Vous êtes sur la page 1sur 24

Représentation des Connaissances

et Raisonnement Automatique
Mondher Bouden
Maître assistant

Semestre 5
2017
Introduction
• Si un agent1 veut agir de façon “intelligente” dans un
environnement donné, il est important que cet agent ait des
connaissances relatives à cet environnement.

• Pour concevoir un agent doué d’une “intelligence


artificielle”, deux problèmes majeurs se posent à nous :
– Comment représenter les connaissances de l’agent (par exemple :
“il fait nuit”),
– Comment raisonner à partir de ces connaissances (par exemple:
“puisqu’il fait nuit, les magasins sont fermés”) ?

• 1C’est un terme important en IA qui désigne une entité capable


d’interagir avec son environnement. 2
Introduction
• La représentation des connaissances et le
raisonnement automatique sont donc
interconnectées.

• La façon dont on représente les connaissances a un


impact important sur le type de raisonnements qui
peuvent être effectués ainsi que sur la complexité
(calculatoire) du raisonnement.

3
Représentation des connaissances
• En IA, les connaissances sont représentées par des objets
logiques reliés par des propriétés, axiomes et règles. Ce type
de représentation est utilisé dans les systèmes experts.

• Le développement du Web, et en particulier la perspective du


Web sémantique a renouvelé le domaine de représentation
des connaissances surtout avec le développement des
ontologies1.

1Une ontologie est l'ensemble structuré des termes et concepts représentant le sens d'un
champ d'informations, que ce soit par les métadonnées d'un espace de noms, ou les
éléments d'un domaine de connaissances.
5
Représentation des connaissances
• Objectif: L’étude des formalismes qui permettent la
représentation de toutes formes de connaissances.
– En général, ce sont des langages logiques ou
probabilistes.
• Dans ce cours, nous allons nous concentrer sur les
langages logiques (exemple: la logique propositionnelle).
– Nous allons voir surtout la logique des prédicats.

6
La logique des prédicats
• Les éléments de base du langage sont des prédicats.
• Au lieu d'avoir une proposition comme par exemple
"Pierre Est Ami De Paul", on peut considérer que « ami »
est une relation qui porte sur deux arguments (c’est donc
une relation d’arité 2) : dans le cas présent sur deux entités
identifiées « Pierre » et « Paul », et plus généralement sur
deux arguments quelconques X et Y, ce que l’on note
ami(X,Y).
• Dans un tel énoncé, « ami » s'appelle un prédicat et X et Y
sont des variables. Dans l’énoncé ami(Pierre, Paul), Pierre
et Paul désignent des entités précises, ce sont donc des
constantes.
7
La logique des prédicats
• Les formules en logique des prédicats sont formées des
éléments suivants :
– Les symboles pour les constantes, e.g. Marie.
– Les variables, e.g. X, Y.
– Les symboles pour fonctions, e.g. méreDe.
– Les symboles pour prédicats, e.g. humain.
– Les connecteurs logiques : ^, ¬, etc.
– Le quantificateur universelle ∀ (pour tout).
– Le quantificateur existentielle ∃ (il existe).
– Le symbole d’égalité: =.
8
La logique des prédicats
• Considérons par exemple l'énoncé suivant :
– (1) tout chat est un animal.
– (2) Félix est un chat donc Félix est un animal.
• On pourra le formaliser en logique des prédicats de la
manière suivante :
– (1) ∀X (chat(X) → animal(X)) (tout X qui est un chat
est un animal)
– (2) chat(Félix),
• De (1) et (2), on peut déduire : animal(Félix).

• Félix est une constante, x une variable, chat(.) et animal(.)


sont des prédicats unaires. 9
La logique des prédicats
• Un terme est une variable ou une constante.
• Si t1 ... tn sont des termes et si A est un prédicat d’arité n,
alors A(t1,... ,tn) est un atome ou formule atomique.
• Une formule est définie récursivement :
• Tout atome est une formule.
• Si ϕ et ψ sont des formules, alors : ϕ ∨ ψ, ϕ ∧ ψ, ϕ → ψ, ϕ ↔
ψ sont des formules.
• Si ϕ est une formule alors ¬ϕ est une formule.
• Si ϕ est une formule et si x est une variable, alors ∀xϕ et ∃xϕ
sont des formules. ϕ est appelé la portée du quantificateur ∀x
et ∃x.
• Toute formule est obtenue par l’application des règles
précédentes en un nombre fini de fois. 10
La logique des prédicats
Du français à la logique des prédicats
• Exemple
• Certaines pommes sont mûres
• ∃ X pomme(X) ∧ mûre(X)
• Les éléphants sont carnivores ou herbivores
∀ X elephant(X) → (carnivore(X) ∨ herbivore(X))
• Pierre est malade s’il prend l’avion
locomotion(pierre, avion) → état(pierre, malade)

• Mais le langage naturel n’est pas sans ambiguités.


Une expression en langage naturel peut être représentée par
différentes expressions en logique des prédicats.

11
La logique des prédicats
De la logique des prédicats au français
• Exemple :
¬ ∃ X intellectuel(X) ∧ sportif(X)
• Il est faux qu’il existe un intellectuel sportif.
• Personne n’est à la fois intellectuel et sportif.

• Une même expression en logique des prédicats peut être


exprimée de plusieurs façons en langage naturel.

12
Graphes conceptuels
• L'utilisation des graphes en représentation des
connaissances pour l'IA vient de l'idée de
représenter graphiquement des concepts et leurs
liens.

• Une telle représentation graphique des


connaissances permet à des utilisateurs de
comprendre, créer ou modifier directement des
objets de ce type, de façon beaucoup plus simple
(en comparaison avec une représentation sous
forme de formules logiques).
14
Réseaux sémantiques
• En 1979, Hendrix propose les réseaux sémantiques
comme outil qui simule notre représentation de la
mémoire.
• C'est un modèle qui montre comment, l'information
pourrait être représentée en mémoire et comment
on pourrait accéder à ces informations.
• Notre mémoire est représentée comme un bassin de
donnée contenant des concepts, des événements,
des sensations, etc. Tous ces éléments forment un
immense réseau en interrelation.

15
Réseaux sémantiques
• Un réseau sémantique est composé de :
• nœuds dont les interrelations sont établies par des
pointeurs étiquetés. Les nœuds sont les différents
types d'information en mémoire. A ces nœuds
peuvent être associées des propositions, énoncés qui
caractérisent les propriétés s'appliquant au nœuds du
réseau;
• pointeurs dont l'étiquette associée au pointeur
indique quel est le type de relation entre deux nœuds.

16
Réseaux sémantiques
• Le réseau sémantique est un graphe où :
• nœuds : concepts.
• arcs (orientés): liens entre les concepts.

Lien 
Lien 
C2 C4

C1
C3
Lien 
17
Réseaux sémantiques
Exemple

18
Le raisonnement automatique
• Après avoir représenté formellement les connaissances,
comment maintenant pouvons nous raisonner à partir de
ces connaissances.

• En fait, on peut distinguer trois types de raisonnement :

– Raisonnement déductif.

– Raisonnement abductif.

– Raisonnement inductif.
20
Raisonnement déductif
• C’est le type de raisonnement le plus étudié. Il s’agit de
dériver les conséquences d’un ensemble d’informations
données. Le raisonnement déductif permet de déduire
“Marie est un docteur” à partir des informations “Marie est
un docteur ou un professeur” et “Marie n’est pas un
professeur”, ou bien que “Tweety a des ailes” à partir de
“Tweety est un oiseau” et “Tout oiseau a des ailes”.
• L’une des caractéristiques du raisonnement déductif est que
si nous dérivons une conséquence d’un ensemble
d’informations qui sont vraies, alors nous sommes sûrs que
la conséquence est vraie aussi.
21
Raisonnement abductif
• Le but de l’abduction est d’expliquer des observations.
• Le raisonnement abductif est utilisé couramment dans la vie
de tous les jours, et notamment dans le diagnostic médical :
nous cherchons une cause possible (maladie) qui pourrait
expliquer les observations (des symptômes de la patiente) en
présence de connaissances générales (les connaissances sur
la médecine).
• Un exemple d’un raisonnement abductif pourrait être “La
patiente a la grippe” étant donné que “La patiente a de la
fièvre, de la toux, et mal à la tête” et “La grippe peut
provoquer des fièvres, maux de gorge, maux de tête, fatigue,
toux, et des douleurs musculaires”. 22
Raisonnement abductif
• Notez qu’en général il y a plusieurs explications
possibles:

– Les symptômes de la patiente pourraient aussi être


provoqués par une bronchite combinée avec un cancer du
cerveau.

• En général, on préfère les explications les plus simples.

– Moins de maladies, ou des plus probables,


– Des maladies courantes.
23
Raisonnement inductif
• Il s’agit ici de produire des connaissances générales à partir
d’observations. Le raisonnement inductif peut donc être vu
comme une forme d’apprentissage.
• Un exemple d’un raisonnement inductif serait de conclure
que “Tous les cygnes sont blancs” étant donné que tous les
cygnes que l’agent a vu dans sa vie étaient blancs.
• Il est important de noter qu’à la différence du raisonnement
déductif, les conclusions du raisonnement inductif peuvent
s’avérer fausses (il existe des cygnes noirs !). Néanmoins, ce
type de raisonnement est très important car, il nous permet
d’agir dans un environnement donné, lorsque les
informations dont on dispose sur celui-ci sont incomplètes.24