Académique Documents
Professionnel Documents
Culture Documents
INTRODUCTION
Patrick NOUNAMO
2019-2020
SUJETS COUVERTS
• Intelligence artificielle
• Agents intelligents
• Rationalité
• PEAS (mesure de Performance, Environnement, Actuateurs, Senseurs)
• Types d’environnements
• Types d’agents
• Exemple – Le monde des wumpus (Wumpus world)
2
SUJETS COUVERTS
3
4
INTELLIGENCE
• Définition ?
• Faculté de connaître, de comprendre ; qualité de l'esprit qui
comprend et s'adapte facilement.
• L'ensemble des fonctions mentales ayant pour objet la
connaissance rationnelle (opposé à sensation et à intuition).
INTELLIGENCE
5 ARTIFICIELLE (IA)
Définition :
Grand dictionnaire terminologique, 2006
• Compréhension de l’intelligence
• Sciences cognitives, psychologie
• Comprendre le raisonnement humain
• Prédire la performance d’un humaine à une tâche
• Ex: l’architecture ACT-R pour évaluer le risque de parler
au téléphone en conduisant une voiture
(1) Système d’aide à la décision; (3) Rover de la NASA; (4) Radarsat-II de l’ASC;
(2) Azimut-3;
(5) Mario de Nintendo.
7
8
• Programmation
• Scripts
• Machine à états finis
TEST DE TURING
AGENTS
• Un agent est n’importe quel entité qui perçoit son environnement par des
senseurs (capteurs) et agit sur cet environnement par des actuateurs.
• Un agent humain a:
• Un agent robot a:
10
AGENTS ET ENVIRONNEMENTS
11
12
13
AGENTS RATIONNELS
• Un agent rationnel doit agir “correctement” en fonction de ce qu’il perçoit et de ses
capacités d’action:
• L’action correcte est celle permettant à l’agent de réussir le mieux.
• Mesure de performance:
• Une fonction objective mesurant la qualité d’un comportement de l’agent.
• Par exemple, une mesure de performance pour le robot aspirateur pourrait être:
• la quantité de déchets aspirés,
• la propreté des lieux;
• la durée de la tâche;
• le bruit généré;
• Agent rationnel: Étant donné une séquence d’observations (données sensorielles) et des
connaissances propres, un agent rationnel devrait choisir une action qui maximise la
mesure de performance.
14
AGENTS RATIONNELS
• Rationalité ne veut pas dire « qui sait tout » (par exemple, connaît
tous les effets de ses actions)!
15
MODÈLE PEAS
16
MODÈLE PEAS POUR UN ROBOT TAXI
17
MODÈLE PEAS POUR UN DIAGNOSTIQUE
MÉDICAL AUTOMATISÉ
18
TYPES D’ENVIRONNEMENTS
• Complètement observables (vs. partiellement observable): Grâce à ses senseurs, l’agent a
accès un état complet de l’environnement à chaque instant.
• Déterministe (vs. stochastique): L’état suivant de l’environnement est entièrement
déterminé par l’état courant et l’action effectuée par l’agent.
• Statique (vs. dynamique): L’environnement ne change pas lorsque l’agent n’agit pas.
19
STRUCTURE DES AGENTS
20
SIMPLE REFLEX AGENTS
21
SIMPLE REFLEX AGENT
22
MODEL-BASED REFLEX AGENTS
23
GOAL-BASED AGENTS
24
UTILITY-BASED AGENTS
25
LEARNING AGENTS
26
EXEMPLE : LE MONDE DES WUMPUS
• Mesure de performance
• or +1000, mort -1000
• -1 par un pas, -10 pour une flèche
• Environnement
• Puanteur dans les chambres adjacent au wumpus.
• Brise dans les chambres adjacentes à une fosse
• Scintillement si l’or est dans la chambre
• Le wumpus meurt si on lui tire une flèche de face
• On a une seule flèche
• On peut ramasser l’or dans la même chambre
• On peut lâcher l’or dans une chambre
• Senseurs: stench (puanteur), breeze (brise), glitter (scintillement), bumper (choc), scream (cri).
• Actuateurs: Left turn, Right turn, Forward, Grab, Release, Shoot
27
CARACTÉRISATION DU MONDE DES
WUMPUS
• Complètement observable?
• Non – seulement perception locale.
• Déterministe?
• Oui – l’effet de chaque action est prévisible.
• Épisodique?
• Non – séquentiel au niveau des actions.
• Statique?
• Oui – le wumpus et les fosses ne bougent pas.
• Discret?
• Oui.
• Agent unique?
• Oui – La seule action du wumpus est de nous « bouffer » si on atteint sa chambre.
28
EXPLORATION DU MONDE DES WUMPUS
29
EXPLORATION DU MONDE DES WUMPUS
IFT615
EXPLORATION DU MONDE DES
WUMPUS
EXPLORATION DU MONDE DES WUMPUS
32
EXPLORATION DU MONDE DES WUMPUS
35
EXPLORATION DU MONDE DES WUMPUS
36
PROCHAIN CHAPITRE
RECHERCHE HEURISTIQUE
• MOTIVATION
• Problèmes pouvant être résolus à l’aide d’algorithmes de
recherche
37
EXEMPLE : TROUVER CHEMIN
38
DANS VILLE
Trouver un chemin de la 9e ave & 50e rue à la 3e ave et 51e rue
(Exemple de Henry Kautz, U. of Washington)
53e rue
52e rue
51e rue G
50e rue
S
10e ave
9e ave
8e ave
3e ave
7e ave
6e ave
5e ave
4e ave
2e ave
EXEMPLE : TROUVER CHEMIN DANS LA VILLE
39 Trouver un chemin de la 9e ave & 50e rue à la 3e ave et 51e rue
(Illustration par Henry Kautz, U. of Washington)
53e rue
52e rue
51e rue G
50e rue S
10e ave
9e ave
8e ave
3e Ave
7e ave
6e ave
5e ave
4e ave
2e ave
EXEMPLE : GOOGLE MAPS
40
41 EXEMPLE : LIVRER DES COLIS
r5 r6 r5 r6
robot
42 EXEMPLE : LIVRER DES COLIS
p1 p2 p3 p4
O3
O1 O2
c1 robot c2
43 EXEMPLE : NPUZZLE
2 8 3 ? 1 2 3
1 6 4 8 4
7 5 7 6 5
• En général
• Le graphe est défini récursivement
• Une heuristique est utilisée pour guider la recherche
• Les heuristiques exploitent les connaissances du domaine d’application
PROBLÈME DE RECHERCHE DANS UN
47 GRAPHE
• Algorithme de recherche dans un graphe
• Entrées
• Un nœud initial
• Une fonction goal(n) qui retourne true si le but est atteint
• Une fonction de transition transitions(n) qui retourne les
nœuds successeurs de n.
• Sortie
• Un chemin dans un graphe (séquence nœuds / arrêtes)
• Le coût d’un chemin est la somme des coûts des arrêtes dans le graphe
• Il peut y avoir plusieurs nœuds qui satisfont le but
• Enjeux
• Trouver un chemin solution
• Trouver un chemin optimal
• Trouver rapidement un chemin (optimalité pas importante)
48 EXEMPLE : GRAPHE D’UNE VILLE
• Nœuds = intersections
• Arrêtes = segments de rue
53e rue
52e rue
51e rue G
50e rue S
10e ave
9e ave
8e ave
3e Ave
7e ave
6e ave
5e ave
4e ave
2e ave
(Illustration par Henry Kautz, U. of Washington)
EXEMPLE : TROUVER UN CHEMIN
49 DANS UN VILLE
Domaine :
ALGORITHME A*
ALGORITHME A*
52
• Une heuristique est une fonction d’estimation du coût entre un nœud d’un
graphe et le but (le nœud à atteindre).
• Les heuristiques sont à la base de beaucoup de travaux en IA:
• Recherche de meilleurs heuristiques
• Apprentissage automatique d’heuristiques