations sont reprsentes sous forme
de schmas ou instances au niveau conceptuel et sous forme de fichiers ou enregistrements
au niveau physique.
- La manipulation des donnes : elle se fait au moyen des oprations lmentaires cest -
dire oprations dajout, de suppression, de mise jour et dinterrogation. Elle se fait
galement au moyen des oprations plus complexes en utilisant des programmes
dapplication.
- Le contrle des informations et lintgrit smantique : ces deux oprations sont ralises au
moyen des programmes dapplication.

IV.3.2.2. Nouvelles fonctionnalits du SGBD

Les nouvelles fonctions du SGBD sont les suivantes :
- Intgrer au sein des fonctionnalits classiques prcites des nouveaux services propres un
systme devant prsenter des capacits de raisonnement cest dire des capacits
dductives. Il sagit par exemple de problmes de loptimisation squentielle des requtes,
de la gestion des donnes dynamiques, de la mise en uvre automatique des processus de
gnration, de potentialits du type TMS (Truth Maintenance Systme), de lintgrit
smantique de drivation, etc.
- Augmenter le pouvoir dexpression du schma conceptuel.


IV.4. ASPECT REALISATION

La vritable transition des bases de donnes vers les bases de donnes dductives t rendu
possible grce au langage de programmation en logique appel prolog ( programming in logic) au
moyen dun systme dductif utilisant le moteur dinfrence logique.

Avec le prolog, on peut facilement faire les oprations suivantes :
- Dfinir et manipuler un schma conceptuel : ici prolog permet de dfinir lavance la
structure selon laquelle les informations qui sont propres cette application devront tre
reprsentes mais il ne vous assure pas de la cohrence des informations.
- Exprimer et vrifier les contraintes dintgrit : ce niveau, le prolog offre des mcanismes
de vrification efficace, les contraintes dintgrit et les mcanismes qui permettent de les
exprimer.
- Un accs efficace un large ensemble des faits qui sont stockes en mmoire secondaire : le
prolog permet de reprsenter des faits en mmoire secondaire suivant des structures
appropries et de fournir des mcanismes daccs appropris.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


85 85
IV.5. NOTA

Pour tendre un systme de gestion de base de donne conventionnelle avec un composant
dductif de sorte que le systme rsultant puisse tre accd par un utilisateur standard de
manire analogue un systme conventionnel, il faut :
- Fournir des langages assez simples pour la dfinition et la manipulation des informations
dduites
- Masquer lutilisateur tous les problmes lies lintroduction dun processus dductif en
prsence daxiomes rcursifs,
- Le langage prolog doit tre utilis comme langage hte du langage dinterrogation du SGBD
pour crire des programmes prolog incluant des requtes sur la base de donnes.

IV.6. REMARQUES

Il existe une diffrence fondamentale entre une base de donnes et une base de connaissances :
- Une base de donnes est destine stocker un ensemble dinformations que le SGBD est
capable de retrouve de faon statique.
- Tandis quune base de connaissances est destine tre exploit par un mcanisme de
raisonnement (tel quun moteur dinfrence associ des rgles de production) capable de dcouvrir
dynamiquement des nouvelles informations partir des connaissances disponibles dans la base.

Les bases de donnes servent essentiellement dcrire la structure dune entreprise ou dune
organisation en gnral. Ces donnes organises permettent par exemple dans le domaine de la
gestion des stocks connatre ltat des stocks, ltat des commandes en cours, elles peuvent aussi
permettre de connatre ltat de la compatibilit ou de la situation du personnel, etc.
Les Systmes Experts par contre peuvent tre utiliss pour prendre des dcisions ou bien pour
aider prendre des dcisions.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


86 86

CHAPITRE V. LA ROBOTIQUE

Cest un domaine de lintelligence artificielle qui consiste mettre en place ou dvelopper
des robots qui sont capables de manipuler des objets et ragir des modifications de
lenvironnement. Autrement dit, on dfinit la robotique comme tant un ensemble de techniques
permettant la conception et la mise en uvre des dispositifs (dispositifs) destins substituer
lhomme dans ses fonctions motrices, sensorielles et intellectuelles. Ces dispositifs peuvent tre
programms pour raliser des actions bien dtermines ou pour agir par apprentissage.

V.1. Historique du robot

Les situations conomiques actuelles dans les pays industrialiss, notamment la crise qui a suivi
lechoc ptrolier des annes 70 et lmergence de nouveaux pays industrialiss, dune part, et les
progrs raliss dans llectronique, informatique, automatique et mcanique, dune part, ont permis
de construire des robots et dautres systmes mcatroniques performants et fiables, conduisant
une comptition industrielle trs vive. Cela ne laisse survivre que les industries capables de produire
faible cot ou de fournir rapidement des produits nouveaux et/ou de qualit suprieure et garantie.
Ces exigences ont conduit au dveloppement dune automatisation flexible impliquant
limplantation de robots dans de nombreuses branches dactivits. Cest lapparition des robots et
leur association dautres machines automatiques dinspiration classique (par exemple, des
machines-outils commande numrique) qui permettent dautomatiser ou dessayer dautomatiser
des oprations considres jusquici comme non automatisables.
La plus ancienne trace littraire se trouve dans le livre XVIII de l'Iliade, dans lequel on peut lire
`` Alors ...il sortit en clopinant, appuy sur un bton pais et soutenu par deux jeunes filles. Ces
dernires taient faites en or l'exacte ressemblance de filles vivantes ; elles taient doues de
raison, elles pouvaient parler et faire usage de leurs muscles, filer et accomplir les besognes de leur
tat ...''.
Avant les robots taient les automates. C'est un barbier grec du III sicle avant J.C. qui
construisit le premier automate. Inventeur de l'orgue hydraulique, il est le premier raliser des
oiseaux siffleurs et autres figurines se dplaant sous l'action de l'eau. Plus tard Philon d'Alexandrie
mis en pratique les dcouvertes d'Archimde , et construisit des automates pondraux, hydrauliques
et pneumatiques. Ceux-ci sont ms par coulement de fluide et chute de poids. Ils n'effectuent qu'un
nombre limit d'actions, mais bougent sans que les mcanismes responsables soient visibles.
C'est au I sicle avant notre re qu'apparaissent les automates avec rupture de squence -- une
chevillette dloge par la chute d'un poids provoquait le changement de comportement -- qui taient
plus ``vivants''. Pendant le moyen-ge, les automates voluent avec l'apparition de l'horlogerie.
L'poque des automates modernes commence avec Descartes (1630).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


87 87
La Pascaline (1645) fait des additions et des soustractions, la machine de Leibnitz (1646-1716)
multiplie. Ces deux engins introduisent l'emploi des registres intermdiaires et font des reports
automatiques de retenues.
En 1738, Vaucanson ralise un joueur de flte, androde assis excutant rigoureusement les
mmes actions qu'un vritable fltiste. L'air actionnant l'instrument sort de la bouche de l'automate,
les lvres modulent l'air et les doigts obturent librement les trous ad-hoc. En 1860, Farcot invente le
servo-moteur.
Le robot a fait son apparition (en tant que tel) dans les ateliers des annes (19)50. Il s'agissait de
machine outils commandes par des bandes de papier perfores, le mot robot trouve son origine dans
une (mauvaise) traduction d'une uvre de K. Capeck (R.U.R. 1920) et est tir d'un mot tchque
signifiant travailleur, son titre de noblesse lui fut donn par Isaac Asimov et ses clbres lois de la
robotique :
1. Un robot ne peut porter atteinte un tre humain ni, restant passif, laisser cet tre humain
expos au danger.
2. Un robot doit obir aux ordres donns par les tres humains, sauf si de tels ordres sont en
contradiction avec la premire loi.
3. Un robot doit protger son existence dans la mesure ou cette protection n'est pas en
contradiction avec la premire ou la deuxime loi.
Le premier robot usage industriel apparat en 1962, et en France aux alentours des annes 1970
(usine Renault). Avant de voir ce dont ils sont maintenant capable, faisons un saut dans le pass.
En rsum, si la robotique est plus au moins un ensemble des disciplines et des techniques dj
connues et sur lesquelles la recherche est active. Cest pour deux raisons :
- Le dsir des industriels dautomatiser leurs units de production
- Le dveloppement de linformation et son couplage la mcanique
Ce domaine fait appel aux autres domaines tel que le domaine de la reconnaissance de la parole pour
former la robotique et smantique et celui de la reconnaissance des formes pour former la robotique
et visionique.

V.2. Dfinitions du mot Robot .

Il est vrai que le terme de robot est emprunt de la science-fiction. Il trouve en effet son
origine dans une pice de lauteur tchque Capek, crite en 1923, intitule Les robots universels de
Rossum. Le mot robot ou robota est le mot tchque, et aussi russe, pour dsigner le travail ou
un travailleur.




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


88 88
V.2.1. Dfinition 1

La premire dfinition officielle de robot date de 1978, elle est due aux japonais ``un robot
est une machine polyvalente, capable d'agir sur son environnement, et adaptable un environnement
changeant''.

V.2.2. Dfinition 2

Un robot est un dispositif destin effectuer des travaux en se substituant lhomme.
La plupart des robots actuels sont forms dun manipulateur (un bras articul termin par une pince)
et dun systme de commande (gnralement base du microprocesseur). Ils sont quelque fois dots
dune certaine mobilit (par exemple on peut les monter sur des roues).

Dune manire gnrale, actuellement, un robot est un matriel artificiel qui est contrl par un
ordinateur et qui ralise tout le service pouvant tre excut par un ouvrier humain et remplissant des
tches complexes ( compliques, difficiles).
V.3. Catgories des robots
Les robots sont classs en 6 catgories :
1. Robots manipulateurs (RM), commandes manuelles (aucune autonomie),
2. RM squences fixes
3. RM squences variables, compatibles avec plusieurs hypothses de travail,
4. Robots programmables par apprentissage, dots d'une mmoire contenant plusieurs
squences,
5. Robots commandes numriques, dpendance vis--vis de l'informatique,
6. Robots avec capteurs sensoriels.
Ces catgories sont vues soit, comme des prolongements de notre systme musculaire, soit
comme une extension de notre systme nerveux.
Toutes ces catgories consomment de l'information, mais l'automate est programm de faon
squentielle alors que le robot est capable d'accomplir plusieurs fonctions et de les raliser de
manire autonome.
La cyberntique, science qui s'occupe des robots, tente de reproduire les fonctions humaines
comme l'intelligence, l'apprentissage et l'adaptation.

Seuls les robots appartenant la dernire catgorie sont considrs comme pouvant avoir un
comportement intelligent, cette nouvelle gnration (productique) peut communiquer avec l'homme.
Ces robots peuvent se dplacer, sont capables de dtecter leur dfaillances et de les signaler (si ce
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


89 89
n'est d'y remdier). La robotique fait partie du milieu industriel, il existe mme au Japon une usine
de robots construisant des robots (et a marche ...).

V.4. Gnrations des robots

On distingue gnralement 3 gnrations des robots :

a. 1
re
gnration : les robots apprentissage
Ils sont capables de mmoriser les mouvements qui leurs ont t imprims et les
reproduire fidlement

b. 2
me
gnration : les robots programms
Ce sont des robots qui effectuent des mouvements commands par leur ordinateur de
commende.
c. 3
me
gnration : les robots auto - adaptifs
Ce sont des robots qui peuvent prendre en compte leur environnement grce des
capteurs dans proximit des retours defforts, voir lutilisation des camras de tlvision.

V.5. Domaines de la Robotique

Trois grands domaines dapplication des robots peuvent tre considrs. Les problmes
rsoudre lintrieur de chacun de ces domaines ont une certaine ressemblance, mais ils peuvent tre
assez diffrents dun domaine lautre.

V.5.1.Domaine de la Production

Cest dans le domaine de la production que leffort est port le plus particulirement par
les industriels, qui voient de nombreux avantages lutilisation des robots, notamment une
diminution de la main duvre et un accroissement de la productivit. En fait, lassociation de
robots entre eux et avec dautres machines amne deux avantages fondamentaux par rapport aux
modes de production traditionnels :


1. la flexibilit, cest--dire la rapidit de reconfiguration de lunit de production quand on passe de
la fabrication dun produit celle dun produit voisin (exemple : fabriquer des modles diffrents de
voitures sur la mme chane) ou bien quand un incident immobilise une machine de lunit de
production Ces units de production reconfigurables ou adaptatives sont qualifies de flexibles (en
anglais flexible manufacturing system).
On parle de :

atelier flexible lorsquon associe plusieurs cellules flexibles ou bien un nombre assez
important de machines et robots ;
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


90 90
cellule flexible lorsquun petit nombre de robots et de machines sont associs (exemple : un
tour et un robot de chargement de ce tour)

2. lautomatisation quasi intgrale de la production qui peut saccompagner :

dune meilleure adaptation de la quantit produite la demande ;
dune plus grande fiabilit dans le maintien de cette qualit ;
dune meilleure qualit du produit fini ;

V.5.2. Domaine de lAssistance individuelle

Ce domaine consiste mettre au point des robots forme plus ou moins humaine, qui
remplacent lhomme ou lassistent dans les tches ennuyeuses, fatigantes ou dangereuses. Ces robots
restent encore du domaine de la science-fiction et, actuellement on peut tout au plus envisager des
machines du genre robot de mnage qui nettoient les sols par exemple (en vitant les obstacles,
personnes, murs, meubles, ...). Lautonomie de ces robots est encore trs limite, leur cot plutt
exorbitant et leur intrt trs rduit.

Il y a cependant un domaine o la robotique dassistance individuelle tend se dvelopper,
cest celui de la robotique mdicale permettant damliorer les conditions de vie des personnes
handicapes, paralyses ou amputes. La robotique recouvre alors le domaine des :

orthses, structures rigides motorises que lon met autour dun membre paralys et qui
entranent ce dernier dans leurs mouvements ;
tl thses, destines aux personnes paralyses des quatre membres (ttraplgiques) ce sont des
robots que la personne handicape commande distance (en tl opration) partir des zones de
motricit volontaire quil a pu conserver (par exemple : la langue, la bouche, les muscles des
yeux, etc.) ;
prothses (mains et jambes artificielles par exemple) ;


V.5.3.Domaine de lexploration

Il sagit dun problme diffrent. On veut excuter des oprations dans un lieu :

1. daccs difficile : exploitation forestire, construction, maintenance, rparations ou nettoyage des
btiments, lignes lectriques, ...

2. dans un milieu hostile ou dangereux pour lhomme :
le milieu spatial ;
les sites des catastrophes ou daccidents, survenus ou potentiels : incendies, agressions
terroristes, ...
le milieu sous-marin
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


91 91
les thtres doprations militaires
le milieu irradi des centrales nuclaires
.
La robotique envisage deux types de solution pour ces interventions :

1. le robot autonome, envoy dans le milieu hostile avec une mission bien dfinie, programme
lavance, avec toutefois certaines liberts dinitiative ; actuellement, on sait raliser des robots dous
dune certaine autonomie, mais le travail quon peut leur confier doit rester dune grande simplicit
et ne doit surtout pas exiger que le robot ait apprhender et comprendre seul tout son
environnement. Cest pourquoi la solution qui est encore aujourdhui la plus oprationnelle, quoique
restant grandement amliorer, est celle de :

2. la tl - opration (appele aussi tl - prsence), qui consiste envoyer un engin (un robot quon
appelle machine - esclave) dans ce milieu hostile et pouvoir contrler et commander cette machine
distance, partir dun poste appel poste - matre aux commandes duquel se trouve un homme
(loprateur). Cest donc lhomme qui effectue toutes les tches de rflexion et de dclenchement
des mouvements de lesclave. Cela ncessite bien sr le renvoi vers le matre de ce qui se passe dans
lunivers de lesclave. Ce qui est le plus utile, cest de voir (prsence de camras), mais il importe
aussi de sentir les efforts qui sexercent sur lesclave. On doit donc avoir des systmes de vision et
des systmes retour deffort.

V. 6.Classification des robots

On peut classer les robots dun point de vue fonctionnel ou daprs leur structure gomtrique.

V.6.1.Classification fonctionnelle

Le nombre de classe et les distinctions entre celles-ci varient de pays pays (6 classes au Japon,4 en
France). LA.F.R.I.(Association Franaise de la Robotique Industrielle) distingue 4 classes illustres
ci-dessous :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


92 92

V.6.1.1. Robots commande manuelle ou tlcommande.




V.6.1.2. Robots manipulateurs automatiques cycles prrgls

(le rglage se fait mcaniquement par cames, butes, la commande peut se faire par
automate programmable) ; on peut distinguer entre manipulateurs cycle fixe et manipulateurs
cycle programmable.





Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


93 93
V.6.1.3. Robots programmables

Cest la premire gnration de robots industriels ; ils rptent les mouvements quon leur
a appris ou programms, sans informations sur lenvironnement ou la tche effectue. On peut aussi
faire la distinction entre robots play-back qui reproduisent la tche apprise et robots commande
numrique qui peuvent tre programms hors-ligne. Pour de nombreux robots, lapprentissage de la
tche se fait laide dun syntaxeur (boite boutons, teach pendant) qui permet un oprateur
damener le robot en un certain nombre de points, qui sont ensuite mmoriss ; lors de lexcution de
la tche, le robot suivra une trajectoire passant successivement par tous les points programms, le
passage dun point au suivant se faisant suivant un profil de vitesse en fonction du temps qui est
prdfini (triangulaire ou trapzodal), loprateur nayant qu choisir la fraction de la vitesse
maximum laquelle il souhaite que le robot effectue la tche.

Pour certains robots, par exemple les robots de peinture, qui doivent suivre une trajectoire
complexe quil est difficile dexprimer mathmatiquement, un oprateur humain spcialiste de la
tche effectue la trajectoire en guidant le bras du robot laide dun pantin, et lentiret de la
trajectoire est mmorise par le robot.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


94 94
V.6.1.4. Robots intelligents.

On trouve actuellement des robots de seconde gnration qui sont capables dacqurir et
dutiliser certaines informations sur leur environnement (systmes de
vision, dtecteurs de proximit, capteurs defforts, ...). On tudie des robots de troisime gnration,
capables de comprendre un langage oral proche du langage naturel et de se dbrouiller de faon
autonome dans un environnement complexe, grce lutilisation de lintelligence artificielle.




V.6.2. Classification gomtrique

On peut aussi classer les robots suivant leur configuration gomtrique, autrement dit
larchitecture de leur porteur. Les 3 premiers ddm dun robot peuvent tre raliss avec un grand
nombre de combinaisons de translations (max. 3T) et de rotations (max. 3R), autrement dit par des
articulations prismatiques (P) ou rotodes (R) ; en pratique, on nutilise que 4 ou 5 dentre elles :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


95 95

V.6.2.1. porteur cartsien (TTT ou PPP) :

Les 3 axes sont anims dun mouvement de translation.


V.6.2.2. porteur en coordonnes cylindriques (RTT ou RPP) :

Un mouvement de rotation et une translation axiale, compltes par une translation radiale.




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


96 96

V.6.2.3. porteur en coordonnes polaires ou sphriques (RRT ou RRP) :

Deux rotations (longitude et latitude) autour daxes orthogonaux, compltes par une
translation radiale.




V.6.2.4. porteur en coordonnes universelles,

Appel aussi configuration poly articule ou anthropomorphe (RRR), trois rotations dont les deux
dernires se font autour daxes parallles orthogonaux au premier, les trois articulations
correspondant respectivement au tronc (base), lpaule et au coude dun tre humain.





Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


97 97
V.6.2.5. Deux rotations autour de deux axes parallles,

Une cinquime architecture comprend deux rotations autour de deux parallles prcdes ou
suivies dune translation dans la mme direction (ventuellement celle-ci peut tre reporte au
niveau du poignet, qui peut aussi tourner autour du mme axe, soit au total 4 ddm). Cette
architecture est celle des robots SCARA (Slective Compliance Arm for Robotic Assembly) que
lon utilise dans des oprations dassemblage.




V.7.Elments constitutifs dun robot

V.7.1.Les actionneurs

Le terme dactionneur dsigne tout dispositif gnrateur deffort vitesse variable qui
permet de modifier la configuration dun robot. Si on se limite aux actionneurs pratiquement
utilisables, il est possible de les classer suivant :

le type du mouvement gnr.

Dans ltat actuel de la technologie, on trouve les actionneurs linaires qui dveloppent une force et
gnrent un mouvement de translation paralllement cette force et les actionneurs rotatifs qui
dveloppent un couple et gnrent un mouvement de rotation autour de laxe du couple.

la nature de la source dnergie.

On dispose dactionneurs pneumatiques qui utilisent lair comprim comme source
dnergie, dactionneurs hydraulique sous pression, et dactionneurs lectriques qui utilisent
lnergie lectrique. La puissance massique et le pouvoir dacclration sont des critres importants
qui permettent une comparaison objective de ces diffrents types dactionneurs. Il nexiste pas
actuellement dactionneurs qui prsentent globalement toutes les caractristiques nonces ci-dessus.

Exemples des actionneurs les mieux adapts

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


98 98
les moteurs courant continu

moteurs pas pas,
moteurs courant continu commands par linduit et flux inducteur constant (gnralement par
aimants permanents),
moteurs courant continu sans balais (Brushless DC motor).

Les actionneurs hydrauliques
vrins linaires et rotatifs,
moteurs pistons axiaux,

Les actionneurs pneumatiques

vrins linaires et rotatifs


V.7.2. Les effecteurs

Leffecteur est lorgane terminal du robot, il est souvent connect au poignet de celui-ci.
Ce poignet se termine gnralement par une plaque de base, perce de trous filets ; cela permet la
fixation de diffrents effecteurs un robot universel et donc ladaptation de celui-ci des tches
spcifiques. En fait, la plupart des machines de production exigent des outils et des fixations
spcialement conus pour une application particulire ; cet gard, le robot nest donc pas une
exception. Il faut dailleurs noter que beaucoup doutils conventionnels, utiliss la main ou sur
certaines machines (pistolets de peinture ou de collage, visseuses, perceuses, pinces,...) peuvent
devenir des effecteurs de robotique, au prix dun travail dadaptation permettant de :

Compenser certaines imprcisions o dispersions dans les caractristiques des objets
extrieurs ou du robot lui-mme,
Prsenter une certaine flexibilit pour se prter des tches diversifies.
Les principaux problmes quil faut rsoudre dans la conception dun effecteur, sont lis aux
connexions de leffecteur, parmi les diffrentes connexions possibles, nous citons celles-ci :
Connexions mcaniques : solidarisation effecteur - poignet, transmission defforts, lasticit
(compliance),
Connexions nergtiques : transmission de lnergie (lectrique, pneumatique ou
hydraulique) ncessaire laction de lorgane terminal
Connexions matrielles : fourniture leffecteur des matires consommes par la tche
effectue (colle, peinture, pte, mtal dapport, fluide de refroidissement ou de lubrification,
...)
Connexions informationnelles : transmission de commandes aux actionneurs de leffecteur et
de contrles provenant des capteurs ou dtecteurs prvus dans leffecteur
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


99 99
Connexions logicielles : incorporation dune routine dfinissant la fonction de leffecteur et
appelant ou gnrant les informations correspondantes, dans le logiciel de programmation et
de commande du robot.

En outre, il ne faut pas oublier que leffecteur est lorgane terminal du robot, cest donc lui
qui sera en contact avec des objets extrieurs. De ce fait, il est expos des accidents divers et doit
tre muni de protections (butes, fusibles mcaniques, etc.).Gnralement, les effecteurs doivent
tre conus et fabriqus sur mesure en fonction de la tche quils doivent effectuer. On peut
concevoir et raliser un effecteur compltement nouveau ou adapter un effecteur existant sur le
march. Cela peut tre fait par la socit qui vend ou installe le robot, ou par le client qui lachte ou
par une firme spcialise dans ce genre de travail. Dans le cadre de notre travail, nous utiliserons les
connexions logicielles.

V.7.3.Les capteurs

Le capteur doit cumuler les fonctions dacquisition et de conversion en signal lectrique de la
grandeur physique ou chimique. Il y a autant des mthodes de dtection et de transformation que
lobjet physique permet de raliser. La liste suivante cite les principaux capteurs :

Capteur dimage (image)
Microphone (son)
Thermistance, thermocouple (temprature)
Capteur lments semi-conducteurs (rayonnement)
Capteur optolectronique semi -conducteur, pile thermique, lment golay (infrarouge)


V.7.8. Organes de transmission

Ce sont des organes qui transmettent un mouvement dun actionneur vers une partie mobile
dune liaison cinmatique. Ils interviennent parfois aussi comme lments de structure (mcanismes
pantographe ou paralllogramme). Ces organes augmentent les masses en mouvement et
prsentent des dfauts (jeu, frottements, lasticit, ...) qui accroissent lincertitude sur la position de
leffecteur ou aggravent le comportement en vibration de la structure. Par contre, ils permettent de
transfrer les masses des actionneurs, moteurs et rducteurs en des points o leurs effets statiques et
dynamiques seront fortement rduits.








Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


100 100


CHAPITRE VI. LES RESEAUX DE NEURONES

VI.0. Introduction

A la suite des observations de l'anatomiste espagnole Ramn y Cajal, ds la fin du 19
ime
sicle,
on a pu dterminer que le cerveau tait compos de cellules distinctes appeles neurones formant un
ensemble dense d'environ 10 100 milliards d'units interconnectes.
La principale caractristique de ces neurones est qu'ils permettent de vhiculer et de traiter des
informations en faisant circuler des messages lectriques dans le rseau tnu et massivement
parallle form par leur axone. L'extrmit des axones se divise en une multitude de ramifications. A
l'inverse, les arborescences qui amnent l'information vers le corps cellulaire sont appels dendrites.
Les informations sont transmises d'un neurone l'autre, de manire unidirectionnelle, par
l'intermdiaire de points de jonction appels synapses.
Un rseau de neurones formels est un modle rudimentaire du cerveau humain, chaque cellule
neuronale tant dcrite comme une fonction seuil possdant une sortie et dont les entres sont
relies d'autres neurones.
Le but des rseaux de neurone n'est pas la simulation du cerveau, en effet, les rseaux de
neurones formels ne sont pas un modle de notre structure crbrale mais plutt une mtaphore.
Le connexionnisme, se rfrant aux processus auto-organisationnels, envisage la cognition
comme le rsultat dune interaction globale des parties lmentaires dun systme. On ne peut nier
que le chien dispose d'une sorte de connaissance des quations diffrentielles du mouvement,
puisquil arrive attraper un bton au vol. Et pas davantage quun chat ait aussi une sorte de
connaissance de la loi de chute des corps, puisquil se comporte comme sil savait partir de quelle
hauteur il ne doit plus essayer de sauter directement pour se diriger vers le sol. Cette facult qui
voque un peu lintuition des philosophes se caractriserait par la prise en compte et la consolidation
dlments perceptifs dont aucun pris isolment natteint le seuil de la conscience, ou en tout cas ny
dclenche dinterprtation particulire.
VI.1. Rflexions sur la pense
Les philosophes et les scientifiques se sont toujours interrogs sur la nature de lintelligence.
Toute dfinition de lintelligence doit couvrir les aptitudes humaines suivantes : raisonnement,
apprentissage, jugement,
Souvenir, motion, intention, comprhension, bon sens et conscience. Toutes ces qualits et
aptitudes sont possibles pour les humains. Pour un ordinateur, on peut programmer pour quil
apprenne ou se souvenir, mais cest dlicat de lui attribuer un jugement, des motions, du bon sens et
plus encore la conscience.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


101 101
A la fin du 20ime sicle, la psychologie dveloppa des thories sur lesprit pour
expliquer notre faon de percevoir le monde, dapprendre, de se souvenir, afin de mieux comprendre
les comportements humains et animaux. Les tests de quotient intellectuel (QI) apparurent la mme
poque pour mesurer ce que les psychologues appellent lintelligence gnrale et les capacits
cognitives (le raisonnement verbal, les aptitudes spatiales et arithmtiques). Mais la faon dont le
cerveau cre les aptitudes cognitives et les dsirs inconscients demeure un mystre.
En 1930, les neurosciences (tude des cellules nerveuses et de neurones) firent quelques
progrs. Lun des buts des neurosciences est de comprendre comment les neurones, dans le cerveau
contribuent lintelligence par la perception, lapprentissage et la mmoire. La mise en application
de cela dans la conception des ordinateurs est prometteuse pour lIntelligence Artificielle.
VI.2. Le cerveau et lordinateur
Pour beaucoup de neuroscientifiques, le cerveau nest quun ordinateur trs complexe.
Cependant, il existe des similitudes entre un cerveau et un ordinateur :
- Tous deux reoivent linformation sous formes dimpulsions lectriques, la traitent en interne
et produisent des impulsions lectriques en sortie.
- Les neurones ont des homologues informatiques, il sagit de circuits intgrs appels portes
ouvertes .
- A linstar des tats dexcitations ou de repos des neurones, les portes logiques ( circuits
intgrs) ont un tat vrai ou faux . Ce systme a deux tats ou binaire , est au cur du
traitement de linformation de lordinateur.
- Les portes logiques produisent des sorties ( tat vrai ) uniquement lorsque certains critres
sont respects en entre, cest aussi valables pour les neurones.
- De plus la plupart des portes logiques reoivent leurs entres dautres portes , formant un
rseau, comme les neurones dans le cerveau. De la mme faon, les exceptions sont des
portes recevant les entres de lextrieur de lordinateur ou produisent des sorties.

Malgr ces similitudes, il existe des diffrences :
- Au sujet de la complexit : mme les ordinateurs les plus puissants sont loin davoir le mme
nombre de portes que le cerveau de neurones.
- Le cerveau na pas besoin dtre programm pour faire ce quil fait
- On peut cerner le fonctionnement dun ordinateur alors quil reste encore beaucoup
dcouvrir sur le cerveau.
Les ordinateurs actuels (fin du 20me sicle) outrepassent largement les aptitudes du cerveau
dans le domaine du calcul et de la manipulation de symboles. Cependant les tres humains, peuvent
sans effort, rsoudre des problmes complexes (ou mal dfinis) dans le domaine de la perception
(reconnaissance d'un visage dans une foule, reconnaissance d'un individu plusieurs (dizaine d')
annes plus tard, .... On peut considrer que la nature des problmes rsolus dpend fortement du
type d'architecture des modles computationnels utiliss.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


102 102

VI.3. Les Rseaux de Neurones formels
L'histoire des rseaux de neurones formels remontent au milieu des annes 1940. On doit
Mc Culloch et Pitts la premire prsentation des neurones formels, et Hebb la premire rgle
empirique pour la modification des poids synaptiques (et par consquent l'apprentissage dans ce type
de systme).
Le perceptron de Rosenblatt (1958) est le plus clbre systme utilisant une architecture
voisine.
En 1969 Minsky et Pappert ont montr mathmatiquement les limitations de ce genre
d'appareil ; ce qui stoppa les recherches jusqu'en 1982.
cette date, J. Hopfield, minent physicien a remis au got du jour cette approche en
proposant une solution au problme du voyageur de commerce grce un modle que depuis lors on
appelle rseau de Hopfield.
De plus en plus de chercheurs venant d'horizons trs diverses s'intressent ce domaine
(neurobiologie, mathmatiques, informatique, lectronique, biologie).
Le neurone est lunit de base du systme nerveux. Il est compos dun petit corps de
cellules avec des longues extensions fibreuses appeles Axones et dendrites. Les terminaisons des
axones dun neurone rencontrent les terminaisons des dendrites de nombreux autres neurones et
forment dans le cerveau un rseau complexe et changeant.

L'activit d'un neurone se mesure en fonction de la frquence6.2 du train de potentiels d'actions (ou
spikes) propags sur l'axone. Cet influx nerveux, lorsqu'il parvient une synapse, permet de librer
des neuromdiateurs qui excitent (neuromdiateurs excitateurs) ou inhibent (neuromdiateurs
inhibiteurs) le neurone suivant et peuvent ainsi gnrer ou interdire la propagation d'un nouvel influx
nerveux. Une caractristique fondamentale de la synapse est qu'elle est capable de s'adapter et ainsi
faciliter ou non le passage des influx nerveux. Cette plasticit est l'origine des mcanismes
d'apprentissage.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


103 103
Une synapse est constitue d'un bouton prsynaptique situ en prolongement de l'axone du neurone
affrent et d'une partie rceptrice sur le corps du neurone effrent, les deux tant spars par un
espace extra-cellulaire trs faible appel fente synaptique. Le bouton pr-synaptique contient des
vsicules synaptiques remplies de transmetteurs chimiques. Lorsque le PA parvient la synapse, il
fait rentrer des ions calcium.
Les neurones sont lis par des fibres, et changent constamment des signaux lectriques. On estime
quil y a 100 milliards de neurones dans le cerveau ( plus de 10 fois la population terrestre) et on a
calcul quil y a plus de 1 000 000 000 000 000 ( un quatrillion) de liens
Le cerveau est ainsi constitu d'un rseau extrmement dense de cellules nerveuses (neurones), et
de chaque cellule partent plusieurs dizaines de branches (dendrites), l'influx nerveux passe d'un
neurone l'autre par le biais de synapses. L'influx est de nature lectrique et se transmet par un
processus chimique. En dautres termes, l'influx nerveux se caractrise par une impulsion lectrique
(Potentiel d'Action -- PA ) se dplaant le long de l'axone depuis le corps cellulaire jusqu'aux
synapses. Le dplacement du PA est gnr par une diminution locale de la diffrence de potentiel
entre l'intrieur et l'extrieur de la membrane de la cellule qui provoque l'ouverture des canaux
sodiques de la membrane laissant entrer les ions sodium ( ). Le potentiel ayant toujours tendance
revenir une valeur d'quilibre, la cellule libre des ions potassium ( ). C'est ainsi que de
proche en proche se propage l'influx lectrique jusqu'aux synapses. Le neurone collecte, au niveau
des dendrites les signaux lectriques et propage l'information ses voisins si le seuil de
sensibilisation est atteint.
Chaque lment constitutif d'un rseau de neurones formels ralise un traitement simple, dont
l'intrt rside dans l'mergence de proprits globales l'ensemble du systme (le neurone formel
est au rseau, ce que la fourmi est la fourmilire). Chaque composant fonctionne plus ou moins
indpendamment de ses voisins, la structure globale tant fortement parallle avec un indice de
connexions trs lev. ( dessiner).
Notre capacit dapprentissage et de mmoire dcoule des connexions entre les neurones. Il est
probable que les signaux produits (influx) par les neurones constituent la base de nos perceptions,
penses et comportements. Et la plupart des neuroscientifiques pensent que la conscience rsulte de
ces innombrables et minuscules signaux nerveux.
Un neurone est soit ltat dexcitation (l il produit entre 50 et 100 impulsions lectriques
par seconde), soit ltat de repos (l il en produit quelques unes). Un neurone est excit sil reoit
assez de stimulations des autres neurones auxquels il est connect.
Certains neurones (dont les dendrites), qui forment nos organes sensoriels reoivent leur
stimulation du monde extrieur. La peau contient des dendrites de neurones sensibles la pression et
la chaleur, alors que les dendrites des yeux sont sensibles la lumire. La production du cerveau
est transporte par les neurones moteurs vers les muscles. Une impulsion lectrique atteignant un
muscle provoque une contraction. Ainsi, notre perception du monde ( par exemple depuis le son du
tonnerre jusqu la douleur due une piqre dpingle) commence par des impulsions lectriques sur
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


104 104
les terminaisons de nos neurones sensoriels. Les impulsions lectriques de nos neurones moteurs
sont responsables de tout depuis le clin dil jusqu la conduite dune voiture.
Chaque neurone est entour dune membrane prsentant un potentiel lectrique de telle sorte que
si les modifications du potentiel dpassent un certain seuil, le neurone est excit.
En raction au monde qui nous entoure, de nouveaux neurones et synapses de crent, danciens
sont perdus, et la nature de certains synapses peut changer.
VI.3.1. Modle de Neurone Formel
Un neurone formel est un automate caractris par :
- un tat interne e S
-
des signaux dentre e
1
, e
2
, , e
n
- une fonction de transition dtat e = f(e
2
, , e
n
) ou de transfert
Schmatiquement,


e
1
(t)

w
i1
e
2
(t)
w
i2


.
.
.
. w
in
e
n
(t)

e
i
(t), i = 1, , n sont les entres; W
ij
sont les poids et V
i
(t) est la somme pondre.
Un neurone est donc semblable un processeur lmentaire muni dune fonction de transfert ou
dactivation continue ou non permettant de calculer la sortie en fonction des entres.

Les diffrentes connexions ont des poids qui mesurent la force de la connexion.
Un neurone formel ralise simplement une somme pondre des entres, ajoute un seuil cette
somme et fait passer le rsultat par une fonction de transfert pour obtenir sa sortie. En effet, soient i
et j deux neurones. Il peut y avoir une connexion pondre, qui , suivant le cas peut tre orient ou
pas. Dans le cas orient, sil y a connexion du neurone i vers le neurone j, on notera w
ji
la
pondration associe. On notera e
i
lentre fournit par un neurone i un neurone j. On notera Y
j
la
sortie de la cellule.

Y
i
(t+)


f

Vi(t)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


105 105
Un neurone est donc semblable un processeur lmentaire muni dune fonction de transfert ou
dactivation continue ou non permettant de calculer la sortie en fonction des entres.
Les diffrentes connexions ont des poids qui mesurent la force de la connexion.
Un neurone formel ralise simplement une somme pondre des entres, ajoute un seuil cette
somme et fait passer le rsultat par une fonction de transfert pour obtenir sa sortie. En effet, soient i
et j deux neurones. Il peut y avoir une connexion pondre, qui, suivant le cas peut tre orient ou
pas. Dans le cas orient, sil y a connexion du neurone i vers le neurone j, on notera w
ji
la
pondration associe. On notera e
i
lentre fournit par un neurone i un neurone j. On notera s
j
la
sortie de la cellule.
La quantit v
j
(t) =

i
i jie w
associe au neurone j est appele activation. La sortie est alors
calcule par ( ) ( ( ))
j j i
v t f e t = o
j f
dsigne la fonction de transfert associe au neurone j. En gnral,
dans la littrature, on trouve souvent ( ) ( ( ) )
j j ji i j
v t f w e t =

o
j
dsigne le seuil associ au
neurone j. Et on pose souvent lexistence dun neurone O, tel que
1 0 = s
et
0 j w
= -
j


VI.3.2. Les diffrentes sortes de neurones

Il existe deux sortes de neurones : Le neurone produit scalaire et le neurone distances.

VI.3.2.1. Le neurone produit scalaire


s
1
w
i1

Neurone i

s
2
w
i2

s
i
= f (
s t
i
w
.
)
s
3
w
i3
.
. w
in
s
n

i
w


i
s
, i = 1, , n reprsentent les signaux du neurone i ; ij
w
reprsente le poids du signal j associ
au neurone i.


f
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


106 106
S = ( 1
s
, , n
s
)
wi
t
reprsente la transpose de i
w
.
Avec i
w
= ( 1 i
w
, , in
w
)



Par consquent :

i
s
= f (
s t
i
w
.
) =
k
k
ik
s w

reprsente la sortie du neurone et f reprsente la fonction de transfert


associe au neurone.
Toutes les fonctions f sont des fonctions non linaires seuil sigmode.
Elles sont utilises dans les problmes de classification, didentification, de prvision, etc.

VI.3.2.2. Le neurone distance


s
1
w
i1

Neurone i

s
2
w
i2

s
i
= f (
2
s wi
)
s
3
w
i3
.
. w
in
s
n


s
i
, i = 1, , n reprsentent les signaux du neurone i ; w
ij
reprsente le poids du signal j associ au
neurone i.

S = ( 1
s
, , n
s
)
wi
t
reprsente la transpose de i
w
.
Avec i
w
= ( 1 i
w
, , in
w
) et
( )
2
1
2

=
=
n
k
k ik i s w s w

Par consquent :
dist
f
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


107 107
i
s
= f (
s t
i
w
.
) =
k
k
ik
s w

reprsente la sortie du neurone et f reprsente la fonction de transfert


associe au neurone.
Les diffrentes fonctions f sont des identits et sont utilises pour la compression de donnes ou la
clusterisation.

VI.3.3. Un Rseau de neurones

Un rseau de neurones se compose de neurones qui sont interconnects de faon ce que la
sortie dun neurone puisse tre lentre dun ou plusieurs autres neurones. Ensuite il y a des entres
de l extrieur et des sorties vers lextrieur ( Rumelhart et al. 1986).
Daprs Rumelhart et al., un rseau de neurone comprend les huit lments principaux suivants :
- Un ensemble de neurones
- Un tat dactivation pour chaque neurone ( actif, inactif, )
- Une fonction de sortie pour chaque neurone ( f(S))
- Un modle de connectivit ( architecture) entre les neurones ( chaque neurone est connect
tous les autres, par exemple)
- Une rgle de propagation pour propager les valeurs dentre travers le rseau vers les
sorties
- Une rgle dactivation pour combiner les entres dun neurone ( trs souvent une somme
pondre)
- Une rgle dapprentissage
- Un environnement dopration ( le systme dexploitation, par exemple)

Les rseaux de neurones sont souvent appels des botes noires, car la fonction mathmatique qui est
reprsente devient trop complexe pour lanalyser et la comprendre directement. Cela et notamment
le cas si le rseau dveloppe des reprsentations distribues.

VI.4. Les Rseaux de neurones Artificiels ( RNA)

A lissue des paragraphes prcdents, on voit bien quil y a moyen de reproduire sur ordinateur
le comportement dun neurone biologique en considrant un dispositif deux tats en marche
lorsquil est excit et arrte lorsquil nest pas excit. Un neurone dcide dtre excit ou non en
fonction des entres quil reoit dautres neurones. Et la probabilit dexcitation dun neurone
augmente ou diminue suivant les synapses recevant les signaux. Cela peut tre reproduit sur un
ordinateur ou un circuit lectronique pour former des neurones artificiels.
On peut dfinir les Rseaux de Neurones Artificiels comme des rseaux fortement connects
de processeurs lmentaires fonctionnant en parallle. Chaque processeur lmentaire calcule une
sortie unique sur la base des informations quil reoit.
De fait, l'objectif des rseaux de neurones artificiels est d'essayer de rcuprer tout ou une partie
des fonctionnalits d'un cerveau humain telles que :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


108 108
architecture massivement parallle,
calcul et mmoire massivement distribus,
capacit d'apprentissage,
capacit de gnralisation,
capacit d'adaptation,
forte tolrance aux pannes,
faible consommation nergtique.
Les domaines o les architectures neuronales sont particulirement efficaces sont :
l'association,
la classification,
la discrimination,
l'estimation
la reconnaissance des formes
le traitement du signal
lapprentissage par lexemple
la mmorisation
la gnralisation
lextraction des traits
la dtection
le diagnostic
la prvision
Lapproximation des fonctions
La lecture des chques
la gestion des emplois de temps dans les centres dappels.
VI.5. Les modles mathmatiques des RNA
Les Rseaux de Neurones Artificiels sont des modles , et ce titre ils peuvent tre dcrits par leurs
composants, leurs variables descriptives et les interactions des composants.
VI.5.1. Composants
VI.5.1.1. Structure
La figure suivante montre la structure dun neurone artificiel. Chaque neurone artificiel est un
processeur lmentaire qui reoit un nombre variable dentres en provenance de neurones amonts.
A chacune de ces entres est associ un poids w abrviation de weight (poids en anglais)
reprsentatif de la force de la connexion. Chaque processeur lmentaire est dot dune sortie
unique, qui se ramifie ensuite pour alimenter un nombre variable de neurones avals. A chaque
connexion est associ un poids.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


109 109







Un neurone artificiel i , dont les entres sur celui ci sont de poids ij
w
et les connexions avals
sont de poids ki
w
, aura la structure suivante :






VI.5.1.2. Comportement
On distingue deux phases dans le comportement dun neurone. La premire est habituellement le
calcul de la somme pondre des entres (a) selon lexpression suivante :

= ) . (
i i
e w a

A partir de cette valeur, une fonction de transfert calcule la valeur de ltat du neurone. Cest cette
valeur qui sera transmise aux neurones avals. Il existe de nombreuses formes possibles pour la
fonction de transfert. Les plus courantes sont prsentes sur la figure suivante. On pourra distinguer
qu la diffrence des neurones biologiques dont ltat est binaire, la plupart des fonctions de
transfert sont continues, offrant une infinit de valeurs possibles comprises dans lintervalle [0, +1] (
ou [-1, +1]).

Poids
Fonction
Fonction de
transfert
Elment d
Elment de
sortie

i k



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


110 110

Figure : Diffrents types de fonctions de transfert pour le neurone artificiel

(a) : fonction seuil ( S, la valeur du seuil)
(b) : fonction linaire par morceaux
( a) : fonction sigmode

Nous constatons que les quations qui dcrivent le comportement des neurones artificiels
nintroduisent pas la notion de temps. En effet, et cest le cas pour la plupart des modles actuels de
rseaux de neurones, nous avons faire des modles temps discret, synchrone, dont le
comportement des composants ne varie pas dans le temps.

VI.5.2. Variables descriptives

Ces variables dcrivent ltat du systme. Dans le cas des rseaux de neurones qui sont des
systmes non autonomes, un sous ensemble des variables descriptives est constitu par les
variables dentre, variables dont la valeur est dtermin extrieurement au modle.

VI.5.3. Structure dinterconnexion

Les connexions entre les neurones qui composent le rseau dcrivent la topologie du modle.
Elle peut tre quelconque, mais le plus souvent il est possible de distinguer une certaine rgularit.
Plusieurs topologies sont possibles :

1. Le rseau multicouche

Les neurones sont arrangs par couche. Il ny a pas de connexion entre neurones dune mme
couche et les connexions ne se font quavec les neurones des couches avales. Habituellement,
chaque neurone dune couche est connect tous les neurones de la couche suivante et celle ci
seulement. Ceci nous permet dintroduire la notion de sens de parcours de linformation ( de
lactivation) au sein dun rseau et donc dfinir les concepts de neurone dentre, neurone de sortie.
S
x = f(a)
+1
-1
a
(a)
x = f(a)
+1
-1
a
(b)
x = f(a)
+1
-1
a
(c)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


111 111
Par extension, on appelle couche dentre, lensemble des neurones dentre, couche de sortie,
lensemble des neurones de sortie. Les couches intermdiaires nayant aucun contact avec lextrieur
sont appeles couches caches.


Figure : rseau multicouche


2. Le rseau connexions locales

Il sagit dune structure multicouche, mais qui limage de la rtine, conserve une certaine
topologie. Chaque neurone entretient des relations avec un nombre rduit et localis de neurones de
la couche avale. Les connexions sont donc moins nombreuses que dans le cas dun rseau
multicouche classique.



Figure : rseau connexions locales

Couche dentre
Couche cache
Couche de sortie
Couche dentre
Couche cache
Couche de sortie
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


112 112
3. Le rseau connexions rcurrentes

Les connexions rcurrentes ramnent linformation en arrire par rapport au sens de propagation
dfini dans un rseau multicouche. Ces connexions sont le plus souvent locales.



Figure : rseau connexions rcurrentes

4. Le rseau connexion complte

Cest la structure dinterconnexion la plus gnrale. Ici, chaque neurone est connect tous les
neurones du rseau ( et lui mme ).



Figure : rseau connexions compltes

N.B. Il existe de nombreuses autres topologies possibles que le lecteur peu trouver dans la littrature,
mais qui nont pas eu ce jour la mme notorit des quelques unes que nous avons dcrites ici.




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


113 113
VI.5.4. Fonctionnement

VI.5.4.1. Le Perceptron

Les neurones se comportent dune manire collective. Ce comportement collectif permet
lmergence de fonctions dordre suprieur par rapport la fonction lmentaire du neurone.
Avant daborder cet aspect collectif de comportement, nous prsentons dabord le Perceptron ( un
seul neurone) en phase dutilisation.
Lapprentissage ayant t ralis, les poids sont fixs. Le neurone de la figure suivante, ralise une
simple somme pondre de ses entres, compare une valeur de seuil, et fournit une rponse binaire
en sortie. Par exemple, on peut interprter sa dcision comme classe 1 si la valeur de x est +1 et
classe 2 si la valeur de x est 1.









Les connexions des deux entres e1 et e2 au neurone sont pondres par les poids w1 et w2. La
valeur de sortie du neurone est note x. Elle est obtenue aprs somme pondre des entres (a) et
comparaison une valeur de seuil S.
Question : Sachant que les poids du Perceptron deux entres sont les suivants : 1
w
= 0,5 ;
2
w
= 0,2 et que la valeur de seuil est S = 0.0, dterminer son comportement, sachant que les
comportements du ET logique, OU logique et OU exclusif sont rappels dans la table suivante :

S
x = f(a)
+1
-1
a
e2
2
w

1
w

x
e1
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


114 114






Quelle set la rponse la question ?

VI.5.4.2. Rseau multicouche en phase dassociation

Il sagit ici du comportement en phase de reconnaissance dun rseau de neurone
multicouche lors dune tche dauto association.
Soit un rseau multicouche compos de 361( 19 x 19), 25 et 361 neurones. Ce rseau a appris
associer la lettre a prsente en entre la mme lettre en sortie. Prsentons au rseau cette
lettre avec quelques erreurs : un certain nombre de pixels ont t invers (ils sont passs de blanc
noir ou inversement ). Limage est compose de 19 x 19 pixels, chacun de ces pixels est associ un
neurone de la couche dentre. Chacun des 25 neurones de la couche cache reoit 361 connexions
(une pour chaque neurone dentre) et envoie sa sortie chacun des neurones de la couche de sortie (
au nombre de 361). Dans notre exemple illustrant le comportement en phase de reconnaissance dun
rseau de neurone multicouche lors dune tche dauto - association, la couche cache se compose de
25 neurones, mais ce nombre, la diffrence des couches dentre et de sortie, nest pas impratif. Il
y a donc 2 (361.25) = 18050. Les neurones sont binaires. La valeur dactivation de chaque
neurone est indique par la hauteur de la colonne. Les neurones sont rangs par couche, tous les
neurones dune couche sont connects tous les neurones de la couche suivante (avale).
La premire tape code limage dentre sur le rseau. Il sagit pour chaque neurone de la
couche dentre de fixer la valeur de son tat selon la couleur du pixel correspondant. Si les neurones
qui composent le rseau sont binaires, on choisit arbitrairement de coder un pixel noir par un niveau
dactivation du neurone gal 1 ; si le pixel est blanc alors le niveau dactivation du neurone
correspondant est gal 0.
La seconde tape est celle du calcul de la rponse du rseau qui se dcompose en autant de
sous - tapes quil y a de couches dans le rseau. Ainsi, chaque neurone de la couche dentre
envoie sa valeur aux neurones de la couche cache. Chacun des neurones ralise la somme pondre
de ses entres et seuil. Ce processus est effectu en parallle et indpendamment pour tous les
neurones de la couche. Lorsque le vecteur dactivation de la couche a t obtenu. Le mme
processus est rpt avec les neurones de la couche de sortie. On considre ceux ci comme 361
Perceptrons indpendants 25 entres.
La dernire tape est linterprtation du vecteur dactivation de la couche de sortie par
lexprimentation. Dans notre cas, on ralise lopration inverse du codage initial, savoir associer
ET logique
e1 e2 x
1 1 1
1 -1 -1
-1 1 -1
-1 -1 -1

OU logique
e1 e2 x
1 1 1
1 -1 1
-1 1 1
-1 -1 -1

OU exclusif
e1 e2 x
1 1 1
1 -1 -1
-1 1 -1
-1 -1 1

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


115 115
un pixel noir chacun des neurones de la couche de sortie dont la valeur dactivation est gal 1, un
pixel blanc dans le cas contraire.

VI.5.4.3. Rseau connexion complte

Il sagit ici de lvolution du vecteur dactivation dun rseau connexion complte sur une
priode de trois cycles. La matrice des poids W est complte ( 361 x 361 = 130321 poids). Entre
deux couches , cest la mme matrice de poids.
Ici, chaque vecteur dactivation reprsente la rponse du rseau une date particulire. Pour faciliter
la reprsentation, nous avons dpli dans lespace les volutions temporelles du rseau connexion
complte (trois cycles). Dun instant au suivant, chaque neurone recalcule indpendamment et en
parallle sont tat. Rappelons que chacun des neurones est connect tous les autres, ce qui implique
pour chacun dentre eux de recevoir 361 connexions et denvoyer sa sortie sur ses 361 voisins. La
principale diffrence entre les volutions temporelles dun rseau connexion complte et le calcul
de la sortie dans un rseau multicouche est que pour le premier les poids des connexions entre deux
volutions temporelles sont identiques, alors que pour le second, dune couche lautre les poids des
connexions sont diffrentes.

VI.5.4.4. Rseau inhibition latrale rcurrente

Ici, les poids sont fixs priori lors de la construction du rseau, il ny a pas de phase
dapprentissage. La structure du rseau est reprsente sur la figure ci aprs. Il y a une seule
couche de neurones. Les connexions sont localises, chaque pixel dentre est en relation
(excitatrice) avec un nombre rduit de neurones. De plus, on remarque la prsence de connexions
rcurrentes inhibitrices localises autour de chaque
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


116 116
neurone.

a) Architecture : chaque pixel dentre est connect un ensemble de neurones par des
connexions excitatrices. Sur le rseau, chaque neurone ralise des connexions locales
inhibitrices.
b) Comportement : seuls les pixels noirs de la forme dentre envoient une information
sur le rseau. Pour chaque neurone, il y a comptition entre lexcitation en
provenance de lentre et linhibition en provenance de ses voisins. On observe alors
le dveloppement au cours du temps de sous groupes dactivit significatifs (angles,
intersections, extrmits, etc.)

En utilisation, une image est prsente en entre. Elle nest pas code comme prcdemment : un
groupe de neurones est associ chaque pixel dont la couleur dtermine le niveau dactivation. De
plus, la diffrence dun rseau multicouche classique, la rponse nest obtenue quaprs
stabilisation de ltat de sortie. Le rgime transitoire est du au retour dinformation depuis les
neurones voisins. De fait, cette boucle doit tre ralise un certain nombre de fois avant que lon
obtienne une valeur fixe en sortie.
En conclusion, ces quelques exemples traits de comportements, permettent de comprendre que la
disparition dun ou mme de plusieurs neurones ( ou de connexions) ne provoque pas une rupture
brutale du traitement. En fait, la dgradation du comportement est fonction de la quantit dlments
dtruits. Cette proprit est dsigne sous le terme de rsistance aux pannes.
Par rapport aux neurones biologiques, les neurones artificiels ont un nombre rduit de connexions(
de 10.000 quelques centaines), un nombre rduit de neurones ( quelques centaines comparer aux
mille milliards du cerveau) et une diminution de la complexit de la topologie.
La plupart des modles que nous verrons, sont des modles synchrones temps discrets et
combinatoires, alors que le monde biologique est asynchrone et continu.
+ +
+
Pixel dentre
-
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


117 117

VI.6. Modes de fonctionnement des RNA

Un RNA est caractris par :
- une architecture (topologie) : le nombre de neurones, le schma dinterconnexion dtermin
par le programmeur.
- La fonction de transfert : poids, fonctions de transition gnres automatiquement par
apprentissage.
Un rseau de neurones travaille selon deux modes :
- mode dapprentissage : cest dire le rseau de neurones sadapte en utilisant des exemples
- mode de reconnaissance : le rseau de neurones traite des donnes jamais vues pendant
lapprentissage.


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


118 118
VI.6.1. LAPPRENTISAGE

Lapprentissage est vraisemblablement la proprit la plus intressante des rseaux
neuronaux. Elle ne concerne cependant pas tous les modles, mais les plus utiliss.

VI.6.1.1. Dfinition

Lapprentissage est une phase du dveloppement dun rseau de neurones durant laquelle le
comportement du rseau est modifi jusqu lobtention du comportement dsir. Lapprentissage
neuronal fait appel des exemples de comportement.

VI.6.1.2. Remarques

Dans le cas des rseaux de neurones artificiels, on ajoute souvent la description du modle,
lalgorithme dapprentissage.
Dans la majorit des algorithmes actuels, les variables modifies pendant lapprentissage
sont les poids des connexions.
Lapprentissage est la modification des poids du rseau dans loptique daccorder la rponse
du rseau aux exemples et lexprience. Il est souvent impossible de dcider priori des valeurs
des poids des connexions dun rseau pour une application donne. A lissu de lapprentissage, les
poids sont fixs : cest alors la phase dutilisation. Certains modles de rseaux sont improprement
dnomms apprentissage permanent. Dans ce cas, lapprentissage ne sarrte jamais, cependant on
peut toujours distinguer une phase dapprentissage ( de remise jour du comportement) et une phase
dutilisation. Cette technique permet de conserver au rseau un comportement adapt malgr les
fluctuations dans les donnes dentres.

VI.6.1.3. Classes dalgorithmes dapprentissage

Dans un apprentissage, le rseau de neurones utilise des exemples pour sadapter au
problme. Il peut modifier :
- Les poids de ses connexions ;
- Son architecture cest dire crer ou liminer des neurones, des connexions.
Modifier les fonctions de transitions des neurones
Il existe deux grandes classes dalgorithmes dapprentissage : Lapprentissage supervis et
lapprentissage non supervis.

VI.6.1.3.1. Apprentissage non supervis

On considre des exemples
1
X
,
2
X
,,
n
X
; une architecture

et 0
W
des poids initiaux.
Le problme est de trouver des poids W tels que :
- les exemples soient correctement regroups ;
- la gnralisation soit correcte : les nouveaux exemples sont assigns au cluster correctement.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


119 119
Exemple de lapprentissage non supervis : La loi de Hebb

La loi de Hebb ( 1949) sapplique aux connexions entre neurones, comme le reprsente la figure
suivante :



i est le neurone amont , j le neurone aval et ij
w
le poids de la connexion.
La loi de Hebb sexprime de la manire suivante : Si 2 cellules sont actives en mme temps alors
la force de la connexion augmente .
La modification de poids dpend de la co activation des neurones pr synaptique et post synaptique,
ainsi que le montre la table suivante. i
x
et
j
x
tant respectivement les valeurs dactivation des
neurones i et j, et
ij
w
( drive partielle du poids ) correspondant la modification de poids ralise.

i
x

j
x

ij
w

0 0 0
0 1 0
1 0 0
1 1 +

Table : La loi de Hebb
La loi de Hebb peut tre modlise par les quations suivantes, en supposant que ij
w
(t+1), dsigne
le nouveau poids et ij
w
(t), lancien poids :
ij
w
(t+1) = ij
w
(t) +
ij
w
(t)
ij
w
(t) = i
x
.
j
x
(la co activit est modlise comme le produit des deux valeurs dactivation)

Lalgorithme dapprentissage modifie de faon itrative (petit petit) les poids pour adapter la
rponse obtenue la rponse dsire. Il sagit en fait de modifier les poids lorsquil y a erreur
seulement.

Etape 1
Initialisation des poids et du seuil S des valeurs (petites) choisies au hasard.

Etape 2
Prsentation dune entre 1
E
= ( 1
e
,, n
e
) de la base dapprentissage.
ij
w
i
j
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


120 120

Etape 3
Calcul de la sortie obtenue x pour cette entre :

( . )
i i
a w e S =

( la valeur de seuil est introduite ici dans le calcul de la somme pondre).


) (a signe x =
( Si a > 0 alors x = +1 sinon a 0 alors x = -1)
Etape 4
Si la sortie x est diffrente de la sortie dsire 1
d
pour cet exemple dentre 1
E
alors modification
des poids ( est une constante positive, qui spcifie le pas de modification des poids) :

ij
w
(t+1) = ij
w
(t) + ( i
x
.
j
x
)
Etape 5
Tant que tous les exemples de la base dapprentissage ne sont pas traits correctement ( i.e.
modification des poids ), retour ltape 2


Exemple dapplication de lalgorithme dapprentissage de Hebb :

Nous choisissons pour les neurones, un comportement binaire. Les entres 1
e
et 2
e
sont considres
comme des neurones.












Nous obtenons ainsi trois neurones.
Nous considrons comme base dapprentissage, les donnes de la table suivante :
e2
2
w

1
w

x
e1
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


121 121


1
e
2
e

x
1 1 1
1
E

1 -1 1
2
E

-1 1 -1
3
E

-1 -1 -1
4
E



Etape 1
= +1, les poids et le seuil S sont nuls.

Etape 2
Nous considrons lentre 1
E
= (1,1) de la base dapprentissage : exemple 1 correspondant la
premire ligne.

Etape 3
Calcul de la sortie obtenue x pour cette entre :

a =
S e w e w +
2 2 1 1
. .
= 0.0.1+0.0.1-0.0 = 0
Do a 0. Donc x = -1.

Etape 4
la sortie x = -1 est diffrente de la sortie dsire 1
d
= 1 pour cet exemple dentre 1
E
alors il faut
modifier les poids en appliquant

1
w
= 1
w
+ 1
e
.x = 0.0 + 1.1 = 1
2
w
= 2
w
+ 2
e
.x = 0.0 + 1.1 = 1


Etape 5
On retourne ltape 2

Etape 2
On passe lexemple 2, lentre 2
E
= (1,-1)
Etape 3
Calcul de la sortie obtenue x pour cette entre :

a =
S e w e w +
2 2 1 1
. .
= 1.1+1.-1- 0.0 = 0
Do a 0. Donc x = -1.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


122 122
Etape 4
la sortie x = -1 est diffrente de la sortie dsire 1
d
= 1 pour cet exemple dentre 2
E
alors il faut
modifier les poids en appliquant

1
w
= 1
w
+ 1
e
.x = 1 + 1.1 = 2
2
w
= 2
w
+ 2
e
.x = 1 + 1.-1 = 0

Etape 5
On retourne ltape 2
/ Lentre ou lentre 3
E
(3
me
ligne) (1,-1) est correctement trait : a = -2 et x = -1 ( la sortie est
bonne).
On passe directement, sans modification des poids lentre 4
E
(4
me
ligne) (-1,-1) . Celui ci est
aussi correctement trait. On revient alors au dbut de la bade dapprentissage : lentre
1
E
(1,1) . Il
est correctement trait, ainsi que le second 2
E
(1,-1) . Lalgorithme dapprentissage est alors
termin : toute la base dapprentissage a t passe en revue sans modification des poids.

Exercice

Soit le rseau compos de 4 neurones dentre et dun neurone de sortie ( 1
w
= 2
w
= 3
w
= 4
w
= S = 0)
et la base dapprentissage :

1
e
2
e
3
e
4
e

x
1 -1 1 -1 1
1 1 1 1 1
1 1 -1 -1 1
-1 -1 1 -1 1

On demande de recherche les valeurs des poids qui rsolvent le problme avec = 1.

Remarque

Il existe une possibilit de calculer les valeurs des connexions partir des exemples, sans utiliser
lalgorithme itratif. Si lon initialise les poids zro et que lon prsente les exemples de la base
dapprentissage, la valeur des poids lissue de lapprentissage est donne par :

ij
w
= jl il
x x .

0 l est lindice de lexemple dans la base dapprentissage.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


123 123

VI.6.1.3.2. Apprentissage supervis

On considre des exemples (
1
X
,
1
Y
),(
2
X
,
2
Y
), , (
n
X
,
n
Y
) ; une architecture

et 0
W
des poids
initiaux. Le problme est de trouver des poids W tel que

k
Y
=
) (
,
k
W A
x F

On utilise des rseaux multicouches, car le rsultat peut ne pas correspondre
k
Y
.
Pour rappel, un rseau multicouche comprend des couches externes ( entre et sortie), des
couches internes ou caches ( pour les traitements intermdiaires).
Le problme est donc celui dassocier
k
X

k
Y
, k = 1, , n.
Les entres sont prsentes sur la premire couche et sont propages selon la loi

) (
i i
A f X =
avec

=
j ij i
X W A
et
k
S est la sortie calcule sur la dernire couche.
La rtro - propagation du gradient permet de minimiser lerreur entre la sortie dsire (
k
Y
) et la
sortie calcule (
k
S ). Cette erreur peur tre calcule de la manire suivante :

e( W ) =
2
1
1

m
k
k k
Y S
m

=
2
1
1

m
k
k
s
k
s
Y S
m
avec s couche de sortie.

Exemple dapprentissage supervis : La rgle du Perceptron

La rgle de Hebb prsente ci dessus ne sapplique pas dans certains cas, bien quune solution
existe ( cf exercice prcdent).
Un autre algorithme dapprentissage a donc t propos , qui tient compte de lerreur observe en
sortie.
Lalgorithme du Perceptron est semblable celui utilis pour la loi de Hebb. Les diffrences se
situe au niveau de la modification des poids.

Algorithme du Perceptron


Etape 1
Initialisation des poids et du seuil S des valeurs ( petites) choisis au hasard.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


124 124
Etape 2
Prsentation dune entre 1
E
= ( 1
e
,, n
e
) de de la base dapprentissage.

Etape 3
Calcul de la sortie obtenue x pour cette entre :

( )
i i
a we S =

( la valeur de seuil est introduite ici dans le calcul de la somme pondre).


) (a signe x =
( Si a > 0 alors x = +1 sinon a 0 alors x = -1)
Etape 4
Si la sortie x du Perceptron est diffrente de la sortie dsire 1
d
pour cet exemple dentre 1
E
alors
modification des poids ( est une constante positive, qui spcifie le pas de modification des poids) :

i
w
(t+1) =
i
w
(t) + (( 1
d
- x ) i
e
)
Rappel : 1
d
= +1 si E est de la classe 1, 1
d
= -1 si E est de la classe 2 et ( 1
d
- x) est une estimation
de lerreur.

Etape 5
Tant que tous les exemples de la base dapprentissage ne sont pas traits correctement ( i.e.
modification des poids ), retour ltape 2

Exemple de fonctionnement de lalgorithme du Perceptron

On prend comme base dapprentissage

1
e
2
e

d
1 1 1
1
E

-1 1 -1
2
E

-1 -1 -1
3
E

1 -1 -1
4
E


Etape 1
Conditions initiales : 1
w
= -0,2, 2
w
= +0,1, = +1, S = 0. ( = +0,1)

Etape 2
Nous considrons lentre 1
E
= (1,1) de la base dapprentissage : exemple 1 correspondant la
premire ligne.
a(1) = -0.2 + 0.1.1 = -0.1.

Etape 3
Calcul de la sortie obtenue x pour cette entre :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


125 125
x(1) = -1 ( la sortie dsire d(1) = +1, do modification des poids)

Etape 4
1
w
= -0,2 + 0,1.( 1 + 1 ). (+1) = 0
2
w
= +0,1 + 0,1.( 1 + 1 ). (+1) = +0,3

Etape 5
On retourne ltape 2

Etape 2
Nous considrons lentre 2
E
= (-1,1) de la base dapprentissage : exemple 2 correspondant la
deuxime ligne.
a(2) = +0,3.1 = = +0.3.

Etape 3
Calcul de la sortie obtenue x pour cette entre :
x(2) = +1 ( la sortie dsire d(2) = -1, do modification des poids) FAUX

Etape 4
1
w
= 0 + 0,1.( -1 - 1 ). (-1) = +0,2
2
w
= +0,3 + 0,1.( -1 - 1 ). (+1) = +0,1
a(3) = -0.2- 0,1 -0 = = - 0.3 . OK E3 (-1,-1)
a(4) = +0.2- 0,1 -0 = = 0.1. X = 1, KO E4 (1, -1)

1
w
= 0,2 + 0,1.( -1 - 1 ). (1) = 0
2
w
= +0,1 + 0,1.( -1 - 1 ). (-1) = +0,3

a(1) = 0+ 0,3.1 = = + 0.3. OK
a(2) = 0+ (0,3. -1)-0 = = - 0.3. OK
a(3) = 0+ (0,3. -1)-0 = = - 0.3. OK
a(4) = 0+ (0,3. -1)-0 = = - 0.3. OK

Etape 5
Tous les exemples de la base ont t correctement traits, lapprentissage est termin.

Le Perceptron ralise une partition de son espace dentre en 2 classes ( 1 et 2 ) selon la valeur de sa
sortie ( +1 ou -1). La sparation de ces deux zones est effectue par un hyperplan (voir le schma ).
Lquation de la droite sparatrice est :
1
w
1
e
+ 2
w
2
e
= 0

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


126 126

La figure ci dessus reprsente la partition de lespace dentre de dimension 2 ralise par un
Perceptron se comportant comme un ET boolen. Les 4 exemples de la base dapprentissage sont les
4 artes du carr. Les paramtres du Perceptron sont : 1
w
= 0, 2, 2
w
= 0,1 et S = -0,2.

Remarque

Si les exemples dapprentissage taient diffrents, par exemple reprsnant le OU, alors cest le
comportement du OU qui aurait t appris avec le mme algorithme dapprentissage. Dautre part, il
est possible de considrer que le seuil S est le poids dune connexion dont le neurone amont est
toujours dans ltat -1. La valeur de seuil se modifie alors en mme temps que les autres poids. La
convergence de lalgorithme vers la solution est plus rapide ( si cette solution existe). On appelle
itration dapprentissage, le passage de tous les exemples de la base dapprentissage une fois dans
lalgorithme.


Exercices

1) Reprendre la question prcdente (apprentissage non supervise) et la rsoudre en
appliquant lapprentissage du Perceptron. On ne modifiera pas le seuil S dans cet
exemple prcis.
2) Simuler la fonction ET avec des poids fixes et sans apprentissage. Les paramtres du
Perceptron sont les suivants : 1
w
= 0, 2, 2
w
= 0,1 et S = -0,2. Les exemples de
comportement vrifier ( ET ) sont rappels sur la table suivante :

e
2
(-1,+1) (+1,+1)
(-1,-1)
(+1,-1)
Classe 2
Classe 1
e
1
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


127 127


1
e
2
e

d
1 1 1
1
E

-1 1 -1
2
E

-1 -1 -1
3
E

1 -1 -1
4
E

3)
Pour la mme base dapprentissage, raliser lapprentissage ( ne pas oublier la
modification du seuil). Le choix des conditions initiales est confi au hasard. Dans
une premire tape, il est conseill de refaire pas pas lexemple de ce support :
1
w
= -0, 2, 2
w
= +0,1 et S = 0, = +0,1 ( conditions initiales). Puis faites varier .
4) Essayer dapprendre le XOR.


1
e
2
e

d
1 1 1
1
E

-1 1 -1
2
E

-1 -1 1
3
E

1 -1 -1
4
E

5) Sachant que le XOR peut scrire comme :
(( 1
e
ET (NON( 2
e
))) OU (NON( 1
e
) ET 2
e
)) proposez une solution pour raliser le
XOR avec 3 personnes. (NON(1) = - 1 et inversement)

1
e
2
e

d
1 1 1
1
E

-1 1 -1
2
E

-1 -1 -1
3
E

1 -1 -1
4
E


Table du OU


Lapprentissage de chacun des Perceptrons est ralis sparment des autres. Quen est
dduisez vous quant aux possibilits dun Perceptron ? dune association de
Perceptrons ?

6) Raliser la fonction ET et OU avec 2 neurones. Dans ce cas, le rseau se compose de
2 entres, 2 neurones et 4 poids. Lapprentissage de chacune des fonctions nest pas
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


128 128
spar. Il faut donc construire une base dapprentissage spcifique de ce problme
( qui ne comprendra pas plus de 4 exemples).
7) Reconnaissance de caractre avec un Perceptron. Un caractre est cod sur 4 x 7 = 28
pixels. Il y a donc 28 entres sur le Percetron. Tester la gnralisation et la rsistance
au bruit en proposant lissu de lapprentissage des caractres abms .
8) Reconnaissance de caractres : On associe priori un caractre par neurone. Il faut
donc autant de Perceptrons que de caractres reconnatre. Tester la gnralisation.
Etudier les erreurs sur quels caractres apparaissent elles, comment peut on y
remdier ?

VI.7. Les mmoires associatives

Les mmoires associatives ont t proposs par plusieurs auteurs ds 1977 dont T. Kohonen.
Dans mmoire associative , le terme mmoire fait rfrence la fonction de stockage de
linformation et le terme associative au mode dadressage. Lexpression mmoire
adressable par son contenu est aussi souvent employe. Linformation mmorise ne peut tre
obtenue une autre adresse prcise, le seul moyen daccs est de fournir une information. Dans le
cas des mmoires auto associatives, il faut fournir tout ou partie de linformation mmorise. Ces
mmoires sont donc principalement utilises pour la reconstruction des donnes : loprateur fourni
une information partielle que le systme complte. Des exprimentations dans ce sens ont t faite
avec lannuaire lectronique o lutilisateur tape le maximum dinformation relatives sa demande,
que le systme complte et corrige (voir la exemple ci dessous). Les mmoires htro
associatives se diffrentient des prcdentes en rendant une information diffrente. Par exemple, si la
clef dentre est une image de visage, le systme rpond par le nom de la personne correspondante.

Exemple dinterprtation ( et de correction ) de requtes dun utilisateur de lannuaire lectronique
par une mmoire auto associative ( il peut subsister des erreurs).

Appris : Jean Dupond, 22 rue du 29 Fvrier, 99001 Asnires, 66 38 70 29
Clef : Jean Dupond, 22 rues du 29 Septembre, Asnires
Rsultat : Jean Dupond, 22 rue du 29 Fvrier, 92501, Asnires, 66 38 70 29

VI.7.1. Structure

La structure neuronale dune mmoire associative est similaire celle dune carte auto
organisatrice sans la notion de voisinage ( cfr les paragraphes suivants), ou celle dun ensemble de
Perceptrons tous aliments par les mmes entres. La figure suivante montre cette architecture o
chaque entre est connecte par des poids modifiables toutes les sorties. La dimension de la couche
dentre est de n neurones, celle de sortie de p. Il y a donc n.p poids dans ce rseau.


Structure dune mmoire associative

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


129 129






VI.7.2. Fonctionnement

Le principe de fonctionnement dune mmoire associative se rsume de la manire suivante :
Soit ( 1
E
, 2
E
, , l
E
, ) un ensemble de vecteurs de R
n
. A chaque vecteur l
E
appel
prototype de lespace dentre est associ un vecteur de sortie l
S
. La relation dassociation entre
l
E
et l
S
est linaire. Elle est donne par lquation :

l
S
= W. l
E

O W est la matrice des poids de dimension (p.n). Cest une matrice rectangulaire de p lignes et n
colonnes.
Lobjectif est de faire raliser ce rseau des associations entre les vecteurs dentres et les
vecteurs de sortie dsirs. Ceci ncessite une tape dapprentissage.

VI.7.3. Apprentissage

Lapprentissage utilis est de type supervis. La base dapprentissage est compose de couple
de vecteurs dentres et de vecteurs de sortie associs. Lalgorithme dapprentissage initial fait appel
la rgle de Hebb. Une entre 1
E
est applique sut les neurones dentre du rseau et lon force
dans le mme temps les valeurs des neurones de sortie l
S
. Les poids de chaque connexion est
alors modifi selon la coactivit du neurone affrent ( entre ) et du neurone effrent (sortie). Cet
algorithme est itr sur tous les exemples de la base dapprentissage. A la fin du processus
dapprentissage, si la matrice W est initialement nulle ( W = 0 ), on obtient :

w
pn
w
1
e
1
e
n
E
W
S
.
x
1
x
p

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


130 130
W =

l
T
l l
E S .

O
T
l
E
est la transpose du vecteur l
E
( qui transforme un vecteur ligne en un vecteur colonne et
rciproquement )
Cette expression est en fait un raccourci mathmatique au processus dapprentissage itratif mettant
en jeu une rgle locale de modification des poids.

VI.8. La carte auto organisatrice

Ce modle de carte auto organisatrice appartient la classe des rseaux comptition. Les
neurones de la couche de sortie entrent en comptition, de telle faon quhabituellement, un seul
neurone de sortie est activ pour une entre donne. Cette comptition entre les neurones est ralis
grce des connexions latrales inhibitrices. Nous prsentons deux modles parmi les plus
intressants : la carte auto organisatrice et le rseau ART. Il faut noter que tous ces deux rseaux
sont des modlisations de processus biologiques et ont t rcuprs par les ingnieurs
connexionnistes. Comme applications des cartes auto organisatrices, nous pouvons citer : les cartes
phontiques, le diagnostic des pannes, la compression dimages, la robotique, etc.
Ces cartes sorganisent par rapport aux exemples dentre prsents en respectant les
contraintes topologiques de lespace dentre avec lespace du rseau. Les zones voisines de lespace
dentre sont voisines sur la carte auto organisatrice ( voir la figure suivante) .


VI.9. Un rseau architecture volutive ( ART)

ART ( Adaptive Resonance Theoty) est un modle de rseau de neurones architecture
volutive dvelopp en 1987 par Carpenter et Grossberg. Dans la plupart des rseaux de neurones ,
deux tapes sont considres :
- La phase dapprentissage : les poids des connexions sont modifis selon une rgle dapprentissage
- La phase dexcution o les poids ne sont plus modifis.
Avec le rseau ART, ces deux tapes sont ralises simultanment. En phase de test, le
rseau sadapte des entres inconnues en construisant de nouvelles classes ( ajout de neurones) tout
en dgradant au minimum les informations dj mmorises. II existe plusieurs versions de rseaux
( ART1, ART2,ART3). Le rseau ART1 est form dune couche dentre qui est aussi la couche de
sortie et dune couche cache. Le terme couche cache est emprunt au rseau multicouche, il
souligne le fait que cette couche nest pas directement observable par lutilisateur la diffrence de
lentre ou de la sortie.
Ce genre de rseau est utilis dans la reconnaissance de la parole, la reconnaissance des formes
visuelles, la dtection dimage radar , la classification, etc.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


131 131

VI.10. Apprentissage par pnalit / rcompense

Lalgorithme dapprentissage par pnalit ou renforcement est de type qualitatif par
opposition aux apprentissages dits supervis ou non supervis. Il nest pas ncessaire dans ce type
dapprentissage de disposer pour les exemples dapprentissage des sorties dsires, seulement dune
apprciation globale du comportement du rseau pour chacun des exemples traits. Cet algorithme
sapplique toutes les structures de rseaux. La seule condition est de disposer de neurones de sortie
stochastiques ( binaires). La rponse du rseau de neurones est ainsi fonction des entres et, aussi,
des neurones de sortie. On introduit donc ce niveau une part dalatoire dans le comportement du
systme. Si la rponse fournie par le systme est considre comme bonne, lalgorithme tend
favoriser lapparition de ce comportement en rduisant lalatoire. Dans le cas ou la rponse du
systme globale est considre comme mauvaise, on cherche viter lapparition ultrieure de ce
comportement. Ce processus est itr jusqu lobtention du comportement dsir pour lensemble
du systme.

VI.11. Les rseaux multicouches

Apparus en 1985, les rseaux multicouches sont aujourdhui les modles les plus employs.
Ils comprennent plusieurs couches de traitement qui leurs permettent de raliser des associations non
linaires entre lentre et la sortie. Ils sont capables de rsoudre le cas du ou exclusif ( voir
Perceptron).

d) Structure du rseau

Les neurones sont continus. La fonction de transfert est une sigmode qui peut tre dfinie,
par exemple, par lquation :

) 1 /( ) 1 ( ) ( + =
i i
a a
i
e e a f

O spcifie la pente
Larchitecture dun rseau multicouche est son fonctionnement en phase dutilisation ont t
prsent au paragraphe I.4.8.5.3.

e) Apprentissage

Lapprentissage est supervise : On associe une configuration dentre une configuration de
sortie. Lalgorithme de la rtropropagation est un algorithme de gradient itratif conu pour
minimiser un critre quadratique ( la puissance 2) derreur entre la sortie obtenue dun rseau
multicouche et la sortie dsire. Cette minimisation est ralis par une configuration des poids
adquate. Lerreur(e) est la diffrence entre la valeur dsire (d) pour le neurone de sortie et sa
valeur calcule par propagation ( x ). Ce signal derreur permet de dfinir une fonction de cot :

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


132 132
C( W ) = M [C
l
(W)] =

) (W e M
lj avec lj
e
= ( lj
d
- lj
x
)
O j indique un numro dindice pour les neurones de sortie et l indique un exemple
dapprentissage. M est loprateur de moyennage, cest une estimation de la moyenne temporelle
dans le cas stochastique. On ralise donc la moyenne des erreurs obtenues pour chacun des exemples
de la base dapprentissage.
Cet algorithme ncessite une fonction continue, non linaire et diffrentiable comme
fonction de transfert du neurone.

1) Initialisation des poids des valeurs alatoires de faible grandeur
2) Slection dun exemple dapprentissage ( E, d )
l
dans la base dapprentissage
3) Prsentation de la forme dentre ( E ) sur la couche dentre du rseau ;
4) Calcul par propagation de la sortie obtenue ( o ) ;
5) Si erreur sortie Alors pour tout les neurones i ( depuis la sortie jusqu lentre)
Si i est un neurone de sortie alors
) ).( ( ' 2
i i i i
x d a f y =

Si i est un neurone cach (ou dentre) alors
k
k
ki i i
y w a f y =

) ( '

( k : neurones compris entre la couche actuelle et la couche de sortie )
6) Application de la procdure de gradient est un gain fix par lutilisateur
) 1 ( + t w
ij
=
j i ij
x y t w . . ) ( +
;
7) Tant que lerreur est trop importante, retour ltape 2 (exemple suivant).

Lalgorithme de la rtropropagation de gradient, bien que trs simple implanter, ncessite
un certain savoir faire pour une utilisation efficace. En effet, la convergence de lalgorithme nest
pas prouve et de multiples variables sont ajuster prcisment en fonction du problme trait.
Parmi ces variables fixer, citons par exemple : les paramtres apparaissants dans les diffrentes
quations ( gain de la procdure de gradient (), pente de la fonction sigmode (), ), la slection
des exemples pour lapprentissage et le test, lordre de prsentation et les distribution relatives des
exemples dans la base dapprentissage, le choix du codage des informations en entre et en sortie, la
structure du rseau ( prsence ventuelle de connexions directes de la couche dentre sur la couche
de sortie pour traiter ce niveau la partie linaire du problme, limitation pratique du nombre de
couches, taille de la couche cache), la configuration initiale des poids, le nombre ditrations
dapprentissage,



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


133 133
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


134 134
CHAPITRE VII. LINTELLIGENCE ARTIFICIELLE DISTRIBUEE (IAD)


VII.0. Introduction

LIntelligence Artificielle classique dont il a t question dans les paragraphes prcdents
sattache la construction des programmes informatiques qui sont capables dexcuter des tches
complexes en sappuyant sur une centralisation et une concentration de lintelligence au sein du
systme unique. Il en rsulte ainsi un certain nombre de difficults dues pour la plupart la ncessit
dintgrer au sein dune mme base de connaissance : lexpertise, les comptences et les
connaissances dindividus diffrents qui dans la ralit communiquent et collaborent la ralisation
dun but commun. Cest ainsi quon pouvait se poser des questions telle que : Comment runir au
sein dun seul systme intelligent toutes les connaissances et les expertises requises pour la
ralisation des certaines tches complexes habituellement effectues par les hommes ?. Telle est
lune des proccupations de lintelligence artificielle classique ds quelle veut modliser des
processus tel quun processus de production, une mission spciale, un pilotage davion, etc. Cela
suppose le plus souvent lassimilation des savoirs faire et des comptences souvent trop nombres et
disparates faisant lobjet dune programmation centralise.
Cest ainsi que lIntelligence Artificielle Distribue est ne au dbut des annes 1970, de la
volont de trouver des solutions ces difficults.
A la diffrence de l'Intelligence Artificielle classique (IA) qui modlise le comportement
intelligent d'un seul agent, l'Intelligence Artificielle Distribue (IAD) s'intresse des
comportements intelligents qui sont le produit de l'activit cooprative de plusieurs agents.
Le passage du comportement individuel aux comportements collectifs est considr non
seulement comme une extension mais aussi comme un enrichissement de l'IA, d'o mergent de
nouvelles proprits et de nouveaux comportements.


Pourquoi distribuer l'intelligence ?
Les problmes sont physiquement distribus : les problmes complexes le sont souvent
(rseaux, chanes de montage, gestion de trafic...)
Les problmes sont fonctionnellement distribus
Les rseaux imposent une vision distribue
La complexit impose une vision locale
Les systmes doivent pouvoir s'adapter des modifications de structures ou d'environnement
Le gnie logiciel va dans le sens d'une conception en termes d'units autonomes en
interactions : langages objets




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


135 135

Exemple

Supposons que nous voulons concevoir un robot capable de suivre un mur.
En Intelligence Artificielle classique, on cherche dcomposer le problme en diffrents sous
fonctions :
- dtecter le mur,
- Aller vers le mur,
- Sarrter une certaine distance du mur,
- Tourner
- Puis se dplacer en grant convenablement la distance avec le mur, etc.
En IAD, par contre, lapproche ractive consiste envisager deux types de comportements
matrialiss par deux mcanismes simples : le premier fera que le robot est attir par les obstacles, et
le second quil est repouss par les obstacles. On constate que les deux comportements cest dire
les agents, interagissent et la fonctionnalit suivre le mur va merger. On a affaire des agents
de faible granularit. Ces derniers sapparentent en fait des agents du type automate simple, voire
mme des neurones formels.
Toutefois, cest lcole cognitive qui, ce jour, donne lieu aux applications les plus avances.
Les connaissances sont clates en plusieurs entits. Cela oblige aux concepteurs de concevoir des
bases de connaissances qui ne sont pas uniques, mais qui sont relies aux ralits du monde cest
dire ce que lagent peut savoir des autres dune part et ce quil peut connatre de leur
environnement dautre part. La prise en compte de cette extriorit, compose la fois des
consquences des actes de chaque agent et des communications inter agents, ncessite des
dveloppements de thories dans le domaine des protocoles de communications, de la coopration
entre agents et de leurs relations vis vis de lenvironnement.
Pour coordonner les actions entre agents, il existe deux schmas possibles :
- Soit on opte pour une architecture du systme capable de dterminer et de planifier dune
manire globale les actions des diffrents agents ;
- Soit on opte pour une architecture du systme o les agents sont totalement autonomes cest
dire sont capables didentifier eux mmes les conflits et les rsoudre localement.
Les diffrents comportements des agents supposent des mcanismes de raisonnements appropris
et une logique sous jaante.
Les agents doivent tre mesure dacqurir des informations sur lenvironnement et sur les
autres agents, soit directement par leur propre systme de perception, soit par changes
dinformations, soit encore par apprentissage. Ces informations doivent par consquent trouver une
reprsentation formelle qui les rend utilisables par les mcanismes de raisonnements, de gestion
dhypothse, de prise de dcision, etc.

VII.1. Dfinition de lIntelligence Artificielle Distribue ( IAD)

Lintelligence artificielle distribue (IAD) est une discipline de linformatique qui se propose
de distribuer lintelligence parmi plusieurs agents, non soumis un contrle centralis. En dautres
mots, elle se propose dlaborer des systmes constitus dun groupe dagents chacun tant dot
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


136 136
dune certaine autonomie et devant tre capable de planifier, dagir et de travailler dans un
environnement commun au prix des conflits ventuels.
N.B : Ces nouveaux systmes ne sont plus des penseurs renferms sur leurs propres penses mais
des penseurs ouverts vers lextrieur et qui sont capables de faire des changes au sein dun groupe
ou des socits.
Dou la naissance des certains concepts nouveaux en intelligence artificielle distribue tels que la
coopration, la coordination des actions, la ngociation, la planification, lorganisation. La
distribution de lintelligence peut alors tre guide par deux formes de rpartition de lexpertise : une
rpartition matrielle et une rpartition fonctionnelle.

LIntelligence Artificielle Distribue propose une distribution de lexpertise sur un ensemble de
systmes capables dinteragir en coopration dans un environnement commun et de rsoudre les
ventuels conflits pour mener bien une tache complexe (rsolution de problme, aide la dcision,
reconnaissance de formes, conduite de processus, )
LIntelligence Artificielle Distribue sorganise autour de trois axes :
o Lintelligence Artificielle Parallle (IAP)
o La rsolution Distribue de Problmes(RDP)
o Les Systmes Multi-Agents (SMA)

VII.1. 1. Lintelligence Artificielle Parallle(IAP)

Elle concerne le Dveloppement de langage et dalgorithmes pour lIAD
Elle vise lamlioration des performances des systmes dIAD par la proposition de langages
concurrents et darchitectures parallles sans toutefois sintresser la nature du raisonnement ni
lintelligence des comportements

VII.1. 2. La Rsolution Distribue de Problmes(RDP)

Elle sintresse la manire de dcomposer un problme particulier sur un ensemble
dentits distribues et cooprantes.
Elle sintresse aussi la manire de partager la connaissance du problme entre entits et
den obtenir la solution.
Les entits sont en gnrale dpendantes les unes par rapports aux autres

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


137 137

VII.1. 3. Les Systmes Multi-Agents(SMA)

Il sagit de faire cooprer un ensemble dentits pro-actives et relativement indpendantes
appels agents dots dun comportement intelligent et de coordonner leurs buts et leurs plans
dactions pour la rsolution de problmes.
Un Systme Multi Agent ( SMA) est un ensemble dagents situ dans un certain
environnement et interagissant selon une certaine organisation. Un agent tant une entit caractrise
par le fait quelle est, au moins partiellement , autonome. Un agent peut tre un processus, un robot,
un tre humain, etc.
Cette technique est utilisable dans de nombreuses disciplines notamment en simulation

VII.2. Applications de lIAD

Lintelligence Artificielle Distribue a plusieurs applications dans plusieurs domaines :

1. Dans le domaine de management et de surveillance des rseaux de tlcommunication. :
Lapproche intelligence artificielle distribue consiste exploiter la distribution matrielle des
diffrents centres qui constituent le rseau. Alors que lintelligence artificielle classique cherche
reprsenter par un modle unique le fonctionnement de lensemble. En IAD, chaque centre est
considr comme un agent autonome interagissant avec dautres agents (centres).

2. Dans les problmes de gestion dun rseau htrogne dordinateurs
3. Dans les problmes de gestion des rseaux de transport
4. Dans les problmes de gestion des rseaux de distribution de lnergie
Dans tous ces quatre problmes, chaque centre est considr comme un agent autonome.
Un projet intressant dans le domaine de gestion des rseaux de distribution dnergie, consisterait
llaborer des prototypes des systmes distribus destins notamment lexploitation des grands
rseaux de production et de distribution de lnergie lectrique. Ces diffrents rseaux seront
constitus des centrales lectriques, et chaque centrale lectrique comprendrait plusieurs systmes
experts destins lanalyse des pannes, lvaluation des risques, etc.
Lobjectif dun tel systme est de planifier au mieux le fonctionnement de lensemble et son
exploitation en respectant larchitecture et le matriel existant.

5. Pilotage de navires tels que les supers tankers ou les porte avions
6. Planification des missions spatiales
Dans les problmes 5 et 6, lexpertise est aborde en termes de fonctions ou de tches.
Chaque fonction ou tche requerrant la plupart du temps la coopration de plusieurs expertises. . Ici,
les expertises, tout en sappuyant sur des informations identiques et une conceptualisation semblable
dun problme sont alors susceptibles de conduire des conclusions divergentes, selon des critres
dapprciation ( exprimes sous forme de rgles) quelles utilisent..
Lapproche IAD consiste donc , laborer une architecture, constitue dentits expertes
( les agents) dont il sagit de respecter lindpendance , tout en prvoyant de grer les situations
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


138 138
conflictuelles. Par exemple, si nous nous imaginons un scnario dinteraction entre un groupe de
robots autonomes, possdant un certain degr dintelligence et cooprant pour accomplir leur travail.
Supposons quun robot X doit tre transport par un autre robot Y, dun atelier o il a t rpar
vers sa place habituelle. Aprs lavoir transport le robot Y doit aller souder des pices un poste P.
Mais, voil que ses batteries sont dcharges et quil ne peut plus souder dans le temps qui lui est
imparti, dautant que le poste de distribution de lnergie est dj occup par un autre robot Z , do
une attente supplmentaire de plusieurs heures , et les choses peuvent toutefois sarranger
dynamiquement si le robot Z est lui mme un robot soudeur et si le robot Y peut ngocier avec lui
le soudage des pices.

7. Dans les problmes de planification

Lintelligence artificielle distribue offre des possibilits de ngociations autorisant une
gestion locale des conflits pour une re - planification dynamique. En effet, avec lintelligence
artificielle classique les problmes de planification trouvaient des solutions en couplant les modles
de la recherche oprationnelle et lintelligence artificielle. Cependant, chaque fois quil y a conflit
lensemble du processus est oblig de sarrter et de se rinitialiser pour mettre en place un nouveau
plan.

VII.3. Concepts sur les Agents

LIAD a introduit le concept de Systmes Multi Agents ( SMA) qui porte sur le modle de
lagent dont les caractristiques sont : la coopration, la coordination et la communication.
L'approche multi-agent provient, en partie, d'une critique de l'intelligence artificielle
classique qui considre qu'un problme doit tre trait par un superviseur qui dcompose la tche
raliser en tches plus simples, puis en itrant le procd jusqu' atteindre un niveau de description
atomique, soluble par le superviseur. A l'inverse, dans les systmes multi-agents, la rsolution de
problmes est le fruit d'interaction entre entits relativement autonomes appeles agents. Ces
interactions sont plus ou moins complexes (coopration, conflits, comptitions...) et peuvent faire
merger des comportements qui n'taient pas spcifiquement comprise dans la description
exhaustive des agents.

a .Quest ce quun agent ?

Un agent cest une entit plus ou moins autonome qui est dfinie par :
- Ses connaissances cest dire les objets quil manipule (une base dobjets) ainsi que les
contraintes correspondantes.
- Ses accointances cest dire lensemble des autres agents quil connat avec les contraintes
qui sy rattachent et qui sont notamment lis aux aspects organisationnels.
- Ses buts
- Ses comptences formes doprateurs et des contraintes sur ces oprateurs tels leur
agencement dans un plan.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


139 139
- Ses interactions comportant les connaissances ncessaires lagent pour communiquer avec
les autres agents. Ces connaissances portent sur :
- Les conventions de linteraction de lagent avec ses accointances qui son aussi lis
contraintes organisationnelles appeles protocoles, et les contrles regroupant les rgles de
gestion ces protocoles.
- Les mcanismes de raisonnement qui lui permettent de prendre des dcisions ou de
planifier actions
La structure dun agent est ainsi axe autour de trois fonctions principales :
- Celle de percevoir ;
- Celle de dcider ;
- Celle dagir.

b. Nature des agents
Les agents peuvent tre des entits physiques (capteurs, processeurs, vhicules, etc.) ou des
entits abstraites (tches raliser, dplacements, etc.) qui sont capables dagir sur leur
environnement, et sur elles mmes cest dire modifier leur propre comportement. Ils disposent
ainsi dune reprsentation partielle de lenvironnement et de moyens de perception et de
communication.
Le comportement des agents est fond sur des connaissances donnes priori ou des
connaissances acquises. Do les agents se composent gnralement de deux parties :
- La premire partie est tendance sociale et elle est tourne vers la collectivit ( cest le
domaine du conversationnel et du relationnel) : Les mcanismes et les bases de
connaissances associs concernent les activits du groupe.
- La seconde est tendance individuelle (cest le domaine du savoir et du comportement de
lagent) : les mcanismes et les bases de connaissances contiennent les rgles de
fonctionnement interne de lagent.

c. Les agents dits intelligents

Il existe plusieurs dfinitions des agents intelligents. Nous retenons ici quelques unes :
- Un agent intelligent est un logiciel conu pour remplir une mission de faon autonome sur un
rseau pour le compte de son utilisateur. Par exemple les agents de recherche dinformation
off line , les agents de recherche avance, les agents pour le commerce lectronique, etc.
- Un agent intelligent est un objet utilisant les techniques de lintelligence artificielle : il adapte
son comportement son environnement et en mmorisant ses expriences, se comporte
comme un sous systme capable dapprentissage.
- Un agent intelligent est un composant logiciel et / ou matriel capable des degrs diffrents
dtre autonome, de communiquer et dapprendre. On peut aussi ajouter ces capacits la
mobilit.

Dune manire gnrale, un agent intelligent contient au moins un des lments suivants :
- Une base de connaissances prdfinie,
- Un moteur dinfrence, lui permettant de tenir des raisonnements plus ou moins complexes
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


140 140
- Un systme dacquisition de connaissances
- Un mcanisme dapprentissage.

d. Agents logiciels / Agents Physiques
Un Agent logiciel :
a . se trouve dans un systme informatique ouvert (ensemble d'applications, de rseaux et de
systmes htrognes)
b . peut communiquer avec d'autres agents
c . est mue par un ensemble d'objectifs propres
d . possde des ressources propres
f . ne dispose que d'une reprsentation partielle des autres agents
g . possde des comptences (services) qu'il peut offrir aux autres agents
i . a un comportement tendant satisfaire ses objectifs, en tenant
compte des ressources et des comptences dont elle dispose, et en
fonction de ses reprsentations et des communications qu'elle reoit.
Agent physique :
a . se trouve situ dans un environnement
c . est mue par une fonction de survie
d . possde des ressources propres, sous la forme d'nergie et d'outils
e . est capable de percevoir (mais de manire limite) son environnement
f . ne possde pratiquement aucune reprsentation de son environnement
g . possde des comptences
h . peut ventuellement se reproduire
i . a un comportement tendant satisfaire sa fonction de survie, en tenant compte des ressources, des
perceptions et des comptences dont elle dispose

e. Niveaux d'organisation des agents:
On distingue 3 niveaux d'organisation entre agents :
Le niveau micro-social : on s'intresse aux interactions entre agents
Le niveau des groupes : on s'intresse aux structures intermdiaires (diffrenciation des rles
et activits, mergence de structures organisatrices...)
Le niveau socit globale : on s'intresse la dynamique d'un grand nombre d'agent, sa
structure gnrale et a son volution.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


141 141
VII.4. Les Systme Multi Agents

Les Systmes Multi Agents ( SMA) puisent leur fondement de nombreuses disciplines
(Sciences cognitives, sociologie et psychologie sociale, linformatique) et proposent une nouvelle
approche pour le dveloppement de systmes plusieurs composantes autonomes pouvant cooprer
entre elles.
Lorsquon parle de Systme Multi Agents, on sous entend que lexpertise est abord en
terme des fonctions ou des tches. Chaque fonction ou chaque tche requiert la coopration de
plusieurs expertises.
On peut rencontrer ces genres de situations par exemple dans le pilotage des navires, dans les
porte avions, dans la planification des missions spatiales, etc.
Un systme multi agents intgre certains mcanismes rgissant la dynamique de
participation dun individu la vie dun groupe ; raison pour laquelle les tudes sur ces systmes
multi agents sont pluri -disciplinaires (faisant intervenir plusieurs disciplines tel que
linformatique, la sociologie et la psychologie au sein des milieux industriels).
Un systme multi agents ( SMA) est compos de :
1. Un environnement , disposant gnralement d'une mtrique
2. Un ensemble d'objets . Ces objets sont situs, c.a.d. que pour chaque objet il est possible
d'associer une position dans . Ils sont passifs, c.a.d. qu'ils peuvent tre perus, cres,
dtruits et modifis par les agents
3. Un ensemble d'agents, qui sont des objets particuliers, lesquels reprsentent les entits
actives du systme
4. Un ensemble de relations qui unissent des objets entre eux
5. Un ensemble d'oprations permettant aux agent de percevoir, produire, consommer,
transformer et manipuler des objets
6. Des oprateurs chargs de reprsenter l'application de ces oprations et la raction du monde
cette tentative de modification (lois de l'univers)
VII.4.1. Pourquoi utiliser des SMA ?
En effet, de plus en plus de systmes sont des systmes rpartis :
Bases de donnes (ressources)
Internet (CPU)
IHM multi-modales (information)
Il y a une augmentation sensible des ressources informatiques :
explosion du WWW
augmentation des puissances CPU
dveloppement du haut-dbit
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


142 142
VII.4.2.Quelle est la ncessit d'utiliser des SMA ?
Pour intgrer la nouveaut, rendre le systme adaptatif, modulable
Pour faire cooprer des machines distantes
Pour permettre l'inter-oprabilit entre systmes htrognes
VII.4.3.Quand utiliser un SMA ?
Quand le problme est trop complexe mais peut tre dcompos
Quand il n'y a pas de solution gnrale ou lorsque celle-ci est trop coteuse en
CPU
A des fins de modlisation (populations, structures molculaires, rseaux de
spins, tas de sables...)
Quand on peut parallliser le problme (gain de temps)
Quand on veut une certaine robustesse (redondance)
Quand l'expertise provient de diffrentes sources
Quand les donnes, contrles, ressources sont distribus
Quand le systme doit tre adaptatif
VII.5. Ecoles des agents
Concernant le niveau dintelligence caractrisant chaque agent, Il existe deux grandes
opinions coexistant dans le domaine de lintelligence artificielle distribue, plus particulirement
dans les systmes multi - agents :

- Lune correspondant lcole cognitive
- Et L autre correspondant lcole ractive

Lcole cognitive se fonde sur la coopration des agents qui sont dj capables eux seuls de
raliser des oprations complexes tandis que lcole ractive suppose que les agents sont plus
simples et moins intelligents, mais beaucoup plus nombreux et actifs. Il nest pas question ici,
lagent dtre individuellement intelligent.
Les agents de lcole cognitive sont dits des agents cognitifs. Ces agents sont caractriss en
utilisant des notions mentales telles que la connaissance ( par exemple Jean connat le fait que les
humains sont mortels), la croyance ( par exemple Jean a pris son para soleil parce quil croit que la
journe sera ensoleille), les dsirs, buts ( Jean dsire avoir un doctorat), les intentions ( Jean a
lintention de travailler durement pour avoir sa thse), les choix, dcisions ( Jean a dcid de faire
une thse), les engagements ( par exemple Jean ne va pas sarrter de travailler avant davoir fini sa
thse), des conventions ( si par hasard, Jean dcide dabandonner sa thse, il va le dire son
promoteur), les obligations ( Jean doit travailler pour entretenir sa famille). Ces agents ont une
reprsentation partielle de leur environnement, des buts explicites, sont capables de planifier leur
comportement, de mmoriser leurs actions passes, de communiquer par envoi de messages ; de
ngocier, etc. Un SMA constitu dagents cognitifs possde communment peu dagents cognitifs.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


143 143
Dans lcole ractive, les agents sont dits ractifs. Ils sont qualifis de ne pas tre intelligents
par eux mmes. Ce sont des composants trs simples qui peroivent lenvironnement et qui sont
capables dagir sur celui ci. Ils nont pas une reprsentation symbolique de lenvironnement ou des
connaissances, ne possdent pas de croyances, ni de mcanismes denvoi de message. Les SMA
constitus dagents ractifs possdent gnralement un grand nombre dagents cognitifs et prsentent
un comportement global intelligent. Les agents intelligents sont donc intelligents au niveau du
groupe, du systme. Et par consquent, lintelligence est distribue entre beaucoup dagents ractifs
et le comportement intelligent devrait merger de linteraction entre ces agents ractifs et
lenvironnement.

VII.6. Les Agents mobiles
Les SMA dans lequel les agents sont mobiles, prsentent un intrt dans ltude de l'approche
client/serveur actuelle : En effet, dans ce type d'architecture, il y a beaucoup d'utilisation de la bande
passante pour faire communiquer le client et le serveur et pour le transfert de donnes.
Dans une approche ``agents mobiles'', il n'y a pas de communication entre le client et le serveur
mais, une fois que l'agent s'est dplac sur le ``serveur'', les communications se font en local.
Citons quelques avantages dune architecture SMA agents mobiles
En terme de performances : il y a moins d'utilisation de la bande passante (les
communications sont beaucoup plus rapides puisqu'elles sont locales), ou du moins de
manire plus ponctuelle. Il faut cependant faire un compromis entre BP ou QoS
(Qualit de service), et puissance CPU ncessaire au niveau du ``serveur'' (utilisation
du RTC).
En termes de scurit : les donnes ne circulent pas sur le web.
Le systme est plus robuste car rparti.
Les charges sont rparties, paralllises.
Le ``client'' peut faire autre chose pendant ce temps (voire mme tre teint) :
application en sans-fil ou utilisation nomade.
Tout ceci est avant tout intressant si les interactions entre agents sont nombreuses.
Or ce devrait tre le cas si le serveur est conu comme un SMA puisque l'agent mobile
doit alors interroger les diffrents agents ``serveurs''.
A partir des fonctions de base fournies par les ``serveur'', le client peut composer un
agent complexe qui utilise un ensemble de ces capacits (ex: ftp rcursif).
Les agents tant dynamiques, ils peuvent voluer au cours du temps : ils peuvent
apprendre des choses et les ramener au ``client'', leur stratgie tant du cot client que
serveur peut voluer, ils n'agissent pas de manire automatique mais en fonction de
leur pass...

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


144 144
Parmi les inconvnients, nous pouvons citer :

Interoprabilit et portabilit : les agents peuvent fonctionner sur diffrentes plate-formes.

Consquence : Une Nouvelle architecture ISO simpose
Au niveau application, il faut prvoir de nouvelles couches ``rseau'' pour l'interaction entre
agents.
Base : langage de programmation commun multi-plateforme (ex: Java) ou architecture de
communication au niveau rseau. (AGLETS/IBM, Grasshopper, Voyager, Concordia...),
(AgentTCL...) Comprhension entre les agents : langage commun (ex: ACL : Agent Communication
Language )
Utilisation de CORBA (IIOP)
CORBA, acronyme de Common Object Request Broker Architecture, est une architecture
logicielle, pour le dveloppement de composants et d'Object Request Broker ou ORB ( Courtier de
Requte Objet). Ces composants, qui sont assembls afin de construire des applications compltes,
peuvent tre crits dans des langages de programmation distincts, tre excuts dans des processus
spars, voire tre dploys sur des machines distinctes.
Corba est un standard maintenu par l'Object Management Group.Corba est une norme cre
en 1992, initie par diffrents constructeurs et diteurs dont Sun, Oracle, IBM, regroups au sein
de l'Object Management Group.C'est avec la version 2 de Corba (fin 95) qu'est apparu le protocole
standard IIOP et l'Interface description language (IDL).
IDL : Interface description language (appel aussi interface definition language) est un langage
vou la dfinition de l'interface de composants logiciels, laquelle permet de faire communiquer les
modules implments dans des langages diffrents.
IDL est dfini par l'OMG et utilis notamment dans le cadre d'applications CORBA.
LOMG(Object Management Group) est une association amricaine but non-lucratif cre en
1989 dont l'objectif est de standardiser et promouvoir le modle objet sous toutes ses formes.
L'OMG est notamment la base des standards UML (Unified Modeling Language), MOF (Meta-
Object Facility), CORBA (C0mmon Request Broker Architecture) et IDL (Interface Definition
Language).
L'OMG est aussi l'origine de la recommandation MDA (Model Driven Architecture) ou Ingnierie
des Modles, avec en particulier le langage standardis de transformation de modles QVT
(Query/View/Transformation).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


145 145
La version 2.3 rend interoprables Corba et RMI.
La version 3 de Corba spcifie 16 types de services (nommage et annuaire des objets, cycle de vie,
notification d'vnements, transaction, relations et paralllisme entre objets, stockage, archivage,
scurit, authentification et administration des objets, gestion des licences et versions,) mais tous
ne sont pas mis en uvre dans les ORB du march.
VII.7. Conception des Systmes Multi - Agents

La conception dun SMA ncessite de se poser les questions suivantes :
Que peroit l'agent ?
Quels sont ces moyens d'action ?
Quelles sont ses capacits de dcision ?
Par ailleurs, pour la tache rsoudre on peut se poser les questions suivantes ? :
Quelles sont les capacits d'interactions avec les autres agents ?
Quelle est leur nature ? (coopration, comptition, neutre...)
Est-il ncessaire de leur donner des capacits de communication ?
De quel type ? (imitation, signaux, langage...)
Il faut repenser la programmation.
Exemple: Tches mergentes : pas besoin de coder la tache. C'est la dynamique d'interaction qui fait
merger le comportement global. Par ailleurs, cette interaction existe mais n'est pas ``code''.
Exemple des fourmis de Deneubourg ou des robots ramasseurs.
Exemple: Tache de dminage : la tache consiste dminer un terrain.
Diffrentes approches :
Supervision : il existe un superviseur qui planifie le dminage. On optimise alors la recherche
mais tout se fait squentiellement.
Tache mergente : on utilise une stratgie de type exploration alatoire par un ensemble
d'agents qui s'vitent. La recherche est paralllise mais il n'y a pas de coordination et l'on
peut repasser au mme endroit.
Stratgie mixte : on effectue un compromis entre supervision et paralllisme en lisant un
``gouvernement'' (3 agents : premier ministre, ministre de la dfense, ministre de la
communication) dont les taches sont spcifiques (resp. rcuprer les information provenant
des agent et fabriquer une reprsentation globale, donner les ordres stratgiques, grer les
communications entre agents). Une stratgie intressante consiste lire le gouvernement
parmi les citoyens en fonction de leur mrite (changement de rle).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


146 146
VII.7.1. Architecture des SMA
VII.7.1.1. Architecture base de tableau noir
Cest une architecture o le contrle est centralis. Elle est compose de trois lments :
- Les connaissances
- Le tableau noir
- Le mcanisme de contrle
Il ny a pas de communication directe.
Linteraction se fait via le partage dun espace commun de travail.



VII.7.1.2. Architecture contrle distribu
Cest une architecture o le contrle et les connaissances sont totalement distribues. Elle est
caractrise par :
- Un traitement local au niveau de chaque agent
- La communication se fait par envoi des messages
Agen
t
Agen
t
Agen
t
Agen
t
Tableau Noir
Contrle
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


147 147

Le langage dacteurs est la technique la plus utilise pour ce genre darchitecture. Un acteur
regroupe au sein dune mme entit un ensemble de connaissances ( les accointances et un script).
VII.7.2. Environnement de dveloppement des SMA
En plus des langages dacteurs qui supportent lexcution des mcanismes parallles, les langages
de base les plus utiliss sont : LISP, C++, PROLOG, SMALLTALK.
VII.8. Applications des SMA
Les tlcommunications, le commerce lectronique, la robotique, l'optimisation de rseaux
(transport, routage...), gestion.
Par ailleurs, des applications spcifiques visent la simulation de socits (cologie, conomie).
VII.9. Reprsentation des connaissances en IAD

Les modes de reprsentation des connaissances en IAD sont celles de lIntelligence
Artificielle classique : La logique classique, les rseaux smantiques, qui consistent exprimer sous
forme de graphes les liaisons entre les diffrents concepts, les rgles de production, les
reprsentations en langages objets, etc.
Les raisonnements rvisables, les mthodes de validation des hypothses, la logique floue, la
logique modale ou la logique de lincertain sont utiliss pour pallier au problme dautonomie des
agents et aux limites de leurs capacits.

Agen
t
Agen
t
Agen
t
Agen
t
Agen
t
Agen
t
Agen
t
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


148 148
VII.10. Applications de lIAD dans le domaine militaire

Linformatique est actuellement omniprsente dans le domaine militaire. En effet, on trouve
des ordinateurs sur les missiles, les sous marins ou les avions de combats, sur les portes avions ,
etc. Ces ordinateurs permettent danalyser les signaux recueillis par un radar, un microphone, une
camra infrarouge ou bien de calculer des trajectoires.
Linformatique ne peut plus tre utilise seulement pour rsoudre les problmes scientifiques
, mdicaux, techniques, voire commerciaux, mais aussi des problmes militaires.
Avec les systmes experts , il ne sagit plus simplement de calculer plus vite et plus
prcisment que lhomme, mais bine des raisonner et de dcider sur le terrain sa place, sans mettre
sa vie en danger.
Il existe plusieurs applications de lintelligence artificielle dans le domaine militaire, parmi
lesquelles nous pouvons citer :

- Le systme avanc de reconnaissance des cibles ;
- Les vhicules autonomes ;
- Les copilotes informatiques
- la mise au point des robots sentinelles qui sont capables de surveiller des secteurs dlimits,
- la mise au point des robots sacrifiables cest dire des robots capables de mener une
opration de reconnaissance dans une ville.
- Le pilotage des navires ou la planification des missions spatiales : Il sagit ici par exemple de
super tankers, de portes avions, etc.

a) Les systmes de reconnaissances de cibles

Ce sont des systmes capables de guider un missile vers sont objectif partir dune analyse
des signaux et images provenant de diffrents capteurs. Ces systmes reposent
essentiellement sur la mise en uvre de techniques statistiques.
Ils commencent gnralement par distinguer dans les images des objets dont la surface
correspond approximativement celle dune cible. Un certain nombre de paramtres sont
alors calculs sur ces objets , pour tre compars ceux caractrisant une cible idale
( ou plusieurs), pralablement enregistrs. On calcule ensuite pour chaque objet dtect une
fonction de proximit qui mesure lcart entre ses propres caractristiques et celles de la
cible idale. La distance calcule est interprte comme une mesure de la probabilit
dappartenance de chaque objet la classe cible. Les objets pour lesquels la probabilit
dappartenance dpasse un certain seuil prtabli sont classs dans la catgorie cible alors
que les autres sont limins. Cette dmarche est purement statistique et prsente des
inconvnients. En effet, elle suppose certaines hypothses simplificatrices concernant
lhomognit de la rpartition de lintensit du signal sur la surface de la cible et elle
sensible au bruit du signal provenant des capteurs. Do, pour remdier ces inconvnients,
lIntelligence Artificielle propose les principes de dduction contextuelle cest dire ils
confortent ou infirment lhypothse dappartenance dun objet dtect une certaine
catgorie , laide darguments tirs de lanalyse de son contexte.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


149 149

b) Les vhicules sans pilote (vhicules autonomes)

Lvolution technologique actuelle a permis aux champs de bataille de lan 2000 dtre
peupl dune foule dengins de toutes sortes faisant largement appel llectronique. LIAD
a permis ainsi de raliser des vhicules autonomes qui dans un environnement hostile (armes
chimiques ou retombes radioactives) sont capables dvaluer des situations avec prcision et
datteindre les objectifs tactiques dune mission. Tout cela suite lavnement des systmes
experts. Lobjectif vis dans la conception des vhicules sans pilotes, cest de parvenir
liminer toute prsence humaine bord des appareils.
Comme vhicules sans pilotes, nous pouvons parler de vhicules terrestres autonomes,
des sous marins (vhicules robotiss en utilisant les algorithmes de vision : robots sous
marins), vhicules ariens autonomes (systmes autonomes aroports).
Ces vhicules, quils soient terrestres, marins ou ariens reposent sur la mise en uvre de
plusieurs systmes experts. Et ces systmes doivent communiquer les uns avec les autres tout
en tant asservis une unit centrale de commandes. Une telle ralisation implique la
matrise de plusieurs domaines de lIntelligence Artificielle.
Un vhicule autonome doit avoir une bonne vision afin de pouvoir analyser, identifier et
interprter son environnement local ; il doit tre capable de classifier des objets et des rgions
de lespace, de dtecter les mouvements, de faire une analyse contextuelle de la scne et
dvaluer par exemple la distance qui le spare des cibles. Il devra ensuite avoir des capacits
de planification cest dire capables dlaborer partir de cartes numriques du terrain des
itinraires fiables, maximisant le nombre dobjectifs atteints tout en minimisant le nombre de
vhicules perdus ou endommags. La prise en compte et la fusion dinformations provenant
de multiples sources, notamment de capteurs varis, est un autre thme de recherche
fortement sollicit pour le dveloppement de vhicules sans pilotes.
Les capacits de raisonnement de ces systmes experts permettent de rgler des
problmes tels que linterprtation des objectifs de la mission ou la prise de dcisions en
prsence dinformations insuffisantes provenant de plusieurs sources.


c) Les Drones

Un drone est un aronef capable de voler et deffectuer une mission sans prsence
humaine bord. Cest la raison pour laquelle on les appelle UAV ( Uninhabited ou
Unmanned) Aerial Vehicule. Le mot drones est dorigine anglaise et signifie bourdon ,
ou bourdonnement . Il est communment employ en franais en rfrence au bruit que
font certains dentre eux en volant.

d) Les hlicoptres autonomes

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


150 150
Lobjectif de la mise au point de ces engins, cest dliminer le pilote pour rduire non
seulement le poids, mais aussi le volume de lappareil. Ce gain de lespace et de poids rend
lappareil plus rapide et plus maniable, et en fait une cible plus difficile atteindre.
Le systme de contrle de cet hlicoptre comprend trois units correspondant aux
fonctions de vision, de planification et de commande.
Lunit de vision permet dtablir une classification des objets et des surfaces par une
analyse la fois locale et globale. Au niveau local, les images fournies par les capteurs sont
analyses de faon dterminer des caractristiques telles que la structure, la texture et la
distance des objets tudis. Au niveau global, une carte numrique du terrain conserve en
mmoire, permet par comparaison avec une image de la rgion survole de dterminer la
position de lhlicoptre et facilite lidentification des objets et des surfaces par la mise en
correspondance dinformations accompagnant la carte avec les rsultats de lanalyse locale.
Dautre part, lunit de planification a pour rle de combiner les informations recueillies sur
le terrain avec des donnes de rfrence embarques afin dvaluer la situation tactique du
moment, danalyser cette situation en fonction de la mission accomplir et dlaborer un
plan daction pour raliser cette mission. Elle produira des plans dexcution de sous -
objectifs qui seront confis lunit de commandes. Enfin, lunit de commande permet
didentifier et de rsoudre les conflits qui peuvent apparatre entre les prdictions et la ralit
dans lexcution des plans et le suivi des itinraires. Les conflits sont souvent les obstacles
inattendus, les contraintes concernant lappareil, des dangers permanents lis un certain
itinraire ou dinformations contradictoires provenant de diffrents capteurs. Un radar
constitue un danger qui peut tre dtect suite aux systmes embarqus de lhlicoptre,
lunit de planification produit alors un plan daction risque de dtection minimum
consistant dissimuler lappareil derrire la plus proche range darbres.

e) Les Systmes Experts copilotes

Ce sont des systmes experts utiliss comme assistants dun pilote humain,
notamment pour lui prsenter une information synthtique et lui prodiguer des conseils. On
les appelle aussi copilotes informatiques.
Ainsi, le copilote informatique est vu comme un ensemble de systmes experts
communiquant avec le pilote humain notamment au moyen dun module dinterfaces en
langue naturelle. Les fonctions du systme se rpartissent en deux niveaux :
- Au niveau infrieur : le copilote accomplit un certain nombre de tches de routine sans
rapport avec le combat telles que la vrification du bon fonctionnement de laronef, la
rception des communications, la navigation et la gnration ditinraires.
- Au niveau suprieur : le copilote accomplit des tches dexcution difficiles pour le pilote
humain telles que la planification ditinraires en temps rel, la reconnaissance des cibles,
lanalyse des dangers et le diagnostic rapide des pannes de matriel. Le copilote nest donc
pas destin supplanter loprateur humain, mais plutt jouer un rle complmentaire.
Pour accomplir correctement ces tches complexes, le systme doit disposer tout comme un
expert, dune masse de connaissances qui le guideront au moment de la prise de dcisions.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


151 151
La base de connaissances du copilote informatique doit comporter donc un certain nombre
considrable dinformations lui permettant dintervenir dans le diagnostic des pannes, la
navigation et la tactique :
- Les connaissances ncessaires au diagnostic sont sous forme dinformations dtailles sut la
structure de lappareil, la dure de vie des composants ainsi que sur les procdures dessai de
diagnostic.
- Les connaissances de navigation portent quant elles sur les techniques dassistance la
navigation, la reconnaissance des repres, la planification ditinraires, ainsi que sur les
procdures permettant dviter les obstacles , de suivre un parcours et de faire une analyse
gnrale du terrain.
- Les connaissances tactiques dpendent essentiellement de la mission et regroupent toutes les
informations relatives la mission, aux aronefs et aux moyens dfensifs de lennemi, ainsi
quaux diverses tactiques et stratgies possibles.

f) Le robots sentinelles : Ce sont des robots capables de surveiller des secteurs dlimits
( comme des agents de renseignements).
g) Les robots sacrifiables : Ce sont des robots capables de mener une opration de
reconnaissance dans une ville ou une installation abandonne. Ils peuvent prmunir une
troupe de combat contre le feu dun tireur embusqu.
Nous pouvons encore parler de pilotage de navires, de la planification des missions spatiales,
tec.





Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


152 152
CHAPITRE VIII. Les langages de lIntelligence Artificielle
Les langages de programmation traditionnels sont dits impratifs ou procduraux. Ils peuvent
traduire des oprations telles que lire , crire , additionner , transfrer , compare , etc.
Ce sont des instructions correspondant des squences de langage machine. En IA, le problme se
prsente tout autrement, puisquil sagit l de reprsenter des connaissances et de simuler des
raisonnements. Pour rsoudre ces problmes particuliers, il faut des outils et langages particuliers.
Les objectifs de ces outils sont les suivants :
Rsoudre les problmes concrets rencontrs par les entreprises,
Sadapter au problme rsoudre, grce la dfinition de formalismes de reprsentation
des connaissances, et faciliter lacquisition et la validation des connaissances,
Amliorer la communication entre lutilisateur et le systme, grce la dfinition
dinterfaces homme-machines.
Il ny a pas proprement parler de langage dIA. Mme si lon parle de langages dIA,
ceux-ci peuvent aussi tre employs parfois dans des programmes classiques ; dautre part, les
langages de programmation classiques, comme Basic, C, Pascal, peuvent galement tre
utiliss pour dvelopper des applications dIA. Mais, il existe certains langages, comme Lisp,
Prolog ou les langages orients objets, qui permettent dexprimer plus directement le mode
dexpression de lIA, c'est--dire la dclarativit, le raisonnement logique et les connaissances.
En particulier, ils permettent de prototyper assez rapidement une application, qui pourra,
ensuite, tre traduite dans un langage classique pour acclrer lexcution du programme et
son intgration avec dautres applications.
Lisp, langage naturelle de lIA, est n au dbut des annes soixante. Il a t conu par
John McCarthy (Massachusetts Institute of Technology) pour le traitement des donnes et la
rsolution de problmes, il a longtemps t considr comme le langage le mieux adapt au
traitement dexpressions symboliques. Son fondement est la structure de donnes, se
prsentant sous formes de listes, do le nom du langage provenant de lexpression List
Processing. Une liste est une sorte de tableau de longueur variable, de la forme (a b c ) ; a,
b, c, etc. peuvent tre soit dautres listes soit des lments appels atomes ; un atome est une
suite de caractres alphabtiques ou numriques. Les atomes peuvent tre soumis des
fonctions.
Par exemple, si PLUS dsigne la fonction daddition, cette opration scrit :
(PLUS a b), ce qui est quivalent a+b. On voit bien que cette manire dcrire est
relativement complexe pour les oprations lmentaires, auxquelles convient mieux un langage
classique comme Basic, C ou Pascal. En revanche, si les atomes reprsentent des expressions
oh des propositions, la fonction peut tre vrai ou faux , ou encore condition , etc. Il
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


153 153
existe ainsi des milliers de fonctions Lisp, quil est ncessaire de connatre pour pouvoir
programmer dans ce langage.
Prolog, de Programming in Logic, est, comme son nom lindique, un langage de
programmation fond sur la logique. Son origine remonte aux travaux sur la dmonstration de
thormes, avec en particulier le principe de rsolution dA. Robinson (1965). Les premires
implmentations de ce langage ont t ralises par Alain Colmerauer et son quipe de
lUniversit de Marseille en 1970, partir de travaux sur le traitement du langage naturel.
Un programme Prolog admet une double interprtation : procdurale et dclarative.
Selon linterprtation dclarative, la situation est dcrite par une suite de rgles et de faits (le
modle sous-jacent) est celui de la logique des prdicats) et le problme rsoudre est spcifi
sous forme dun but qui est donn au mcanisme de rsolution de linterprteur. Celui-ci va
rduire le but en sous-buts jusqu la solution. Par rapport aux autres langages classiques de
programmation, Prolog offre plusieurs avantages :
Cest un langage dexpression et de rsolution de problmes : en tant que
langage dclaratif, il utilise un mcanisme de rsolution automatique qui prend
en charge la recherche de la solution ;
Fond sur une thorie formelle (logique du premier ordre), il est proche du
langage naturel ;
Il est non dterministe, dans la mesure o il fournit toutes les solutions sans
avoir spcifier lordre et la squence des instructions pour y parvenir ;
Particulirement orient vers le traitement symbolique, il peut aussi faire du
traitement numrique ;
Il permet de dfinir dautres formalismes de reprsentation, tout en bnficiant
des moyens puissants de linterprteur, comme lunification, lexploration
arborescente et le retour arrire.
Prolog est ainsi un langage particulirement puissant et gnral. Il sapplique
notamment la spcification et au prototypage dapplications (les premires phases
du dveloppement de logiciel). Il peut aussi tre vu comme un gnrateur de
systmes experts.



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


154 154
VIII.1. PROGRAMMATION LOGIQUE (PROLOG)

VIII.1.1. Dfinition de la programmation logique

La programmation logique est dite dclarative. En effet, ici on ne soccupe pas de la manire
dobtenir le rsultat ; par contre, le programmeur doit faire la description du problme rsoudre en
lisant les objets concerns, les proprits et les relations quils vrifient.
Ensuite, le mcanisme de rsolution (pris entirement en charge par le langage) est gnral et
universel. Tout dabord insistons sur le fait que PROLOG est un langage de programmation part
entire, tout comme le C, Java, Caml, Scheme cependant, il se distingue de ces derniers par son
mode de programmation.

Il sagit en effet dun langage dclaratif, de haut niveau, interactif et particulirement performant
pour rsoudre tous les problmes ayant une relation avec la logique : systmes experts, langage
naturel, aide la dcision, reprsentation de connaissances
PROLOG est tonnamment puissant puisquil suffit bien souvent de trs peu de lignes de code pour
mettre en place des programmes intressants. Il est capable partir de quelques faits et rgles, dcrits
dune faon trs mathmatique, dtablir une stratgie de rflexion pour rpondre aux requtes de
lutilisateur.


VIII.1.2. Elments fondamentaux du Prolog :

VIII.1.2.1. Faits

Les faits sont des affirmations qui dcrivent des relations ou des proprits.

-Exemples :
masculin (ben).
feminin (hermine).
pere (andre, ben). % andre est le pre de ben
mere (pascaline, ben). % pascaline est la mre de ben


-La forme gnrale dun fait est :
Prdicat (argument1, argument2,).
Un prdicat est un symbole qui traduit une relation. Larit est le nombre de ses arguments. On
identifie un prdicat par son nom et son arit :
Prdicat /arit, par exemple : mere/2.


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


155 155

De manire gnrale :
Un prdicat unaire donne une proprit de largument :
Fifi est un chien. chien (Fifi).
Le soleil est chaud. chaud (soleil).
Le ciel est bleu. bleu (ciel).

Un prdicat binaire exprime une relation entre 2 objets :
Hermine est plus grand que Tanya. plusGrand (Hermine, Tanya).
Un prdicat darit suprieur 2 tablit un lien entre ses arguments :
Compositeur (beethoven, 1770, 1827).

VIII.1.2.2. Questions ou requtes

En mode interactif, on peut poser des questions sur les faits :
?- masculin (ben).
Yes

?-masculin (martin).
No (Pas dans la base de connaissance)

On peut aussi utiliser des variables. Elles peuvent sidentifier toutes les autres valeurs : aux
constantes, aux termes composs, aux variables elles-mmes.
Les constantes commencent par une minuscule, les variables commencent par une majuscule.

?- masculin (X).
X= ben ;
X= martin ;
No
Le caractre ; permet de demander la solution suivante. Le caractre arrte la recherche des
solutions.

VIII.1.2.3. Types en Prolog

En prolog, tout est un terme :
Les constantes ou les termes atomiques :
Les atomes sont des chanes alphanumriques qui commencent par une minuscule : sam, dan, pas0.
On peut transformer une chane contenant des caractres spciaux (point, espace, etc.) dans un atome
en lentourant de caractres ou . Ainsi vin de Lavaux , lavaux ont des atomes.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


156 156
Les nombres : 19, -25, -3.14, 23E-5
Les variables commencent par une majuscule ou le signe _.
_ tout seul est une variable anonyme et peut dsigner nimporte quelle variable.
Ainsi X, XYZ, Xyz, _x_3_ sont des variables.
Le systme renomme en interne ses variables et utilise la convention _nombre, comme _127 ou
_G127.

VIII.1.2.4. Quelques dfinitions

Une formule est une application dun prdicat ses arguments.
Lunification est le procd par lequel on essaie de rendre 2 formules identiques en donnant des
valeurs aux variables quelles contiennent.
Une unification peut russir ou chouer :
pere (X, X) et pre (jean, paul)
ne peuvent pas sunifies.
Lors dune question, si elle russit, les variables sunifient.

Exemple:
?- pre (X, Y)
X= paul
Y= jean
Yes

Le Prolog unifie le terme de la question au terme contenu dans la base de donnes. Pour ceci, il
ralise la substitution des variables X et Y par des termes, ici des constantes. On note cette
substitution par :
{X= paul, Y= jean}

On dit quun terme A est une instance de B sil existe une substitution de A B :
Masculin (jean) et masculin (luc) sont des instances de masculin (X)
{X= jean} ou {X = luc} sont les substitutions correspondantes.
En Prolog, une variable ne reprsente pas une location contenant une valeur modifiable.
Une variable instancie ne peut pas changer de valeur.

VIII.1.2.5. Variables partages

On utilise une mme variable pour contraindre deux arguments avoir la mme valeur.

Exemple
Pour chercher un pre qui a le mme nom que son fils (exemple peu idiot) :
?- pre (X, X).

Les questions peuvent tre des conjonctions et on peut partager des variables entre les buts.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


157 157

Exemple
Pour chercher tous les fils dun pre, on partage la variable X entre pre et masculin :
?- pre (X, Y), masculin (Y).

VIII.1.2.6. Rgles

Les rgles permettent dexprimer des conjonctions de buts. Leur forme gnrale est :
<tte> : - C
1
, C
2
, C
3
,, C
n
.
La tte de la rgle est vraie si chacun des lments du corps de la rgle C
1
,. , C
n
est vrai. On
appelle ce type de rgles des clauses de Horn.
Les lments du corps sont aussi appels des sous-buts, car pour dmontrer la tte de la rgle, il faut
dmonter tous ses sous-buts.

Exemples
Si X est un homme alors X boit de la bire
boit (X, biere) :- homme (X)
Il ny a pas de fume sans feu.
Fume :- feu
Jean tranglera le prof sil choue ce cours.
etrangle (jean, X) :-
echoue (jean, langages et paradigmes de programmation),
enseigne (X, Langages et paradigmes de programmation).

Arbre gnalogique :
fils (A, B) :- pre (B, A), masculin (A).
fils (A, B) :- mre (B, A) masculin (A).
parent (X, Y) :- pre (X, Y).
parent (X, Y) :- mre (X, Y).
grandParent (X, Y) :- parent (X, Z), parent (Z, Y)

Les faits sont une forme particulire de rgles qui sont toujours vraies. Un fait est une clause dont la queue est
vide.
Exemples :
fait. Est en effet quivalent fait :- true.
boit (X, biere). Signifie que tout le monde boit de la bire ou Pour tout X, X boit de la biere.

On peut aussi utiliser une variable anonyme :
enfant (Y) :- parent (X, Y).
Peut scrire
enfant (Y) :- parent ( _,Y).
Une requte est une clause sans tte
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


158 158
?- < corps>.
Signifiant : Dtermine si <corps> est vrai.
Les rgles peuvent aussi tre rcursives.
Exemple : Dfinissons un nouveau prdicat dterminant lanctre X de Y par rcursivit :
1. Condition de terminaison de la rcursivit si cest un parent direct.
ancetre (X, Y) :- parent (X, Y).
2. Sinon X est anctre de Y si et seulement sil existe Z, tel que X parent de Z et Z parent de Y.
ancetre (X, Y) :- parent (X, Z), ancetre (Z, Y)

VIII.1.2.7. Excution des requtes

Lors de lexcution dune requte, Prolog examine les rgles ou les faits correspondants dans lordre
de leur criture dans le programme : de haut en bas. Il utilise la premire rgle (ou le premier fait) du
prdicat pour rpondre. Si elle choue, alors il passe la rgle suivante et ainsi de suite jusqu
puiser toutes les rgles (ou tous les faits) dfinies pour ce prdicat. Lorsquune rgle est rcursive,
linterprte Prolog rappelle le prdicat du mme nom en examinant les rgles (ou les faits) de ce
prdicat dans le mme ordre.

Dans le corps dune rgle, la virgule , est le symbole reprsentant un ET logique : la conjonction
de buts. Le symbole ; reprsente le OU logique, la disjonction de buts :

A : - B ; C.

est quivalent

A :- B.
A :- C

Un prdicat correspond donc un ensemble de rgles ou de faits de mme nom et de mme arit : les
clauses du prdicat.
Beaucoup de Prolog demandent que toutes les rgles et tous les faits dun mme prdicat soient
contigus et groups ensemble dans le fichier du programme. On note un prdicat par son nom et son
arit, par exemple fils/2, parent/2, grandParent/2.


VIII.1.2.8. Les oprateurs en Prolog

Chaque Prolog dispose doprateurs binaires infixs (X+Y), unaire prfixs (-X) et unaire suffixes
(X^2). Le langage considre les oprateurs comme des foncteurs et transforme les expressions en
termes.
Par exemple lexpression suivante 2*3 + 4*2 est un terme identique +(* (2,3), *(4,2))).

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


159 159
VIII.1.2.9. Les rgles de prcdence et dassociativit

Les oprateurs sont dfinis par leurs priorits 0 1200 (0 tant la plus haute) et leurs associativits.
Lassociativit dtermine le parenthsage de A op B op C :
Si elle est gauche, on a (A op B) op C
Si elle est droite, on a A op (B op C)
Sinon elle est non associative : les parenthses sont obligatoires, et la syntaxe
A op B op C est interdite.
Un type dassociativit est associ chaque oprateur :

non associatif droite Gauche
infix xfx xfy Yfx
prfix fx fy
suffix xf Yf

Certains oprateurs sont prdfinis en Prolog standard comme le montrent le tableau suivant :

Priorit Associativit Oprateurs
1200 xfx :-
1100 xfy ;
1000 xfy ,
700 xfx = \=
700 xfx = = \= =
700 xfx is = : = =\= < <= > >=
500 yfx + -
400 yfx * / (flottant) // (entier)
200 xfy & ^
200 fy -

On peut dfinir de nouveaux oprateurs par :

op (Prcdence, Associativit, NomOprateur).


Exemple :

op (1000, xfx, aime) dfinit comme un oprateur infix non associatif

Par la suite, on peut crire lexpression Franois aime Henriette au lieu de
aime(Franois, Henriette).



Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


160 160
VIII.1.2.10. Les oprateurs logiques dunification

Lunification est dfinie de la manire suivante :

= dans X = Y signifie X sunifie avec Y
Par exemple
?- a(b,X,c) = a(b,Y,c). La rponse sera X = Y
?- p(b, [A, [B,C]],25) = p(, [B, [D, E]], 25). La rponse sera A = B = D, C = E = A.
\= dans X \= Y signifie X ne sunifie pas avec Y
Par exemple
?- a(b,X,c) \= a(b,Y,c). La rponse sera no
?- [A, [B,C]] \= [A,B,C]. La rponse sera Yes.

VIII.1.2.11. Les oprateurs arithmtiques

En Prolog, valuer un terme reprsentant une expression arithmtique revient appliquer les
oprateurs. Ceci se fait par le prdicat prdfini is / 2.

Exemples

?- X = 1+1+1.
X = 1+1+1. % ( ou X = +(+(1,1), 1)
?- X = 1+1+1, Y is X.
X = 1+1+1, Y = 3.
?- X is 1+1+a. % erreur car a nest pas un nombre
?- X is 1+1+Z. % erreur car Z nest pas instanci un nombre
?- 5 is (3*7+1) // 4. % (gal la division entire de 22 et 4)
Yes.
?- Z = 2, X is 1+1+Z.
Z = 2
X = 4

12. Les oprateurs numriques et littraux

Dans lexpression

?- 1+2 < 3+4.

Il y a valuation des 2 additions (celle de gauche puis celle de droite) avant dvaluer la
comparaison.
Il est important de distinguer les oprateurs numriques des oprateurs littraux, ainsi que
dunification.

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


161 161
Numrique Littrale (terme terme)
Oprateur dgalit = : = = =
Oprateur
dingalit
=\= \= =
Plus petit < @<
Plus petit ou gal <= @=<

Exemples

?- 1+2 = : = 2+1.
Yes
?- 1+2 = 2+1.
No
?- 1+2 = 1+2.
Yes
?- 1+X = 1+2. (unification)
X = 2
?- 1+X = : = 1+2. % X nest pas un nombre
?- 1+2 = = 1+2.
Yes
?- 1+2 = = 2+1.
No
?- 1+X = = 1+2. % est dj instanci ?
No
?- 1+a = = 1+a.
Yes
?- a(b,X,c) = = a(b,Y,c).
No
?- a(b,X,c) == a(b,X,c).
Yes
?- A\= = hello. % nest pas dj instanci
Yes
?- a(b,X,c) \== a(b,Y,c).
Yes

VIII.1.2.13. Les listes et prdicats de manipulations de listes

VIII.1.2.13.1. Motivation et dfinition dune liste

Si on demandait de reprsenter le contenu dun conglateur. Chaque maison reprsenterait de sa
manire. Par exemple :

conglateur(viande, poisson, lait, eau, boisson)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


162 162
conglateur( lait, eau, boisson)
conglateur(viande, beurre, fromage, eau)

Nous obtenons ainsi trois faits diffrents reprsents sous la forme de structures. Pour reprsenter un
nombre variable darguments avec la mme structure, on pourrait utiliser un fait darit : conglateur
/ 2.

conglateur(viande, conglateur(poisson, conglateur(lait, conglateur(eau, conglateur(boisson,
nil())))))
conglateur( lait, conglateur(eau, conglateur(boisson, nil())))
conglateur(viande, conglateur (beurre, conglateur (fromage, conglateur (eau, nil()))))

Cette notation est trop encombrante. Le plus simple serait dintroduire une liste. Nos exemples
deviennent alors :

.(viande, .(poisson, .(lait, .(eau, .(boisson, nil()))))
.(lait, .(eau, .(boisson, nil())))
.(viande, .(beurre, .(fromage, .(eau, nil()))))

Le foncteur . est le foncteur de liste. Par exemple lintervalle [a,b] est quivalent la liste .(a,
.(b, [])).

Exemples

.(a, .(b, .(c, [])) = [a, b, c]
.(1, .(2, .(3, [])) = [1, 2, 3]
[a]
[a, X, pere(X,jean)]
[[a,b], [[[pere(X, jean)]]]]
[] est la liste vide.

Loprateur | est un constructeur de liste et peut servir pour extraire la tte de la liste.

Exemples

.(a, .(b, .(c, [] )) = [a | [b, c] ]] = [a, b | [c]] = [a, b, c | []] = [a, b, c]
.(1, .(2, .(3, .)) = [1| [2 | [3]]] = [1, 2, 3]

?- [a, b] = [X | Y]
X = a, Y = [b]

?- [a] = [X | Y]
X = a, Y = []
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


163 163

?- [a, [b]] = [X | Y]
X = a, Y = [[b]]

?- [a, b, c, d] = [X, Y | Z]
X = a, Y = b, Z = [c, d]

?- [a, b] = [X | Y]
X = a, Y = [b]

?- [[a, b, c], d, e] = [X | Y]
X = [a, b, c], Y = [d, e]


VIII.1.2.13.2. Quelques prdicats de manipulation de listes

Certains prdicats de manipulation de listes sont prdfinis suivant les variantes de prolog

1. Prdicat member / 2 : lappartenance dun lment une liste.

Le prdicat member(Element, List) russit si son deuxime argument est une liste dont le premier
argument est un lment.
Ce prdicat peut tre crit de
plusieurs manires :
- member(X, [Tete | Queue]) :- X = Tete
- member(X, [Tete | Queue]) :- X \= Tete, member(X, Queue).
Puisque Prolog utilise des gabarits pour identifier les termes dune expression et que les rgles sont
excutes dans lordre quelles sont crites, on peut simplifier la dfinition du prdicat :

Member(Tete, [Tete | _]).
Member(Tete, [_| Queue]) :- member(Tete, Queue).

Ou autrement

member(X, [ X | _ ]).
member(X, [ _ | Xlist]) :- member(X, Xlist).

Exemples

?- member(a, [b, c, a]).
Yes

?- member(a, [c, d]).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


164 164
No

?- member(X, [a, b, c]).
X = a;
X = b;
X = c;
No

Excution de member(X, [a, b, c]).

Trouve rune unification:
Unifie member(X, [a, b, c]) avec member (Tete, [Tete| _])
Instancie X a
Une rgle sans corps russit, affichage de X = a

On presse ; pour demander la solution suivante.

Trouve une seconde unification
Unifie member(X, [a, b, c]) avec member (Tete, [_| Queue])
Instancie X Tete, instancie Queue [a, b]
Replace la tte de la rgle par son corps et essaie de satisfaire le but member(X, [b,c])

Trouver une unification
Unifie member(X, [b, c]) avec member (Tete, [Tete, | _])
Instancie X b
Une rgle sans corps russit, affichage de X = b

etc.


2. Prdicat append / 3 : ce prdicat permet de concatner deux listes.

Le prdicat append(List1, List2, List3) russit si List3 est la concatnation de List1 et List2.
Append est dfini par les deux clauses :

Syntaxe

append ([], L, L).
append ([X | XS], YS, [X | Liste]) :- append (XS, YS, Liste).

Ou

append([], Xlist, Xlist).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


165 165
append([X | Xlist], Ylist, [X | Zlist]) :- append(Xlist, Ylist, Zlist).

Une requte du type ?- append([a,b], [c,d, e], List). donnera la rponse
List = [a, b, c, d, e].

Exemples

?- append ([a, b, c], [d, e, f], [a, b, c, d, e, f]).
Yes

?- append ([a, b], [c, d], [e, f]).
No

?- append ([a, b], [c, d], L]).
L = [a, b, c, d]

?- append (L, [c, d], [a, b, c ,d]).
L = [a, b]

?- (L1, L2, [a, b, c]).
L1 = [], L2 = [a, b, c] ;
L1 = [a], L2 = [b,c];
etc. avec toutes les combinaisons.

Si nous souhaitons afficher toutes les combinaisons possibles sans faire intervenir lusager, nous
crirons :

combinaisonListe(Liste) :-
append(L1, L2, Liste),
write(L1), write(L2), n1,
fail. % Le prdicat fail choue toujours

Exemple

Append(L1, L2, [a, b]). La rponse sera
[] [a, b]
[a] [b]
[a, b] []
No

N.B.

member peut tre redfini par la clause :
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


166 166
member(X, Xlist) :- append( _ , [X | _ ], Xlist).

3. Prdicat length / 2: determine la longueur dune liste:

Le prdicat length(List, N) russit si le nombre entier naturel N est le nombre dlments de List.
Length est dfini par les deux clauses :

length([],0).
length([X | Xlist], s(N)) :- length(Xlist, N).
o s est la fonction successor.

Ou

length([], 0).
length([Tete | Queue], N) :- length (Queue, N1), N is N1+1.

Une requte du type ?-length([a, b, c], N). donnera comme rponse N = 3.

Exemples

?- length([a, b, c], 3).
Yes
?- length([a, [a, b], c], N).
N = 3

4. Prdicat reverse / 2 : inverse lordre dune liste. Deux solutions sont possibles.

Le prdicat reverse(List1, List2) russit si List2 est la version inverse de List1.
Reverse est dfini par les clauses :

Premire solution (coteuse):

reverse ([], []).
reverse ([X | XS], ZS) :- reverse (XS, YS), append (YS, [X], ZS).

Ou

reverse([], []).
reverse([X | Xlist], Ylist) :- reverse(Xlist, Zlist), append(Zlist, [X], Ylist).

Deuxime solution (par une liste intermdiaire): on passe dune arit 2 une arit 3 :

reverse(X, Y) :- reverse (X, [], Y).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


167 167
reverse([X | XS], Accu, ZS) :- reverse(XS, [X | Accu], ZS).
reverse([], ZS, ZS).

Une requte du type ?- reverse([a, b, c, d], List). donnera la rponse List = [d, c, b, a].

5. Le prdicat prefix(List1, List2) russit si les lments de List1 sont en tte de List2
Prefix est dfini par la clause :
prefix(Xlist, Ylist) :- append(Xlist, _ , Ylist).

Une requte du type ?- prefix(Xlist, [a, b, c]). donnera les rponses Xlist = [], Xlist = [a], Xlist = [a,
b] et X = [a, b, c].

6. Le prdicat suffix(List1, List2) russit les lments de List1 sont en queue de List2
Suffix est dfini par la clause :
suffix(Xlist, Ylist) :- append( _ , Xlist, Ylist).

Une requte du type ?- suffix([c, d], [a, b, c, d]). donnera la rponse yes.

7. Le prdicat last(Element, List) russit si Element est le dernier lment de List.
Last est dfini par la clause :
last(X, Xlist) :- append( _ , [X], Xlist).

Une requte du type ?- last(X, [a, b, c, d]). donnera la rponse X = d.

VIII.1.2.14. Coupure en Prolog

Le prdicat prdfini ! appel le cut ou la coupure en franais, permet dempcher le retour
en arrire. La rgle
p(X) :- a(X), !, b(X).
Satisfait dabord le premier sous-but a(X), puis vrifie ensuite le second sous-but b(X). Si le second
sous but choue, il ny a pas de retour en arrire a(X).
La coupure permet dindiquer Prolog quon ne dsire pas conserver les points de choix en
attente.
Le but recherch est damliorer lefficacit et dexprimer le dterminisme
Quand une coupure est franchie :
! coupe toutes les clauses en dessous de lui,
! coupe tous les buts sa gauche,
Par contre, il est possible de retourner en arrire sur les sous-buts droite de la
coupure.

Exemples

factorielle (0,1) :- !.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


168 168
factorielle (1,1) :- !.
factorielle (N, Resultat) ;- N1 is N-1, factorielle (N1, ResultatPrecedent), Resultat is
ResultatPrecedent*N.

estMembre (X, [X | _]) :- !.
estMembre (X, [_| Queue]) :- estMembre (X, Queue).


Rgles pratiques dutilisation

La fonction minimum

min(X,Y, X) :- X < Y, !.
min (X, Y, Y).
Ce prdicat conduit correctement au calcul du minimum pour la premire solution. La coupure est
ncessaire pour viter de produire une seconde solution au cours dun retour en arrire. Mais, si nous
avons la rgle :

P :-
1
C , ,
1 i
C

,
min (2, 3, Z),
i
C , ,
n
C .
A la premire excution, Z = 2. Si on doit revenir en arrire cause dun chec des buts
i
C , ,
n
C
et si min / 3 ne comporte pas de coupure, on obtient Z = 3 car min / 3 aurait pu produire deux
solutions. On repartirait alors avec cette valeur pour prouver les buts
i
C , ,
n
C

Autre coupure

ifthenelse (P, Q, R) :- P, !, Q.
ifthenelse (P, Q, R) :- R.

Coupure dangeureuse

Tous les enfants ont 2 parents lexception de justin.

parents (julien, 2).
parents (justin, 0) :- !.
parents (X, 2).

?- parents (justin, N).
N = 0

?- parents (justin, 2).
Yes

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


169 169
Pour corriger le problme, il faudrait crire :

parents (julien, 2).
parents (justin, N) :- !, N = 0.
parents (X, 2).


VIII.1.2.15. La Ngation dans Prolog

Un programme logique exprime ce qui est vrai. La ngation, cest ce que lon ne peut pas prouver.
Le prdicat not se dfinit par :

not (P) :- P, ! , fail.
not (P) :- true.
Exemples et precautions

Il vaut mieux que les variables soient instancies avant dutiliser une negation:

?- not (member (X, [a, b]).
No

Le programme identifie X une des variables, russit et le not le fait chouer.
Dans une rgle, il faut veiller linstanciation des variables.

Exemple

marie (franois).
etudiant (aubin).
etudiantCelibataire (X) :- not (marie(X)), etudiant (X).

La requte suivante choue :
?- etudiantCelibataire(X).
No
Car X sassocie franois puis le not fait chouer le sous-but.
Alors que :
?- etudiantCelibataire (aubin).
Yes

russit car X = aubin donc not (marie(aubin)) est vrai.
Pour que la rgle produise les rsultats attendus, il faut inverser les sous buts :

etudiantCelibataire(X) :-
etudiant (X),
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


170 170
not (mari(X)).

Ainsi X sera instanci avant dtre soumis la ngation.



VIII.1.3. Les conventions de SWI-PROLOG (un interprteur PROLOG)

Tous les faits et rgles doivent se terminer par un . .
Les variables utilises dans les faits ou rgles commencent toujours par une majuscule _ .
A linverse, tout le reste commence par une minuscule.
Il ne faut pas mettre despace entre le prdicat et la parenthse ouvrante qui laccompagne.
Les commentaires sont mis entre /* et */ ou commencent par % et se termine sur la mme
ligne.
Rem : Mieux vaut faire commencer les variables classiques par des majuscules. En effet, cela
permet de diffrencier sans ambigut dans le mode dbogage des variables du programme, des
variables internes gnres dynamiquement par PROLOG qui commencent par _ .

Rem : ces conventions sappliquent galement aux faits par lutilisateur dans linterprteur
de commande de SWI-PROLOG



VIII.1.4. Utilisations de PROLOG

VIII.1.4.1. Cration dune base de donnes

Il est trs facile dutiliser PROLOG pour programmer une base de donnes et linterroger. En effet, il
suffit de dclarer en tant que faits toutes les donnes de la base.
Rem : il existe en fait une extension de PROLOG appele DATALOG qui est justement oriente
base de donnes.
Grce aux rgles, on peut obtenir des sous-tables ou tablir des relations entre les tables.
Rem : Cest ce qui fait la puissance dun langage comme PROLOG ou DATALOG par rapport
SQL o toutes les donnes de base doivent tre explicitement nonces.
Rem : Les bases de donnes sont un examen o le programme peut ne contenir que des faits sans
aucune rgle mme si cela fait perdre une partie de lintrt de PROLOG.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


171 171























Ce programme dfinit avec les faits une table bio dont les attributs sont le nom du fils, son sexe,
son anne de naissance, de mort, le de son pre et de sa mre.

Grce aux rgles il dfinit galement trois sous-tables ; enfant, ptenfant et descendant qui ont
comme attributs :
Enfant (NomEnfant, Nomparent)
Ptenfant (NomPetitEnfant, NomGrandParent)
Descendant (NomDescendant, NomAncetre)


VIII.1.4.2. Interrogation de la base de donnes
La base de donnes tant en place, nous allons linterroger grce des requtes PROLOG. Il est
possible de linterroger de nombreuses manires. En voici quelques exemples





% < !>Attention : pas daccent dans les programmes
/******************Les faits********************/
/*
Arguments du predicat bio :
bio(enfant, sexe, annee_naissace, annee_mort, pere, mere)
*/
bio(louis 13, h,1601,1643,henri4, marie_medicis).
bio(elisabeth_France, f,1603,1644,henri4, marie_medicis).
bio(marie_therese_Autriche, f,1638,1683,philippe4, elisabeth_France).
bio(louis14, h,1638,1715,louis13, anne_autriche).
bio(grand_dauphin, h,1661,1711,louis14, marie_therese_Autriche).
bio(louis_bourbon, h,1682,1712,grand_dauphin, marie_anne_baviere).
bio(philippe5, h,1683,1746,grand_dauphin, marie_anne_baviere).
bio(louis15, h,1710,1774,louis_bourbon, marie_adelaide_savoie).
bio(louis_dauphin, h,1729,1765,louis15, marie_leczcynska).
bio(louis16, h,1754,1793,louis_dauphin, marie_josephe_saxe).
bio(louis18, h,1755,1824,louis_dauphin, marie_josephe_saxe).
bio(charles10, h,1757,1836,louis_dauphin, marie_josephe_saxe).
bio(clodilde, f,1759,1802,louis_dauphin, marie_josephe_saxe).
bio(louis17, h,1785,1795,louis16, marie_antoinette).
bio(philipe1, h,1640,1701,louis13, anne_autriche).
bio(philipe2, h,1674,1723, philipe1, charlotte_baviere).
bio(louis_orleans, h,1703,1752, philipe, francoise_marie_bourbon).
bio(louis_philippe, h,1725,1785,louis_orleans, augusta_marie_bade).
bio(philipe_egalite, h,1747,1793, louis_philipe, louis_henriette_boubon_conti).
bio(louis_philipe2, h,1773,1850, philipe_egalite, louisemarie_adelaide_boubon_penthievre).

/******************Les regles********************/
/*enfant (enfant, parent)*/
/*R1*/ enfant (X, Y) :-bio(X,_,_,_,Y,_).
/*R2*/ enfant (X, Y) :-bio(X,_,_,_ ,_, Y).
/*ptenfant (petit-enfant, grand-parent)*/.
/*R3*/ ptenfant(X,Y) :- enfant(X,Z), enfant(Z,Y).
/*descendant (descendant, ancetre)*/
/*R4*/ descendant(X,Y) :-enfant(X,Z), descendant(Z ,Y).

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


172 172

1. Vrification de la base de donnes

Il est bien sr possible de savoir si une donne existe bien dans la base de donnes.
Ex : Regardons si Louis XIII qui a vcu entre 1601 et 1643 est le fils de Henri IV et Marie de
Mdicis :
?-bio (louis13, h, 1601, 1643, henri4, marie_medicis)
Yes
Cest bien le cas.

Ex : Regardons si Louis XVII qui a vcu entre 1785 et 1795 est le fils de Louis XVI et Marie de
Mdicis :
?-bio (louis17, h, 1785, 1795, louis16, marie_medicis)
No
Ce nest pas le cas car sa mre est Marie-Antoinette.

2. Recherche dune liste simple ou sous table dans la base de donnes

On peut extraire de la table bio une sous-table un seul attribut.
Cela correspond lopration :
x
(
Conditions
(bio)) o
X est un (et un seul) attribut de la table bio
Conditions est un ensemble de conjonctions et de disjonctions
Ex : quelles sont les femmes qui figurent comme enfant ?
C'est--dire que contient
NomEnfant
(
Sexe=f
(bio)) ?
?- bio (Qui,f,_,_,_,_).
Qui=elasabeth_france ;
Qui=marie_therese_autriche
Qui= clotilde ;
No
Il y a donc trois filles dans la table.

Ex : Qui sont les enfants de Henri IV ?
?- bio (Qui,_,_,_,henri4,_)
Qui= louis13 ;
Qui= elisabeth_france ;
No
Henri IV a eu 2 enfants.
La sous-table retourne par PROLOG est complte dans le sens o les possibilits solution de la
requte sont affiches autant de fois quelles rpondent au problme.




Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


173 173
3. Recherche dune liste multiple dans la base

On peut aussi extraire de la table bio une sous table ayant dun seul attribut.
Cela peut correspondre lopration :
X1,X2,, Xn
(
Conditions
(bio)) o
X1, X2,, Xn sont des attributs de la table bio
Conditions est un ensemble de conjonctions et /ou des disjonctions
Ex : Qui sont les parents de Louis XIV ?
?- bio(louis14,_,_,_, Papa, Maman)
Papa= louis13
Mama =anne_autriche ;
No
Le pre de Louis XIV est louis XIII et sa mre est Anne dAutriche.
Mais cela peut aussi correspondre une jointure :

X1
(
Conditions
(bio))
X2,, Xn
(
Conditions
(bio))

Ex : qui sont les parents de Louis XIV ?
?- bio (louis14,_,_,_,Pre,_) , bio(louis14,_,_,_,_,Mere)
Pere=louis13
Mere=_G481;
Pere=_G473
Mere=anne_autriche ;
No

En effet, on obtient une sous-table avec deux attributs contenant non pas une rponse mais deux
_G481 et _G473 sont deux variables internes utilises par SWI-PROLOG

; si elles apparaissent
dans le rsultat cela signifie que le rsultat est bon quelles que soient leurs valeurs.
Ce rsultat peut donc sinterprter par :
- Si le pre de Louis XIV, sa mre peut tre nimporte qui.
- Si la mre de Louis XIV est Anne dAutriche, son pre peut tre nimporte qui.
Ce qui est bien sr incorrect.

Par rapport cette dernire remarque, il faut ajouter quil est quand mme possible demployer une
disjonction dans la requte.
Cependant, ce connecteur tant quivalent lopration de runion ( ) dans lalgbre
relationnelle, il supprime un attribut la sous-table rsultat.

Ex : Qui sont les parents de Louis XIV ?
?- bio(louis14,_,_,_,Parent,_) ; bio(louis14,_,_,_,_,Parent).
Parent =louis13 ;
Parent =anne_autriche ;
No
On obtient ici une sous-table un seul attribut avec deux donnes. De ce fait, on perd linformation
sur le sexe des parents puisquils sont tous les deux runis sous le mme attribut.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


174 174
4. Recherche dans un intervalle de valeurs

PROLOG peut grer un intervalle de valeurs.

Ex : Quels sont les personnages ns entre 1750 et 1800 ?
?- bio (Qui,_,N,_,_,_), 1750=<N, N=<1800.
Qui=louis16
N=1754 ;
Qui=louis18
N=1755 ;
Qui=charles10
N=1757 ;
Qui=clotilde
N=1759 ;
Qui=louis17
N=1785 ;
Qui=louis_philipe1
N=1773 ;
No
Il y a six enfants qui sont entre 1750 et 1800.
La recherche de solutions dans un intervalle de valeur fait apparatre quelques caractristiques
intressantes de PROLOG :
Limplmentation de PROLOG ne respecte pas compltement la logique du premier ordre : une
requte nest pas traite comme une formule complte mais elle est divise en formules atomiques
(les buts) relies par des disjonctions et/ou des conjonctions et ces sous-formules sont traites les
unes aprs les autres dans lordre o elle se trouve sur la ligne (de gauche droite).
PROLOG considre priori toute variable numrique faisant parti des rels.
Ex : Quelles sont les personnages ns entre 1750 et 1800 ?
?-1750=<N, N=<1800, bio (Qui,_,N,_,_,_).
ERROR: Arguments are not sufficiently instantiated
Par rapport au premier exemple, nous navons fait quinverser les formules de requte ce qui en
logique ne change rien puisque loprateur
^
est commutatif. Mais comme nous lavons dit juste au-
dessus, PROLOG dcoupe les requtes en formules atomiques. Il va donc dabord sattacher
rsoudre le but 1750 =< N. or N tant priori un rel, il y a une infinit de solution ce but. Il
arrive le dtecter et alors sarrte.

Rem : nous venons de voir dans cet exemple un des rares cas o PROLOG effectue un contrle.
Sans cela, il cherchait tous les N (rels) 1750 avant de passer la formule atomique suivante. Donc
il ne terminerait jamais.
Pour contourner ces deux difficults (les rgles sont dcoupes en formules atomiques et les
variables numriques sont considres comme des rels) dans le cas dune recherche dans intervalle
de valeurs, PROLOG introduit le mot cl between (debut, fin, X) o X est une variable considre
comme un entier et comprise entre debut et fin.
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


175 175
Ex : Quels sont les personnages ns entre 1750 et 1800 ?
?- between (1750, 1800, N), bio (Qui, _, N, _, _, _).
N=1754
Qui=louis16;
N=1755;
Qui=louis18;
N=1757;
Qui=charles10;
N=1759;
Qui=clotilde;
N=1773;
Qui=louis_philippe1;
N=1785;
Qui=louis17;
No
Cette fois PROLOG veut bien sexcuter car il y a un nombre fini dentiers compris entre 1750 et
1800. On retrouve bien les mmes rsultats quavec le premier exemple.

PROLOG permet galement de faon tout fait naturelle de rechercher des solutions nappartenant
pas un ensemble de valeurs.

Ex : Quels sont les personnages qui ne sont pas ns entre 1750 et 1800
?- bio (Qui, _, N,_,_,_), (1750>N; N>1800)
Qui=louis13;
N=1601;
Qui=elisabeth_France;
N=1603;
Qui=marie_therese_autriche;
N=1638;
Qui=louis14;
N=1773;
Qui=louis_philippe1;
N=1638;
Qui=grand_dauphin;
N=1661;
Qui=louis_bourbon;
N=1682;
Qui=phillipe5;
N=1683;
Qui=louis_philippe1;
N=1638;
Qui=louis15;
N=1710;
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


176 176
Qui=louis_dauphin;
N=1729;
Qui= philippe1;
N=1640;
Qui=philippe2;
N=1674;
Qui=louis_orleans;
N=1703;
Qui=louis_philippe;
N=1725;
Qui=philippe_egalite;
N=1747
No


VIII.2. PROGRAMMATION FONCTIONNELLE (SCHEME)

VIII.2.1. Expression
Schme est un dialecte de LISP (List Processing), Lisp est un langage de programmation
fonctionnelle le plus connu. Toute instruction en Schme est une expression.
Le prompt dpend de la configuration de Schme : :, ou =>. Ici nous employons >.
Une expression compose commence toujours par une parenthse ouverte, Suivi dune fonction, en
suite des arguments et se termine par une parenthse ferme. Les arguments sont spars par des
espaces (espace(s), tabulation, ligne).
-Exemple :
> (+ 30 20)
50
>
Il doit y avoir au moins un espace pour sparer deux arguments conscutifs. Lidentificateur +
reprsente une fonction prdfinie de Schme
Les expressions construites avec les formes spciales tels que : define, lambda, if, cond, let, set ! ont
une syntaxe et un comportement spcifique.
Les arguments dune fonction peuvent tre des expressions composes.
-Exemple :
> (+ (* 3 (+ (* 2 4) (+ 3 5) ) ) (+ (- 10 7) 6) )
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


177 177
57
> (f (+ 3 5 4) (carre (+ 4 2) ) )
70
Les fonctions f et carre doivent avoir t pralablement dfinies. Certaines fonctions peuvent avoir
un nombre variable darguments, (Par exemple, +, --, *, /).
VIII.2.2. Indentation des programmes
Il est aussi important de crer des programmes lisibles que des programmes qui fonctionnent
correctement.
Voir aussi reindenter tout dans le menu de longlet Schme. <CTRL-I>
-Exemple dexpression correctement indente :
(+ (* 3 (+ (* 2 4 ) (+ 3 5 ) )) (+ (- 10 7 ) 6) )
(+ (* 3
(+ (* 2 4 )
(+ 3 5 ) ) )
(+ (- 10 7 )
6 ) )
Laquelle se lit facilement ?
-Exemple dexpression mal indente :
(+ (* 3
(+ (* 2 4)
(+ 3 5 ) ) )
(+ (- 10 7)
6 ) )

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


178 178
VIII.2.3. les variables
Une variable est un identificateur. On dfinit des variables avec la forme define.
-Syntaxe :
(define <identificateur> <expression>)
-Exemple :
> (define size 2)
>
Remarque : une expression construite avec la forme spciale define ne retourne aucune valeur.
- Dfinir des variables
> size
2
> (+ size 5)
7
> (define size (+ 4 6) )
> size
10
> (define size (+ size 7) )
> size
17
Seules les variables dfinies peuvent tre values.
> xx
Reference to undefined identifier: xx
>


Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


179 179
VIII.2.4. Affectation
On change la valeur dune variable par la forme set !

-Syntaxe :
(set ! <variable> <expression>)
-Exemple :
> (set ! size 10)
> size
10
La variable doit tre dfinie.
> (set ! xx 4)
Set! : cannot set undefined identifier: xx, La forme set! peut produire des effets de bord. On peut
crire des programmes dune grande complexit sans utiliser set !Par convention, les noms des
fonctions qui modifient leurs arguments sont termines par !,Il est strictement interdit dutiliser
la forme set ! avant la section sur les donnes mutables que nous verrons la fin de la session.
VIII.2.5. Les fonctions
Les fonctions sont construites avec la forme spciale lambda.
-Syntaxe :
(lambda (<arg-1><arg-n>)
<expression-1>
<expression-m>)
Le rsultat est une fonction n arguments, Son utilisation retourne la valeur de lexpression
<expression-m>.Les m-1 premires expressions sont values mais leurs valeurs ne sont pas
retournes. Elles sont utiles pour leurs effets de bord (set !, define, print, )
-Exemple:

> (lambda (x)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


180 180
(define z 3)
(define w (+ z 3))
(+ x (* 10 w)))
La capacit de traiter aisment les fonctions comme dautres donnes est une particularit de la
programmation fonctionnelle (voir plus particulirement les fonctions dordre suprieur)
On peut dfinir des variables ayant comme valeur le rsultat dune expression lambda.
-Exemple 1
> (define fonct1 (lambda (x)
(define z 3)
(define w (+ z 3)
(+ x (* 10 w))))
> fonct1
Elle sutilise comme une fonction prdfinie
> (fonct1 2)
62
>
-Exemple 2
> (define carre (lambda (x) (* x x)))
> (carre 2)
4
> (+ (carre 9) 5)
86
>
Faon abrg de nommer une fonction
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


181 181
(define <nom>)
(lambda (<parametres>)
<corp>))
Peut tre aussi crite comme suite :
(define (<nom> <parametres>)
<corp>)

-Exemple 1 : faon abrg de nommer une fonction

(define fonct1 (lambda (x)
(define z 3)
(define w (+ z 3))
(+ x (* 10 w))))

Est quivalent
(define (fonct1 x)
(define z 3)
(define w (+ z 3))
(+ x (* 10 w)))
-Exemple2 : faon abrg de nommer une fonction
> (define (carre x) (* x x))
> (define (somme-carres x y)
(+ (carre x) (carre y)))
> (somme-carres 3 4)
25
> (define (distance x1 y1 x2 y2)
(sqrt (somme-carres (- y2 y1) (- x2 x1))))
> (distance 0 0 3 4)
5
> (distance 0 0 1 1)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


182 182
1.414213562373730951
VIII.2.6. Expression conditionnelles (la forme cond)
-Syntaxe :
(cond (<p
1
> <e
11
> <e
1n
>)

(<p
m
> <e
m1
> <e
mn
>))
O les p
i
sont des expressions jouant le rle de prdicat et les e
ij
des expressions.
-Exemple : la fonction valeur absolue
> (define (f1 x)
(cond ( (> x 0) x)
( (= x 0) 0)
((< x 0) (- x))))
> (f1 -2)
2
> (define (f2 x)
(cond ((< x 0) (- x))
(else x)))
> (f2 -2)
2
>
VIII.2.7. Expressions conditionnelles (la forme if)
Est une abrviation de cond utilise lorsquil ny a que deux conditions possibles :
(if <p> <e
1
> <e
2
>)
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


183 183
Est quivalent
(cond (<p> <e
1
>)
(else <e
2
>))
-Exemple
> (define (f3 x)
(if (< x 0)
(- x)
x))
VIII.2.8. Expressions conditionnelles (la forme case)
-Syntaxe :
(case <key> <clause1> <clause2> )
<key> est une expression quelconque.
<clause> est une expression de la forme suivante :
((<val
1
> ) <expression
1
> <expression
2
> ),
Les <val
i
> sont des reprsentations externes dune valeur possible en Schme. Les <val
i
> doivent
tre distincts.
La dernire <clause> peut avoir la forme
(else <expression
1
> <expression
2
> ).
Une expression case est valu de la faon suivante. Key est valu et sa valeur est compare
chaque <val
i
>. Si le rsultat de lvaluation de <key> est quivalent (dans le sens de eqv ?; voir le
thme IX sur lgalit) un des <val
i
> alors les expressions de la clause correspondante sont
values de gauche droite et le rsultat de la dernire expression est retourn comme le rsultat de
lexpression case au complet. Si le rsultat de lvaluation de <key> est diffrent de chaque <val
i
>
alors sil y a une clause else alors ce sont les expressions de la clause else qui sont values et cest
la valeur de la dernire expression qui est retourne. Sil ny a pas de clause else alors la valeur de
lexpression case nest pas spcifie (il ny a pas ncessairement un massage derreur).
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


184 184

-Exemple :
(case (* 2 3 )
( ( 2 3 5 7 ) premier )
( (1 4 6 8 9) compos ) ) ==== compos
(case (car (c d ) )
( (a) a)
( (b) b ) ) ==== non spcifi
(case (car (c d ) )
( (a e i o u) voyelle )
( (w y) semi-voyelle )
(else consonne ) ) ==== consonne

VIII.2.9. boucle do
Les boucles servent rpter un certain nombre de fois une portion de programme, comprise entre le
dbut et la fin de la boucle.Voici comment dclarer une boucle dans un programme Scheme. On
utilise la fonction do et la variable i pour compter le nombre dexcution successives de la
boucle.
Exemple :
(do ( ( i 0 (+ i 1) ) ) ( (= i 10) )
(print i)
(print (* 3 i) )
)

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


185 185
Analyse de lexemple :

(do ( ( i 0 (+ i 1) ) ) ( (= i 10) )


(a) (b) (c)
(a) : Valeur de dpart de I (ici 0)
(b) : Incrment de i la fin de chaque passage dans la boucle
(Ici i est augment de 1)
(c) : Condition de fin de boucle (quand i vaut 10)
(print i) ;; insrez ici la partie du programme
(print (* 3 i)) ;; boucler en utilisant ventuellement la
) ;; fin da la boucle

Dans cet exemple, on excute une multiplication pour i allant de 0 9 par pas de 1 (puisque i=
10 provoque la fin de la boucle). La valeur de i est multiplie par 3. La valeur de i ainsi que
le rsultat de la multiplication sont affichs dans la console grce la fonction print .

VIII.2.10. Manipuler les listes
Il est courant en Scheme de dclarer une liste dlments. Voici, par exemple, comment dclarer une
suite de nombres :
( define ma-liste (list 4 45 6 73 ) )
Lvaluation de cette ligne donne le message :
ma-liste.
Pour connatre le nombre dlments contenus dans une liste, on utilise la fonction length , avec
comme argument, le nom de la liste dont on veut compter les lments.
( length ma-liste)
La console doit donner le nombre dlments compris dans la liste :
4

Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


186 186
LISTE DES SUJETS DE SEMINAIRE : 2009 2010

1. Acquisition des Connaissances
2. Intelligence Artificielle Distribue
3. Agents Intelligents
4. Cerveaux lectroniques
5. Rseaux de Neurones
6. Rseaux de Neurones hybrides
7. Algorithmes gntiques
8. Apprentissage
9. Contrle intelligent
10. Intelligence Artificielle et le Commerce lectronique
11. Intelligence Artificielle sur Internet
12. Incertitude
13. Intgration dinformation
14. Traitement du langage naturel
15. Logique floue et commande floue
16. Perception
17. Modlisation Cognitive
18. Planification
19. Raisonnement
20. Raisonnement par cas
21. Raisonnement probabiliste
22. Recherche des donnes
23. Reprsentation des connaissances
24. Les Systmes de Rsolution de problmes
25. Robotique
26. Systmes Experts en langages naturels
27. Tableau noir
28. Traitement de la parole
29. Vie artificielle
30. Vision artificielle
31. Conception Assiste par Ordinateur
32. Conception Assiste par Intelligence Artificielle
33. Les Systmes Multi agents
34. LIntelligence Artificielle Parallle
35. La Rsolution Distribue des Problmes
36. Les machines Intelligentes
37. La Robotique
38. Les Robots intelligents
39. Robot sexy
40. Chaton Robot
41. Robotique et Smantique
Intelligence artificielle et systmes experts

Universit de Kinshasa
Facult des Sciences
Dpartement des Mathmatiques et Informatique


187 187
42. Robotique et visionique
43. Enseignement Assist par Ordinateur
44. Les copilotes informatiques
45. Traduction automatique
46. Traduction Assiste par Ordinateur
47. Les systmes daide
48. La Reconnaissance des formes
49. La Reconnaissance de la Parole
50. Interrogation des bases de donnes en langages naturels
51. Analyse et comprhension des textes
52. Interfaces (communications) hommes machines
53. Commande par tlphone
54. Recherche documentaire
55. Les vhicules autonomes
56. Les explorateurs spatiaux
57. Les SIAD EXPERT
58. Les Systmes experts en gestion
59. Les Systmes de reconnaissances de cibles
60. Les robots sentinelles
61. Les robot sacrifiables
62. Les moteurs de recherche
63. Les bases de donnes dductives et base de donnes actives
64. LIntelligence Artificielle forte
65. LIntelligence Artificielle faible
66. Les agents mobiles et la norme CORBA
67. Intelligence Artificielle et tlcommunications
68. Intelligence Artificielle et rseaux
69. La reconnaissance des caractres
70. Le calcul formel
71. Les rseaux neuronaux hybrides
72. Le chatbot
73. Les ordinateurs quantiques
74. Les serviteurs lectroniques
75. Les sens lectroniques
76. Lingnierie neuromorphique
77. Les ordinateurs conversationnels
78. Intelligence Artificielle ascendante
79. Intelligence Artificielle descendante
80. Le Test de Turing
81. La programmation automatique
82. Les arbres de dcision