Vous êtes sur la page 1sur 9

1

SOMMAIRE
Introduction
Méthode de Delphi
Phase 1 : formulation du problème
Phase 2 : choix des experts
Phase 3 : déroulement pratique et exploitation des résultats
But
Le but final
Objectifs
Avantages et inconvénients
Les inconvénients

Convergence des algorithmes


Quand un algorithme converge ?

L’intelligence Artificielle
Qu’est ce que l’Intelligence Artificielle ?
Comment fonctionne l’intelligence artificielle ?
Comment les entreprises peuvent bénéficier de l’intelligence artificielle ?
Première intelligence artificielle
Quel est le but de l’intelligence artificielle ?

Modèle de revisitions et la chaine de Markov


Définition
Exemples De Chaine De Markov

Récurrences markoviennes
EXEMPLE 

CONCLUSION
REFERENCE
2

Méthode de Delphi
La Méthode de Delphi tire son nom des oracles de Delphes (les auteurs de cette méthode
n’étaient pas satisfaits par le nom qui impliquait, selon eux quelque chose de peu occulte),
elle a été développée au commencement de la guerre froide pour connaitre l’impact des
progrès technologiques sur les guerres. C’est une technique qui a connu de nombreuses
versions différentes ou phases :

Phase 1 : formulation du problème

C’est une étape fondamentale dans la réalisation d’un Delphi. En effet, dans une méthode
d’experts, l’importance de la définition précise du domaine d’investigation est d’autant plus
grande qu’il faut être bien certain que les experts recrutes ont tous la même notion de ce
domaine

Phase 2 : choix des experts

Cette étape est d’autant plus importante que le terme d’expert est ambigu. Indépendamment
de ses titres, de sa fonction ou de son niveau hiérarchique, l’expert sera choisi pour sa
capacité à envisager l’avenir.

Phase 3 : déroulement pratique et exploitation des résultats.

Le questionnaire est envoyé aux experts. Il est bien sur accompagné d’une note de
présentation précisant les buts, l’esprit du Delphi, ainsi que les conditions pratiques de
déroulement de l’enquête.

But

La méthode Delphi a pour but de mettre en évidence des convergences d’opinion et de


dégager certains consensus sur des sujets précis, grâce à l’interrogation d’experts, à l’aide de
questionnaire successifs.

Le but final est de rassembler plusieurs avis d’experts sur un sujet précis, de mettre en
évidence des convergences d’opinions et de dégager un éventuel consensus

Objectifs

L’objectif le plus fréquent des études de Delphi est d’apporter l’éclairage des experts sur des
zones d’incertitude en vue d’une aide la décision.

C’est un outil standard d’enquête. Elle consiste en un processus itératif qui permet une
présentation anonyme d’un ensemble de jugements émanant de personnes informées. Cette
méthode a la particularité de poser une série de questions à un cercle permanant d’experts
plusieurs fois de suite.
3

Avantages et inconvénients

L’un des avantages de Delphi est le quasi certitude d’obtenir un consensus à l’issue
des questionnaires successifs.

Elle aide aussi à structurer une communication de groupe, de sorte que le processus soit
efficace en permettant à un groupe d’individus de traiter un problème complexe.

Elle autorise une consultation large et indépendante. Néanmoins, la méthode est bien
adaptée pour préparer le consensus nécessaire à certaines prises de décisions.

Les inconvénients de cette méthode est que la convergence s’obtient à travers


l’agrégation autour des valeurs centrales. Et la convergence ne signifie pas forcement la
cohérence, un consensus n’est en aucun cas un gage de vérité. Tout le monde peut très bien se
tromper en même temps. Ce risque est d’autant plus grand que les groupes d’experts sont
exposes aux phénomènes de contagion mutuelle et qu’ils disposent d’une culture commune
qui peut les isoler.

Plusieurs contraintes limitent la portée de la méthode qui se révèle longue, couteuse,


fastidieuse intuitive plutôt que rationnelle. La procédure contraignante est de plus discutable
car les seuls experts qui sortent de la norme doivent justifier leur position.

La méthode de Delphi consiste à organiser la consultation d’experts, soumis à des


vagues successives de questionnement sur un sujet précis pour mettre en évidence les
convergences et les consensus.

C’est une technique de facilitation majeure, qui part du principe que l’intelligence du groupe
est supérieure à la somme des intelligences individuelles.

Cette méthode, très efficace et a la précision redoutable, est notamment réutilisée dans les
projets de développement informatique pour estimer des charges, des durées en complément
ou a la place de techniques très complexes.

Convergence des algorithmes


Lorsqu’un algorithme fait vraiment ce qu’il est censé faire (s’arrêter puis afficher le
résultat voulu, on dit qu’il converge)
Le protocole EIGRP utilise l’algorithme de convergence DUAL. La convergence est
essentielle dans un réseau pour éviter les boucles de routage.
Les boucles de routage même temporaire peuvent nuire aux performances réseau.
Le principal moyen d’utiliser les boucles de routage étant l’algorithme DUAL.

L’algorithme Dual permet d’éliminer les boucles à chaque instance lors d’un calcul de
route. Cela permet a tous les routeurs concernes par une modification de topologie de se
synchroniser simultanément.
4

Quand un algorithme converge ?

La plupart des algorithmes de calcul numérique visent à approcher la limite d’une suite par
un terme de rang suffisamment grand de la suite. Il est donc difficile de trouver des exemples
d’algorithmes à la fois simples, pertinents et intéressants pour les élèves sans évoquer le
vocabulaire des suites, ce qui présente au moins deux inconvénients :

1. Le cours sur les suites ne sera qu’en première


2. Avec un tableur c’est plus facile…
Quand aux forces de vente, elles gagnent, grâce aux algorithmes, la capacité de mieux cibler
les bons prospects et de connaitre les clients a choyé, grâce a l’analyse automatique des
conversations.
Bref, la ou il y’a du digital, il y’a (ou aura) de l’intelligence artificielle. Qui peut vous offrir
un réel avantage compétitif… De nombreuses entreprises l’ont bien compris.

L’intelligence Artificielle
Qu’est ce que l’Intelligence Artificielle ?

L’IA consiste à mettre en œuvre un certain nombre de techniques visant à permettre


aux machines d’imiter une forme d’intelligence réelle. L’IA se retrouve implémentée dans un
nombre grandissant de domaines d’application. Elle possède :

- La capacité de raisonner
- La capacité de traiter de grandes quantités de données
- La Faculté de discerner des patterns et des modèles indétectables par un humain
- L’aptitude à comprendre et analyser ces modèles
- Les capacités à interagir avec l’homme
- La faculté d’apprendre progressivement
- Et d’améliorer continuellement ses performances.

L’intelligence artificielle couvre donc un vaste sujet, en perpétuel mutation. Et aux progrès
fulgurants depuis 1950, année fondatrice de L’IA.

Comment fonctionne l’intelligence artificielle ?

La révolution actuelle de L’IA est rendue possible par une combinaison de 3 facteurs,
selon Harry Shum : « une vaste quantité de data, une puissance informatique
extraordinaire, notamment grâce au Cloud ; et des algorithmes révolutionnaires, basés sur
les deep-Learning.

Quand au Deep-Learning, il repose sur un réseau de neurones artificiels, qui imitent le


fonctionnement de notre cerveau. Et crée une machine virtuelle opposée de milliers d’unités,
chacune chargée de petits calculs simples.

L’IA a ainsi fréquemment recours à l’apprentissage supervisé.Autre composant de


l’intelligence artificielle, le Machine Learning. Certains algorithmes ne se content plus de
5

reconnaitre des images, mais se montrent capables de les produire et de donner des yeux aux
machines.

Comment les entreprises peuvent bénéficier de l’intelligence artificielle ?

Toutes les entreprises, quelles que soient leur taille et la quantité de données gérées, peuvent
bénéficier de l’intelligence artificielle. Et tous les secteurs sont impactés, ou le seront
demain : conséquence de cette démocratisation.

Traduction automatique, maintenance prédictive, chatbots, amplification des capacités des


collaborateurs, amélioration de votre business model etc.….pour ne citer que cela.

L’intelligence Artificielle bouleverse tous les secteurs, tous les domaines.

Historicité

Du mythe grec de pygmalion, qui sculpta une statue qui devint vivante, au canard mécanique
de l’automaticien Vaucanson (1738) qui bat des ailes, mange du pain et le digère, on trouve
dans l’histoire de l’humaine de nombreuses références a une volonté de l’homme de créer des
machines a l’image des êtres vivants.

En 1943, les premiers ordinateurs voient le jour.

En 1945, Zuse un des créateurs des premiers ordinateurs programme les règles de jeu de
l’échec.

En 1949, Shannon qui fut un promoteur de la théorie de l’information, propose une méthode
pour jouer aux échecs.

En 1950, le mathématicien britannique Alan Turing, publie dans le journal philosophique


Mind, un article intitule Computing Machinery and inteligence. Dans cet article, il décrit un
test : Test de Turing. Et en cette même année, Asimov publie plusieurs nouvelles traitant la
question de l’intelligence artificielle.

Considéré par beaucoup comme l’un des fondateurs de l’informatique, Turing est également
un des précurseurs de l’intelligence artificielle.

De 1955 à 1956, Allen Newell, John Shaw et Hebert Simon créent: “Logic Theorist”, qui est
considéré comme le premier programme d’Intelligence Artificielle.

En 1956, le terme d’intelligence artificielle (IA) est créé durant la conférence de Darmouth
par Minsky, McCarthy, Newell, Simon, Shannon et bien d’autres.

En 1958, un certain John McCarthy créa le langage informatique IPL (Information


Processing Language, Langage informatique de manipulation de liste)
6

Quel est le but de l’intelligence artificielle ?

Le but ultime de l’intelligence artificielle est d’aboutir à des machines faisant preuve
d’une intelligence forte, c'est-à-dire capable de résoudre n’importe quelle tache qu’un être
humain peut résoudre, y compris celle de déterminer quelle est la tache à résoudre dans une
situation donnée.

En 2017, L’IA a franchi une étape décisive, parvenant à identifier les mots dans une
conversation orale aussi bien qu’un être humain, ouvrant de nouvelles perspectives pour la
traduction automatique.

Janvier 2018, nouvelle prouesse : L’IA dépasse les humains lors des exercices de lecture et de
compréhension, dans le célèbre test de lecture de l’Université de Stanford. Cela permettra à
l’intelligence artificielle, demain, d’interagir encore plus facilement avec les humains, pour
leur apporter de l’information de manière plus naturelle.

Bien sur qu’il faut aimer L’IA ! Apres tout, qu’est ce que l’opposé de l’Intelligence
Artificielle ? La stupidité naturelle…

Modèle de revisitions et la chaine de Markov


Définition
en considérant une suite xi, x1 …… , de variables aléatoires dont l’ensemble fondamentale
commun est { 0,1 … … N }. Ce modèle peut servir a représenter l’état d’un service d’un système
au cours du temps, xn désignant cet état au temps n .dans ce cadre, nous dirons que le
système se trouve dans l’état i au temps n si xn=i . La suite des variables considérer est
appeler chaine des Markov si , chaque fois que le système st dans l’état i il y a une probabilité
donner pij pour qu’il passe a l’état j ; plus précisément encore la condition requise s’écrit
pour tout ensemble de rée i0 ?

I1…… ,in,j . P{ X n+1= j| X n=i , X n−1=i n−1 , … … , X 1=i 1 , X 0=i0 }= pij

Les grandeurs pij , ou 0 ≤ i≤ m et 0 ≤j≤ m , sont appelées probabilités de transition de la


chaine de marckov et verifient (dire pourquoi ) les relation suivants .
M
Pij≥ 0 ∑ Pij=1 i=0 ,1,….,m
J =0

Il est commode de disposer ces probabilites de transition pij dans un tableau °carre comme
suit

P 00 P 01 … P 0 M
P 10 P 11 … P 1 M
PM 0 PM 1 … PMM

Un tel tableau est appele matrice.


7

La connaissance de la ≪matrice de transition≫ainsi cre et de la distribution de x0 permet


theoriquement de calculer toutes les probabilites desirees . La densite conjointe de xo ,x1,
…,xn par exemple est calculable ainsi :
P{xn=in ,xn-1=in-1, …,x1=i1,xo=xo}
=p{ Xn=¿|Xn−1=¿−1, … , X 1=i 1 , Xo=i à }
Xp{ Xn−1=¿−1 ,… , X 1=i 1 , Xo=io }
=p{pin-1,inp{xn-1=in-1,…,x1=i1,xo=io}

Et la répétition de cet argument finit par montrer que la probabilité ci-dessus vaut
p{xn=in,xn-1,…,x1=i1,xo=io}
=pin-1,inpin-2,in-1…pi1,i2pi0,i1p {xo=io}

Exemples de chaine de Markov

1-) on considère un joueur qui chaque tour de jeu ne peu que deux résultats possible. Soit il
gagne 1 avec une probabilité p soit il perd 1 avec une probabilité 1-p. On suppose que le
joueur cesse de miser des que fortune atteint 0 ou m . On reconnait dans la suite des avoir de
joueur une chaine Markov ayant pour probabilité de transition

Pi,i + i= p= 1-pii- I=1 ,2 ,……… ;m-1 P00= pmm-1

2-) on admet que le fait qu’il ait plu ou non un jour donne est la seule considération a prendre
en compte pour prévoir sil pleuvra le lendemain . Plus précisément, sil pleut aujourd’hui il
pleuvra demain aussi avec probabilité ∝et s"il ne pleut pas autour «hui la probabilité qu’il
pleut demain est β .

On convient de dire que le système est dans l état 0 s"il pleut et 1 s"il ne pleut pas . La
situation peut etre represntee par une chaine de markov a deux états dont la matrice de
transition est

|∝β 1−∝
1−β |
C"est a dire, poo=∝=1−Po 1et p1o=β=1-p11

Récurrences markoviennes

Nombre de CMH sont d´ecrites par une ´equation de r´ecurrence contrˆol´ee par un “bruit
blanc”. Plus pr´ecis´ement,

D´emonstration. L’it´eration de (8.5) montre que pour tout n ≥ 1, il existe


une fonc- tion gn telle que xn = gn(x0, z 1 ,..., zn), et donc p (xn+1 = j | xn = i, xn−1 =
i n −1 ,..., x0 = i0) = p (f (i, zn+1) = j | xn = i, xn−1 = i n −1 ,..., x0 = i0) =

P (f (i, zn+1 ) = j), puisque l’´ev´enement {x0 = i0 , . . . , xn−1 = in−1 , xn = i} est ex-

Primable en termes de x0 , z1 , . . . , zn et est donc ind´ependant de zn+1 . Semblablement, p


(xn+1 = j | xn = i) = p (f (i, zn+1) = j). On a donc une chaîne de Markov, qui est de plus`en,
8

puisque le second membre de la déni`ere ´egalit´e ne d´epend pas de n.

Explicitement :

Pij = p (f (i, z1) = j).


une variable `a valeurs
Dans z. Soit {zn }n≥1 une suite de variables iiD ind´ependante de x0 , prenant les valeurs
+1 ou −1, et de distribution de probabilit´e commune P (zn = +1) = p, Ou` 0 < p < 1. Le
processus {xn }n≥1 d´efini par : Xn+1 = xn + zn+1
est, au vu du th´eor`eme 8.1.3, une CMH, appel´ee marche al´eatoire sur z.

EXEMPLE ; aUTOMAtes sTOCHASTIQUES. Un automate fini (e, a, f) peut lire

Les lettres d’un alphabet fini a ´ecrites sur un ruban infini. Cet automate se trouve `a
un instant donné dans un quelconque des ´etats d’un ensemble fini e, et son
´evolution est r´egie par une fonction f : e × a → e comme suit. Quand l’automate
est dans l’´etat i ∈ e et lit la lettre a ∈ a, il passe de l’´etat i `a l’´etat j = f (i, a)
et lit sur le ruban la prochaine lettre `a droite de celle qu’il vient de lire.

Un automate est repr´esent´e par son graphe de transition tt ayant pour nœuds les ´etats de
e. Il y a une arête orient´ee du nœud (´etat) i au nœud j si et seulement s’il exist
9

Vous aimerez peut-être aussi