Cours1 Intro

Introduction Historique Notions importantes Connaissance
Représentation des connaissances

et Web sémantique
Introduction
Master SDL – Université d’Orléans
https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/
Thierry Hamon
hamon@limsi.fr
LIMSI-CNRS &
Institut Galilée - Université Paris 13
Septembre – décembre 2019
1/131 Repr. K & IA T Hamon

Ma recherche
Maı̂tre de conférences en Informatique à Paris 13
Recherche au Laboratoire d’Informatique et de Mécanisque
pour les Sciences de l’Ingénieur (LIMSI – Orsay)
Domaine : Traitement Automatique des Langues
appliqué aux domaines de spécialité (électricité, médecine,
risque chimique, etc.)
sur des textes en français, anglais, ukrainien, arabe
Proposition d’approches pour
Constitution et enrichissement de ressources terminologiques
Articulation d’outils de TAL
Extraction et recherche d’information
Type de données textuelles : bases bibliographiques,
documents techniques, dossiers patients, articles scientifiques,
forums de discussion, etc.
Développement d’outils en Perl (modules CPAN)
Ma recherche
Constitution et enrichissement de ressources terminologiques

Exploration de corpus textuels
Extraction de termes : YATEA
[Aubin et Hamon 2006, Hamon et al. 2014, Neifar et al. 2016,
Hamon et Grabar 2016]
Acquisition de relations sémantiques : SynoTerm
[Hamon 2000, Grabar et al. 2008, Hamon et Grabar 2009]
Application : Identification automatique de mots-clés d’articles
[Hamon 2012, Hamon 2016]
Articulation d’outils de TAL [Hamon et al. 2007]

Définition d’une plate-forme modulaire combinant des outils
de TAL pour annoter des documents avec des informations
linguistiques

Ma recherche
Extraction et recherche d’information
Fouille de dossiers patients (en anglais) :
Identification des maladies, des médicaments et des traitements
mais aussi des relations entre eux et de leur niveau de certitude
[Grabar et Hamon 2009, Hamon et al. 2010, Prinet et al. 2011]
Fouille de données bibliographiques :
Collecte des facteurs de risque associés aux maladies
[Hamon et al. 2010]
Collecte ciblée de documents sur le Web [Gollub et al. 2007]
Intégration d’informations linguistiques dans le moteur de
recherche de l’intranet [Grabar et al. 2009]
Fouille de forums de discussion [Hamon et Gagnayre 2013]
Identifier des compétences requises par des programmes
d’éducation thérapeutique
Profilage des internautes (identification des informations
démographiques – en cours)

Organisation des enseignements
9 séances
Alternance de cours et de TD ou de TP
Travail en binôme
Pendant la plupart des séances : présentation d’articles
scientifiques en lien avec la représentation des connaissances
Présentation de 15 minutes en binôme
5/10 minutes de questions (par tout le monde)
Nombre de présentations en fonction du nombre de binômes
Evaluation
Présentation d’articles et questions posées
Projet final

Introduction
Intelligence Artificielle et représentation des connaissances ?

IA : raisonnement, inférence (+ apprentissage, ...)
Besoin de connaissances sur le monde dans lequel le système
intervient
Inférence : formalisation de connaissances
Besoin de représenter les connaissances pour qu’un système
puisse les utiliser
Web sémantique et réprésentation des connaissances
WS : Formalisation de connaissances disponibles sur le Web
Représentation des connaissances sous forme d’entités XML

Introduction
Représentation des connaissances, Web sémantique et...
Traitement Automatique des Langues ?
Textes : Contiennent la plupart des connaissances produites
Accéder à ces connaissances : besoin d’analyser les textes
Connaissances existantes : guide pour l’analyse de textes
Communication ?
Représentations mentales des connaissances de l’émeteur et du
récepteur
Interaction : besoin de connaissances communes, d’inférence
Organisation des connaissances
Didactique ?
Transmettre des connaissances : besoin de bien les représenter
Représentation des connaissances : outil pour conceptualiser
Supports pédagogiques numériques : besoin d’une
formalisation des connaissances
Connaissance
Données, information, connaissance

5
5 ans
l’enfant est agé de 5 ans
À 5 ans (en grande section), tout trouble spécifique de
parole ou de langage oral doit amener à un bilan
orthophonique qui évaluera les différentes compétences (...)
(Blanc&Touzin, 2014)

Représentation des connaissances
”It’s a key.”
Magritte, La Trahison des Images ”No. Much more better...It is a
drawing of a key.”
Approximation de l’entité qu’on souhaite représenter, en fonction

de son utilisation

Modélisation des connaissances
Recensement et
Structuration des connaissances
dans une représentation schématique
pour les rendre visibles, manipulables, compréhensibles,
communicables
(Paquette, 2002a)
On obtient un modèle de connaissances

Pourquoi faire ?
Réalisation d’inférences dans un système intelligent

La représentation et la modélisation des connaissances sont au
cœur de l’Intelligence Artificielle
Définition de système de gestion des connaissances en
entreprise
Réalisation de supports pédagogiques ou de matériel
didactique (MOOC)
Clarification du domaine
Structuration des connaissances abordées
Identification des liens entre les connaissances
Représentation du modèle mental relatif aux connaissances
d’un domaine
(Basque&Pudelko, 2004)

Gestion des connaissances en entreprise
Maı̂trise de la collecte des informations

Circulation maı̂trisée des connaissances
Intégration des outils en place
Mémoire et transfert d’expertise
Repérage des connaissances cruciales
Préservation des connaissances
Valorisation des connaissances
Actualisation des connaissances

Trois axes de la gestion des connaissances en entreprise
Veille et acquisition (Wikipedia)
Cohésion des connaissances

Partage des connaissances et de l’information

Plan
Introduction
Intelligence Artificielle (IA)
Historique de l’IA
Définitions
Notions importantes
Inférence
Codage des informations
Connaissances
Modèles de représentation de connaissance
Systèmes fondés sur la logique
Réseaux sémantiques
Les objets structurés : schémas et scripts

L’Intelligence Artificielle

Qu’est ce que l’IA concrètement ?
Rechercher
Analyser, résoudre des problèmes, trouver des méthodes de
résolution
Représenter des connaissances
logique, règles, mémoire, cas, langue naturelle, etc.
Mettre en application les idées 1) et 2)
Systèmes Experts, Pilotes automatiques,
Planification, Data Mining,
Agents d’interfaces, fouille de texte, système de dialogue
Robots, avatars, chatbots, etc.

Qu’est ce que l’IA concrètement ?
Rechercher
Analyser, résoudre des problèmes, trouver des méthodes de
résolution
Représenter des connaissances
logique, règles, mémoire, cas, langue naturelle, etc.
Mettre en application les idées 1) et 2)
Systèmes Experts, Pilotes automatiques,
Planification, Data Mining,
Agents d’interfaces, fouille de texte, système de dialogue
Robots, avatars, chatbots, etc.
On est loin du transparent précédent !

Historique

L’Intelligence Artificielle (IA)
La naissance de l’IA est liée indirectement aux trois facteurs

le problème de la décidabilité, auquel s’associe celui de la
calculabilité
l’amélioration des capacités industrielles et des décisions
économiques
la seconde guerre mondiale et la guerre froide

Décidabilité : définition
l’existence d’une procédure générale permettant d’attribuer la

valeur vrai ou faux à toute proposition logique
ce processus est appelé algorithme
Un algorithme résout un problème de décision lorsque

1 il prend en entrée les paramètres du problème
2 il détermine si l’énoncé est vrai ou faux pour ces paramètres
Exemple :
déterminer si un entier naturel quelconque est premier est un
problème de décision. Ce problème est décidable : il existe un
algorithme (un calcul, un programme) qui le résout.

Décidabilité : problème
Certains problèmes sont indécidables c’est-à-dire qu’il n’existe pas

d’algorithme ou de programme qui les résolve.
Il est important de savoir si un problème est décidable avant de
chercher à le résoudre.
De nombreux problèmes sont indécidables.
Le plus fameux d’entre eux est le problème de l’arrêt : être
capable de déterminer, pour tout programme informatique, s’il
s’arrêtera de lui-même ou continuera son exécution
éternellement.

L’indécidabilité de l’arrêt
Un programme prend un entier en entrée et s’arrête (1) ou boucle

éternellement (0).
On suppose qu’il existe un programme h(p, q)
qui renvoie 1 si le programme p s’arrête sur la donnée q
renvoie 0 sinon
On construit un programme d(x) qui
s’arrête si h(x, x) vaut 0
boucle indéfiniment sinon.

L’indécidabilité de l’arrêt
Un programme prend un entier en entrée et s’arrête (1) ou boucle

éternellement (0).
On suppose qu’il existe un programme h(p, q)
qui renvoie 1 si le programme p s’arrête sur la donnée q
renvoie 0 sinon
On construit un programme d(x) qui
s’arrête si h(x, x) vaut 0
boucle indéfiniment sinon.
On montre par l’absurde que h(p, q) n’existe pas :
d(d) boucle indéfiniment si et seulement si h(d, d) vaut 1, si et
seulement si d(d) s’arrête.
(Turing, 1936)

Décidabilité : problème
Kurt Gödel (1931) : théorème d’incomplétude

dans tout système axiomatique il existe inévitablement des
propositions pour lesquelles ce même système est incapable de
démontrer si elles sont vraies ou fausses
ainsi quel que soit la puissance d’un langage de formalisation,
il existera toujours dans l’Univers des faits qu’il ne pourra pas
démontrer

Décidabilité : solution (calculabilité)
Alain Turing (1936) : notion de calculabilité

s’il est possible de calculer le résultat d’une fonction dans
toutes les circonstances, alors la question associée à cette
fonction est décidable
Machine de Turing : pour toute fonction, on y trouve une
machine qui, à la fin de son calcul, fournit le résultat de cette
fonction

Décidabilité : solution (calculabilité)
Calculabilité d’une fonction

il existe une procédure déterminée permettant de calculer sa
valeur en un nombre fini d’étapes quels que soient ses
arguments
Décidabilité d’une fonction
il existe une procédure déterminée (ou démonstration)
permettant de résoudre cette question en un nombre fini
d’étapes

La machine de Turing
Turing a démontré
l’existence de machines qui pouvaient ne jamais s’arrêter de
calculer
machine universelle :
Turing a montré ensuite que, parmi les machines de Turing, il

existe une pouvant simuler toutes les autres
elle constitue le modèle théorique des ordinateurs, premier
étape sur le chemin de l’IA

La machine de Turing
Un problème ne pouvant pas être résolu par une machine de

Turing ne peut pas l’être par l’esprit humain
Le principe de l’IA :
toute forme de pensée humaine susceptible d’être exprimée
dans un langage peut être simulée par la machine universelle

Défi technique
Seconde guerre mondiale

Enigma
Système allemand de codage de messages
Colossus (1943-1945)
Série de calculateurs programmables basés sur le modèle de la
machine de Turing, conçus pour casser le code Lorenz

La prise de décision
Herbert Simon (Avancée des sciences économiques)

1955 : Premier langage d’IA Le Logic Theorist pouvant
résoudre des problèmes mathématiques, parfois en utilisant des
démonstrations complètement originales
Inférence à l’aide de 3 règles :
Substitution :
N’importe quelle variable peut être substituée par une
expression
Remplacement :
Une expression peut être remplacé par sa définition
Détachement
Si A est vrai et A implique B, alors B est vrai

Le Test de Turing
1950 : jeu de l’imitation ou test de Turing

Lors de ce test, le succès permet de déterminer le caractère
intelligent,
L’échec ne permet aucune conclusion
Ce test se base sur le comportement de l’interlocuteur, en
ignorant les mécanismes de ce comportement

Naissance de l’IA
Les années 50
convergence des recherches sur ces problèmes
un réseau de recherche : A. Newell, J. C. Shaw, M. L. Minsky,
J. McCarthy, C. Shannon
1956 : l’organisation de la conférence du Dartmouth College
Le domaine a reçu le nom de IA [McCarthy, 1956]

IA : deux écoles
(1) Héritiers de la cybernétique

Se préoccupent des processus d’apprentissage
Leur démarche est dans le cadre de la simulation numérique
sur le base des travaux de Marvin Minsky
École du MIT
Travaux dans le domaine de la robotique et des systèmes
experts

IA : deux écoles
(2) l’école Carnegie-Mellon

Guidée par les idées d’Allan Newell, Herbert Simon sur le
traitement symbolique
Logic Theorist [Newell, Shaw et Simon, 1956] : démonstration
de théorèmes de la logique des propositions
1957 : un système réellement intelligent le General
Problem Solver ou GPS
Se caractérise sur les travaux sur la résolution de problèmes et
sur la nature de raisonnement

Années 60-70
Projet de traduction automatique (1966)

Rapport ALPAC (Automatic Language Processing Advisory
Council)
Weizenbaum, J., (1966)
ELIZA – A computer program for the study of natural
language communication between man and machine.
Les années noires 1966-1969

The (in)famous ”ALPAC report”

En 1966, par the US National Academy of the Sciences
Y. Bar-Hillel
La bonne qualité ou l’automatisation complète ne peuvent pas
être atteintes
L’automatisation complète n’est pas souhaitable
coûts éventuellement plus élevés qu’avec les traducteurs
humains
”MT is hopeless”
Recommandation :
mettre plus d’effort dans la recherche en linguistique
qu’elle contribue ou non à la traduction automatique
directement
Conséquences : baisse des budgets pour la traduction

automatique
Mais début des travaux en Traitement Automatique des Langues (TAL)

ELIZA
Premier agent conversationnel (chatbot) de l’histoire

Man : Pourquoi est-ce que vous ne me contredisez jamais ?
Le système reconnaı̂t les mots clefs vous et me
auxquels est associée la forme : (*vous*me*) qui correspond
à la transformation
Qu’est-ce qui vous fait penser que je 2 vous 3 ?
Machine : Qu’est-ce qui vous fait penser que je ne vous
contredis jamais ?
Evolution : ALICE (1995)

ELIZA & ALICE

Implémentations
http://www-ai.ijs.si/eliza/eliza.html
https://www.pandorabots.com/pandora/talk?botid=
a847934aae3456cb
http://www.strout.net/info/science/ai/brian/
http://eliza.levillage.org/index.html
http://sboisse.free.fr/technique/info/eliza.php
https://elizia.net/

3 niveaux d’intelligence artificielle
Intelligence spécifique (NAI )

Intelligence artificielle faible
Système d’IA dédié à une tâche
Intelligence générale (AGI )
Système d’IA pouvant être appliqué sur n’importe quel problème
auquel un humain peut s’attaquer
Super intelligence (ASI )
Système d’IA doté de conscience et capable de comprendre ses
propres raisonnements
→ source de débats depuis le début de l’IA

IA : définitions
Plusieurs définitions :
The building of computer programs which perform tasks
which are, for the moment, performed in a more satisfactory
way by humans because they require high level mental
processes such as : perception learning, memory organization
and critical reasoning. [Marvin Lee Minsky, 1956]
Son but est la création de programmes informatiques qui
puissent se comporter ou penser intelligemment [Gardner,
1993]
Chaque aspect de l’apprentissage ou toute autre
caractéristique de l’intelligence peut en principe être décrit
d’une façon suffisamment précise pour qu’une machine puisse
le simuler. [McCorduck, 1979]

IA : définition
[R.Kurzweil, 1990]
Le champ de recherche relatif à la construction de machines

effectuant des tâches considérées comme requérant de
l’intelligence
Double objectif :
Rendre les machines plus efficaces
Comprendre ce qu’est l’intelligence
L’étude de la connexion computationnelle entre l’action et la
perception
L’intelligence se définit en termes de ses processus
constituants, comprenant
l’apprentissage,
le raisonnement,
la capacité de manipuler des symboles

Quatre types de définition de l’IA
1. Système qui pense comme les hommes (complexe)

Modélisation cognitive (GPS [Newel & Simon, 1961])
2. Système qui pense rationnellement (limité)
Logicisme : pensée logique
Pascal [1623-1662] (machine à calculer)
Leibnitz [1646-1716] (machine à raisonner)
Babbage [1792-1871] (machine analytique)

3. Système qui agit comme les hommes (théorique)

Système passant le test de Turing
Apprendre des connaissances (s’adapter)
Représenter des connaissances (mémoriser)
Résoudre des problèmes (raisonner)
Comprendre (communiquer)
4. Système qui agit rationnellement (pragmatique)
Agent rationnel (année 1990)
Agit selon ses croyances pour atteindre des objectifs (pas
seulement logique)


Résumé
Objectif : construire un artefact capable de

Fidélité aux perfor- Lois de la pensée
mances humaines
Pensée et rai- Penser comme des hu- Penser rationnellement
sonnement mains
Comportement Agir comme des hu- Agir rationnellement
mains
Empirique (Hypothèses Agent rationnel
et expérimentations)

IA : définition
est une des branches des Sciences Cognitives

a pour objectif
d’obtenir de la machine un comportement intelligent
l’étude et la construction de systèmes artificiels de traitement
de connaissances

IA : définition
L’IA est marquée par des techniques spécifiques

de représentation des connaissances
de traitements de ces connaissances
d’organisation architectural des systèmes
d’interaction de ces systèmes avec leur environnement,
permettant par ailleurs leur capacité d’évolution

Les principaux langages de l’intelligence artificielle
Lisp
1960, J. MacCarthy
Prolog
1973, A. Colmerauer
SmallTalk
1972, A. Kay, D. Ingals, T. Kaehler, A. Goldberg
JAVA
1994
C++ (1993), Scheme (1975), ...

Un champ pluri-disciplinaire
Informatique
systèmes, codage, ...
Linguistique
Psychologie
intelligence humaine, animale, développement
Ergonomie
analyse des tâches
Biologie, Statistique, Economie, Ethologie,
...

IA aujourd’hui

IA aujourd’hui
Ambitions initiales abandonnées

On ne pense plus faire une IA à court terme
Réflexion sur l’éthique (IA faible vs. IA forte, impact de l’IA)
Les retombées de l’IA sont partout
objets, agents, méthodologies, représentation des
connaissances
approches causales, qualitatives
fouille de données, fouille de texte
statistiques non linéaires (réseaux neuronaux)
programmation par contraintes
nouvelles méthodes d’optimisation (évolution artificielle)

IA aujourd ’hui
Exemples d’application
Validation de facturettes American Express

3611 pages jaunes, www.pagesjaunes.fr, etc.
Jeux de réflexion sur ordinateur
Médecine, Psychologie, Accompagnement de certains malades
Assistants personnels intelligent (Google Home, Siri, Amazon
Echo)
Téléphonie mobile, etc..
Résolution numérique d’une équation mathématique (solveurs)

Suivi d’une stratégie gagnante dans certains jeux (Deep Blue,
AlphaGo)
Identification d’une décision qui optimise un grand nombre de
facteurs (Plannification, stockage, Logistique, Routage, etc.)
IA aujourd’hui
Captcha (Completely Automated Public Turing test to Tell

Computers and Humans Apart)
l’inverse du test de Turing : éviter les soumissions
automatiques de robot.
Prix Loebner
décerné aux chatbots qui satisfont au mieux les critères du
test de Turing
Exemples :
ELIZA (Weizenbaum, 1966)
ALICE (Wallace, 2000, 2001, 2004)
ELBOT
http://elbot_e.csoica.artificial-solutions.com/cgi-bin/elbot.cgi?START=normal%27,
%27elbot%27,%27width=425,height=650,scrollbars=no

Comment concevoir un système/agent intelligent ?
Approche symbolique
sans se limiter à reproduire des phénomènes observables
Approche neuro-mimétique
en s’inspirant de la réalité biologique
en construisant des modèles biologiquement plausibles
Approche hybride neuro-symbolique

Approche symbolique
Fondée principalement sur la logique

Manipule des expressions et met en œuvre des processus de
raisonnement
Nécessite une représentation explicite du problème et des
méthodes de résolution
Demande un effort important de programmation

Approche neuro-mimétique
S’inspire de la réalité biologique

En construit des modèles informatique
Demande peu ou pas de programmation explicite
Exploite des processus d’apprentissage
Permet de développer des systèmes auto-adaptatifs et évolutifs

Recherche en IA
De nombreux aspects :
Représentation et Raisonnement
Ingénierie des Connaissances
Apprentissage Automatique
Reconnaissance des Formes, Vision
Robotique, Automatique
Traitement Automatique des Langues
Satisfaisabilité, Contraintes Sustainabiity
Interaction avec l’Humain : EIAH, IHM
Extraction et Gestion des Connaissances
Agents et Systèmes Multi-Agents

La recherche en IA en France
AFIA (Association française pour l’intelligence artificielle)

création en 1989
Conférences annuelles : PFIA (RJCIA, IC, etc.), EGC
+ Associations thématiques (ATALA pour le TAL par
exemple)
De nombreuses entreprises dans le secteur
Hub FranceIA

Recherche en IA dans le monde
AAAI (Association for the Advancement of Artificial

Intelligence)
Création en 1979
Conférences annuelles : AAAI, IJCAI, etc.
+ Associations thématiques (ACL pour le TAL par exemple)
De nombreuses entreprises dans le secteur

Quelques perspectives
Moyen terme :
Imitation du comportement humain non pas de l’humain
Deep Learning (une toute petite partie de l’IA)
Long terme :
Jonction inéluctable entre Big Data et IA
Ethique

Notions importantes

Représentation des connaissances et logique
Logique : approche déclarative pour représenter des

connaisances
Deux principaux outils mathématiques (parmi bien d’autres) :
Logique des propositions
Logique des prédicats
Utilisation de méthodes d’inférence bien connues pour déduire
de nouvelles connaissances
→ Programmation logique

Inférence
Opération logique par laquelle on admet une proposition en

vertu de sa liaison avec d’autres propositions déjà tenues pour
vraies. [Petit Robert]
Il ne s’agit pas d’un mécanisme unique
Il doit exister un ensemble de propriétés caractéristiques qui
font qu’un processus peut être qualifié d’inférentiel

Inférence
Pour être efficace, l’inférence doit être guidée par la

connaissance
L’ambition des premiers programmes d’IA était de réaliser une
machine à inférer universelle
Conclusion : s’il ne peut pas exister de machine
universellement efficace pour rendre compte du comportement
intelligent, donc
soit il ne peut pas en exister du tout
soit il ne peut en exister que localement

Inférence
But :
Générer de nouvelles phrases (np) vraies sachant que les
anciennes sont vraies
Les anciennes phrases sont stockées dans la base de
connaissance (knowledge Base/KB)
Une règle d’inférence ri permet soit :
de générer de nouvelles phrases np qui prétendent être la
conséquence sémantique de KB
de prétendre tester si une phrase np est la conséquence logique
ou non de KB
L’ensemble des dérivations élémentaires est appelé la preuve


(syntaxe)
Propositions : un énoncé
Une proposition a une valeur de vérité V ou F
Exemples :
La Rochelle est en Charente-Maritime (V)
La hauteur de la Tour Eiffel est inférieure à 300m
(F)
Connecteurs pour combiner les propositions
∧ ET
∨ OU
¬(NON)
→ (IMPLIQUE)
⇐⇒ (EQUIVALENT)

Équivalences (formules ayant la même interprétation)
¬(¬A) équivaut à A
A → B équivaut à ¬A ∨ B
¬(A ∧ B) équivaut à ¬A ∨ ¬B
¬(A ∨ B) équivaut à ¬A ∧ ¬B
Les deux dernières équivalences sont les lois de De Morgan.

Logique des propositions (autres équivalences)
Distributivité
(A ∧ B) ∨ C équivaut à (A ∨ C ) ∧ (B ∨ C )
(A ∨ B) ∧ C équivaut à (A ∧ C ) ∨ (B ∧ C )
Commutativité
A ∧ B équivaut à B ∧ A
A ∨ B équivaut à B ∨ A
Associativité
A ∧ (B ∧ C ) équivaut à (A ∧ B) ∧ C
A ∨ (B ∨ C ) équivaut à (A ∨ B) ∨ C
Contraposée
A → B équivaut à ¬B → ¬A

Règles d’inférences (règles de dérivation)
Modus ponens
Si A et (A → B ) Alors on déduit B
Modus tollens
Si ¬B et (A → B) Alors on déduit ¬A
Enchaı̂nement
Si A → B et B → C alors on déduit A → C

Notions importantes
Axiomes
formules de départ
Théorèmes
formules dont il existe une démonstration
Démonstration
enchaı̂nement de dérivations (ou inférences)
Décidabilité
logique des proposition est décidable (il existe un procédé fini
permettant de décider si une formule est un théorème ou non)

Exemple et Limites
Exemple :
A : tout homme est mortel
B : Socrate est un homme
C : Socrate est mortel
Formule logique : A ∧ B → C
Nécessite une autre proposition pour Platon, une énumération pour

”tous les philosophes”...

On définit des identificateurs (des variables) pouvant être

associés à des valeurs (entiers, caractères, etc.)
Un identificateur peut être remplacé par une expression (un
opérateur ou une fonction mathématique) comme par
exemple, x < y
On définit des prédicats (H(x)) possédant une valeur de vérité
dépendant de x
On introduit les quantificateurs existentiel ∃var et universel
∀var

Exemple
Pour tout x, si x est un homme alors x est mortel

Socrate est un homme
Socrate est mortel
x est un homme : prédicat H(x)
x est mortel : prédicat M(x)
Formule logique : ∀x(H(x) → M(x)) ∧ H(Socrate) → M(Socrate)

Définition des identifiants

Identifiants : nom des éléments qu’on représente
Nom d’une variable ou d’un objet (case mémoire qui contient
une valeur, une instance)
Une personne quelconque (valeur inconnue), Le prof de
RepK&WS (valeur : Thierry Hamon), le nombre d’heures de
cours (valeur : 30)
Nom des fonctions et des procédures (correspond à une
action, un état ou un ensemble d’actions)
Afficher un message, se trouve chez/à
Nom des constantes (valeurs universelles ou constantes dans
un programme)
π, e
Nom des fichiers contenant un programme, des données, des
ressources
Une resources qui contient des synonymes, des connaissances,
71/131
etc. Repr. K & IA T Hamon

Pour la machine : aucune importance
Mais dans un programme, l’identifiant unique peut suivre des
règles voire des normes
Pour l’être humain : le choix de l’identifiant est très important
Représenter des connaissances, écrire un programme,
etc., c’est compliqué !
Il faut se rappeler de quoi on parler
Il faut donc que l’identifiant soit simple, explicite et qu’il
signifie quelque chose
On sait immédiatement à quoi correspond l’identifiant
Sauf cas particuliers liés à des conventions de nommage :
coordonnées dans un espace : x, y, z
compteurs de boucle : i, j
constantes universelles, fonctions mathématiques : π, e, f , g ,
sin, cos
en général, on n’utilise pas le caractère espace ou on les
remplace par des caractères _
Exemples :
personne, professeur, professeur RepKWS, nbCours
print, printf, afficheMessage, afficheMsg,
π, PI, e, g
liste synonymes.txt, connaissances.xml

Définition d’un prédicat
Socrate est un homme :

Socrate : objet (personne) → la valeur d’unevariable
On veut pouvoir changer d’objet → variable p ou pers
est un homme : représente un état → prédicat H(x) ou
estHomme(x)
Mais suivant le problème, on peut aussi vouloir changer
d’état :
homme est la valeur d’un autre variable E
est un est un prédicat avec deux arguments est(x, y )

Représentation d’une phrase

en logique des prédicats
En fonction de ce qu’on veut

représenter
P Représentation 1 :
Prédicat : le verbe
SN SV SN Punc
Arguments du prédicat :
Nom, nom propre
NP Verbe Art Nom .
Représentation 2 :
Prédicat : le groupe verbal
Socrate est un homme
Arguments du prédicat :
syntagme nominal


Arthur est à la maison . Sophie est à l’ université .

P P
SN SV SP Punc SN SV SP Punc
NP Verbe Prep SN . NP Verbe Prep SN .
Arthur est à Det Nom Sophie est à Det Nom
la maison l’ université


Pour représenter les deux phrases :
Prédicat : le verbe
est (à) → seTrouve (moins mabigu et plus explicite)
Premier argument du prédicat : Premier syntagme
Arthur, Sophie → Valeurs d’une variable et du premier argument
Deuxième argument du prédicat : Deuxième syntagme
maison, université → Valeurs d’une variable et du deuxième
argument
Résultats :
Arthur est à la maison .
seTrouve(Arthur , maison) ou
Sophie est à l’ université .
seTrouve(Sophie, universit è)

Autre possibilité :
X = Arthur
Y = maison
seTrouve(X , Y )
Z = Sophie
T = Universit è
seTrouve(Z , T )

Unification
Appariement de clauses :
Logique des propositions : immédiat
Logique des prédicats : complexe car présence de variables
⇒ Utilisation du mécanisme d’unification pour rendre deux

formules identiques par substitution de variables

Bilan

Méthode de preuve efficace
Trop restreint car il n’y a pas de quantificateurs
indécidable dans le cas général
arrêt si c’est un théorème mais risque de ne pas s’arrêter si on
l’applique à une formule non valide (semi-décidable)

Programmation logique
Représentation de connaissances symboliques

Calcul de connaissances par démonstration automatique
Prolog [Colmerauer, Roussel, 75]
Raisonnement dans le chaı̂nage arrière guidé par le but
Exemple :
homme(Socrate).
mortel(x) :- homme(x).
? mortel(Socrate)

Exemple (2)
hors d œuvre(artichauts melanie). poisson(sole meuniere).

hors d œuvre(truffes sous le sel). poisson(bar aux algues).
hors d œuvre(cresson œuf poche). dessert(sorbet aux poires).
viande(grillade de bœuf). dessert(fraises chantilly).
viande(poulet au tilleul). dessert(melon en surprise).
plat(P) :- viande(P) ; plat(P) :- poisson(P) ;

repas(E, P, D) :- hors d œuvre(E), plat(P), dessert(D) ;
? repas(artichauts melanie, bar aux algues, sorbet aux poires)

Ok
? repas(artichauts melanie, bar aux algues, Z)

> Z = sorbet aux poires
> Z = fraises chantilly
> Z = melon en surprise

Logiques non-classiques
Il est difficile d’écrire toutes les situations avec la logique des

prédicats car elle est trop restrictive.
On doit avoir recours à des logiques non classiques :
Logique des défauts [Reiter, 1980]
Logique modale (nécessité, obligation, possibilité,
impossibilité, savoir, croyance, etc.) [Moore, 1985]
Logique temporelle
Logique floue
Logique probabiliste
etc.

Connaissances
Données, Informations, Connaissances

Quelques notions
Données :
Élément fondamental et objectif, qualitatif ou quantitatif
servant de base à un raisonnement ou à la réalisation des
traitements
Informations :
Ensemble de données non structurées et organisées pour
donner forme à un message résultant d’un contexte donné et
donc parfaitement subjectif.

La notion de connaissance
Varie en fonction des disciplines

Anthropologue : la première connaissance est celle que les
hommes ont d’eux-mêmes et de leur environnement
Philosophie : on étudie avant tout la connaissance au sens de
l’état de celui qui connaı̂t ou sait quelque chose.
Psychologie cognitive : toute activité mentale humaine se
fonde sur une représentation interne du monde extérieur,
constituée à la fois de connaissances sur
les objets
les situations
les événements

La notion de connaissance dans la gestion des

connaissances
Modèle hiérarchique de la connaissance :
Connaissance

 C = Connaissance Je suis à Orléans aujourd’hui
C = I · U avec I = Information Information assimilée
U = Utilisation

pour réaliser une action Je m’habille chaudement

 I = Information
I = D · k avec D = Données Information La température est de 10o C
k = Contexte

Données mises en contexte à Orléans aujourd’hui
Données 10o C
Eléments bruts en
dehors de tout contexte

Les sources d’information existantes
Plusieurs niveaux d’informations :

Données brutes
Informations internes, externes structurées ou pas
Connaissances / compétences
Savoir-faire / expériences
Plusieurs niveaux de partage
Individualisé
Partagé
Intégré dans un processus organisé

Cycle Données Informations Connaissances
Données : quatre dimensions (le sujet, l’objet et l’espace, le

temps)
Analyse des données par rapport à un contexte
Convertion en informations
Contexte : Points de repère à partir de différentes influences
(langue, culture, codes symboliques et code de communication
de l’utilisateur, besoins du moment)
Connaissance : établissement par l’utilisation d’une
correspondance entre
la conception d’une réalité,
l’information sur cette réalité.
La connaissance sert à préciser l’action

Cycle Données Informations Connaissances
Exemple :
Si Tristan est le fils de Gilles alors il a probablement autour
de 30 ans de moins que lui, il porte le même nom de famille,
etc.
→ Propositions déduites et convoquées en fonction du contexte du
statut de la relation père- fils.
L’information doit rentrer en résonance avec les référentiels de
récepteur de l information.
La connaissance est caractérisée par sa propension à produire
de l information

La psychologie cognitive
Toute activité mentale humaine se fonde sur une

représentation interne du monde extérieur, constituée à la fois
de connaissances sur
les objets
les situations
les événements

La psychologie cognitive
notre connaissance sur les êtres et les objets est

constituée par ce que nous appelons les concepts. [...] Il ap-
paraı̂t donc que le concept est une unité cognitive de base,
qui décrit un objet à différents niveaux de généralités et
qui permet de catégoriser les objets qu’il décrit.
(J-F.Richard, 1990, Les Activités mentales : comprendre, raisonner,
trouver des solutions)

La notion de connaissance
Pour l’informatique et intelligence artificielle, les

connaissances sont vues comme
des entités symboliques manipulables par l’ordinateur,
correspondant aux significations associées à des descriptions du
monde concepts qui peuvent être exprimées par le langage
L’objectif est de mettre en machine des informations de façon à ce
que le programme ait la connaissance
des objets d’un domaine donné
de la réalisation des tâches à accomplir
des événements susceptibles d’arriver

Connaissances pour la machine
Problèmes
les modélisations de différentes formes de connaissances
leur stockage
leur utilisation

Modélisation de connaissances : deux types
Une modélisation précise du fonctionnement cognitif humain,

contrainte par les faits expérimentaux (psychologie cognitive)
Une modélisation formelle des mécanismes de la connaissance,
donc théorique et sans aucune contrainte que celles du modèle
lui-même et de la machine utilisée

Un système artificiel est censé pouvoir exécuter

l’acquisition de nouvelles connaissances
la récupération de connaissances déjà acquises (rappel)
le raisonnement sur les connaissances dont dispose le système

8 aptitudes fondamentales pour une machine IA

la perception
l’action
la planification
l’apprentissage
le TAL
la coopération
la coordination
le métaraisonnement

Types de connaissances
Classification universelle – Porphyre (234-vers 305 ap. J.C.)

Organisation des objets principalement au moyen de la relation
d’inclusion d’ensembles
Dictionnaires encyclopédiques
Utilisation du langage et des illustrations pour diversifier les
modes d’expression de la connaissance
Présupposition d’une maı̂trise suffisante
du langage
de leur propre mode d’emploi
d’une masse d’éléments présumés connus de tout être humain

Types de connaissances
Quelques catégories de connaissances [Kayser, 1985]

Définition
Connaissances évolutives
Incertaines
Vagues
Typiques
Sous-déterminées
Le choix de la catégorie dépend du point de vue

Connaissances pour la machine : Types de connaissances
Les objets, les classes et les catégories d’objets

Les événements
Les réalisations
La métaconnaissance

Connaissance ?
L’inférence est l’élément de base de toute description de la

cognition
Pour être efficace, l’inférence doit être guidée par la
connaissance
Inférence 6= Raisonnement
Inférence avec / sans représentation de la connaissance

Connaissance ?
Connaissance → capacité à mobiliser des informations pour

agir
Le passage de information à connaissance est lié à
l’expérience de l’action → pas de frontière parfaitement définie
Définition : Connaissance = Information (donnée) qui
influence un processus.
Pas de classement universel des différents types de
connaissances (cf. tentative de Porphyre)

Représentation ?
Dire que A représente B

Ne suffit pas pour que ce soit vrai
Il convient de vérifier que si B a un certain effet sur un
processus P, A démontre un effet équivalent sur un
processus équivalent
A n’est cependant pas équivalent à B
Une carte n’est pas le territoire (heureusement !)

Une carte représente le territoire dans le cadre d’un

processus de recherche d’un itinéraire (par exemple)

Représentation ?
Représenter ⇔ Approximer dans le contexte d’une tâche (ou

activité) particulière
Représenter ⇔ Structure de symboles pour décrire une
approximation du monde (un modèle du monde) dans le
contexte d’une tâche particulière.
Interpréter une structure (une représentation) ⇔ Composition
de l’interprétation des différents symboles la constituant

Représentation ?
La propriété de compositionnalité n’est pas naturelle dans

la langue
Exemple : tout à l’heure ne s’interprète pas facilement comme
une composition d’interprétations de tout, à et l’heure
La notion d’interprétation présuppose que le modèle (du
monde) est constitué d’objets, et que parmi les symboles, il en
est qui s’interprètent comme des objets du modèle.
Les symboles ont la capacité de déclencher des inférences.

Langage de représentation
Langages formels :
un alphabet : ensemble de symboles pas nécessairement réduit
à des caractères
un procédé de formation des expressions, pas nécessairement la
concaténation
un ensemble d’axiomes :
des expressions obéissant aux deux premiers points ci-dessus
dont on décide arbitrairement qu’ils appartiennent au système
des règles de dérivation qui, à partir des axiomes,
permettent de produire des théorèmes (c’est-à-dire des
expressions appartenant au système),
et peuvent ensuite s’appliquer aux théorèmes pour en produire
d’autres

Langage de représentation
Représentation de procédures : Langage formel

Une procédure ou l’objet d’une procédure
λ-Calcul
machine de Turing
Algorithmes de Markov
fonctions récursives
logique combinatoire
...
Il a été démontré qu’un procédé décrit dans une de ces
méthodes X peut être décrit à l’aide d’une autre de ces
méthodes Y

Représentation dans un modèle (approche logique)
Langage → aspects syntaxiques de la représentation

(attention langage formel !)
Système de déduction → aspects sémantiques (attention,
représente un calcul et peut être très éloigné d’un
sens quelconque)
Règles de valuation → vrai , faux (attention, ne pas

confondre avec le sens général vrai et faux. . . )

Notions de correction et de complétude
Un système est correct si toutes les formules qui sont des

théorèmes sont des tautologies (valuées vrai )
Preuve par récurrence : on montre que la première formule de
la preuve d’un théorème est une tautologie et que si les n-1
premières formules d’une preuve sont des tautologies, alors la
formule n est également une tautologie.
Un système est complet si toutes les formules qui sont
des tautologies sont des théorèmes.
Preuve un peu plus compliquée, mais fonctionnant également
sur la récurrence.

Modèles de représentation de connaissance
Réseaux Sémantiques
Les objets structurés : schémas et scripts
Web sémantique
Ontologies
A suivre...

Bilan
Analyse Acquisition des

Modélisation Formalisation Implémentations
du besoin connaissances
Sciences cognitives Représentation des connaissances
Méthodes Cartes conceptuelles Langage formel POO

d’acquisition Inférence IHM
Traitement
Automatique
des Langues
Ingénierie des connaissances

Cartes conceptuelles
(cartes topiques/topic maps/cartes conceptuelles, cartes mentales,
cartes heuristiques, etc.)
(Buzin, 1971)
Outil très général de représentation des connaissances
Agrégation des informations disponibles autour d’un thème
(aussi, point d’indexation, le topic)
Mise en relation des informations dans un réseau sémantique
à l’aide d’association
Standard ISO avec une syntaxe XML (XTM)
ISO/IEC 13250 :2003 – Topic Maps
gestion distribuée de l’information et de la connaissance
Langage de requêtes des cartes conceptuelles (TMQL)
http://www.topicmaps.org/

Introduction
Objectifs :
Gérer la surabondance d’informations
Construire des réseaux de connaissances sur n’importe quelles
ressources
Structurer l’information

Introduction
Définition : représentation graphique d’un ensemble de

concepts reliés entre eux
Fonctionnalités
Ordonnancement et classement des informations/connaissances
Organisation de structures complexes

Introduction
Organisation similaire à un livre : 2 couches

Contenu : le niveau informationnel
information stockée dans un format quelconque
texte, image, vidéeo
l’index de fin du livre : le niveau conceptuel (connaissance)
sujet : concept représentant l’information
association : relation entre sujets
Mise en relation des 2 couches avec les relations d’occurrence

Introduction
3 notions primitives :
1. sujet (Topic/concept) i.e. individus des langages de
représentation de connaissances
nom donné aux concepts.
Possibilités :
plusieurs noms pour le même concept
Définition de cartes conceptuelles multilingues
noms partagés par plusieurs concepts
2. Association : mise en relation de concepts, permet la
navigation dans le sujet
3. Occurrences : entité externe pouvant être indexée par les
topics
Ressource associée à un concept (URL, livre, image, etc.)

Introduction
Mais aussi :
Portée : spécification du contexte dans lequel une relation est
valide
Facette : prise en compte d’un aspect particulier (sorte de
filtrage)

Représentations
3 types de nœuds : topic, association, portée

4 types d’arcs (instance, occurrence, portée, nom)
Relations : des nœuds dont les arcs sortant portent des
étiquettes identifiant leur rôle
Interprétations différentes données aux primitives suivant les
étiquettes placées sur les arcs et les nœuds
(Baget&al, 2003)

Exemple de carte conceptuelle
Extrait de (Baget&al, 2003)
le topic de vol est instancié

par myFlight
il a pour nom
vol pour Boston dont la portée est celle de mes
discussions avec des colègues
et flight AF322 lors de discussions avec l’immigration
américaine

Exploration de Mars par la NASA (Briggs&al, 2004)


Applications générales
Identification des concepts d’un thème ou d’une

problématique, et des liens existants entre les concepts
Construction progressive de la synthèse d’un thème, d’un
concept, d’une problématique
Définition des différents aspects d’une problématique ou d’un
thème, étude de cas, simulation
Evaluation de la description d’un processus (symptôme d’un
patient et lien avec les traitements)

Applications
Conception de portails Web

Conception d’intranet d’entreprise (gestion de la connaissance
de l’entreprise)
Connection de systèmes d’information d’entreprise
eLearning
Modélisation des processus métiers
Organisation et compte-rendu de réunion
...
Nombreuses utilisation en pédagogie et dans l’éducation

Sur le plan pédagogique
Apprentissage des signifiants grâce aux liens entre les concepts

Structuration des connaissances grâce à leur ordonnancement
et leur classement
Utilisation de connaissances antérieures et intégration explicite
avec de nouvelles connaissances

Construction d’une carte conceptuelle
1. Définition/identification des concepts (central, généraux,

spécifiques).
2. Hiérarchisation des concepts
3. Définition des relations entre les concepts, en précisant leur
type
4. Association de ressources ou d’exemples (Vidéo, image,
son, schéma/diagramme, URL)
5. Révision/vérification de la carte produite
Logiciels : Freemind, freeplane, Cmap tool, Inspiration

Conception d’une carte conceptuelle
Règles de conception :
Un concept de plus haut niveau (concept central)
Les concepts généraux sont placés en haut. Les concepts
spécifiques sont placés plus bas
Les concepts sont représentés dans des formes spécifiques
avec un nom à l’intérieur
Les flêches orientées (−→) représente les liens. Un mot est
associé à chaque lien.

Exemple (1)
Identification des concepts

Exemple (2)
Organisation des concepts

Exemple (3)
Mise en relation des concepts

Cartes conceptuelles : bilan
Avantages :
Mode de représentation naturel
Possibilité de représentation graphique des ontologies
Inconvénients :
Pas de sémantique claire (pas de sémantique formelle)
Utilisation de n’importe quel type de concept et de relation
On privilégie la richesse du langage et les interprétations
multiples

Sources des transparents
Transparents de Iris Eshkol

...

Hamon (Thierry), Graña (Martin), Raggio (Vı́ctor), Grabar (Natalia) et Naya (Hugo). –
Identification of relations between risk factors and their pathologies or health conditions by mining scientific
literature. In : Proceedings of MEDINFO 2010, pp. 964–968. –
PMID : 20841827.
Hamon (Thierry), Engström (Christopher) et Silvestrov (Sergei). –
Term ranking adaptation to the domain : genetic algorithm based optimisation of the C-Value. In :
Proceedings of PolTAL 2014 – Advances in Natural Language Processing, éd. par Springer , pp. 71–83.
Hamon (Thierry), Nazarenko (Adeline), Poibeau (Thierry), Aubin (Sophie) et Derivière (Julien). –
A Robust Linguistic Platform for Efficient and Domain specific Web Content Analysis. In : Proceedings of
RIAO 2007. –
Pittsburgh, USA, 2007. 15 pages.
Aubin (Sophie) et Hamon (Thierry). –

Improving Term Extraction with Terminological Resources. In : Advances in Natural Language Processing
(5th International Conference on NLP, FinTAL 2006), éd. par Salakoski (Tapio), Ginter (Filip),
Pyysalo (Sampo) et Pahikkala (Tapio). pp. 380–387. –
Springer.
Hamon (Thierry) et Grabar (Natalia). –

Exploring Graph Structure for Detection of Reliability Zones within Synonym Resources : Experiment with
the Gene Ontology. In : Proceedings of BioNLP’2009 – Workshop of NAACL-HLT 2009. –
Boulder, Colorado, June 2009.
Hamon (Thierry) et Grabar (Natalia). –

Adaptation of Cross-Lingual Transfer Methods for the Building of Medical Terminology in Ukrainian. In :
Proceedings of the 17th International Conference on Intelligent Text Processing and Computational
Linguistics (CICLING2016). –
Springer.
Hamon (Thierry) et Gagnayre (RÃ c mi). –

Improving knowledge of patient skills thanks to automatic analysis of online discussions. Patient Education
and Counseling, 2013. –
131/131 Special section on Health Communication
Repr.and
K &Artificial
IA Intelligence (IF : 2.305, 5yIF : 2.929). T Hamon
Neifar (Wafa), Hamon (Thierry), Zweigenbaum (Pierre), Khemakhem (Mariem Ellouze) et Belguith
(Lamia Hadrich). –
Adaptation of a Term Extractor to Arabic Specialised Texts : First Experiments and Limits. In :
Proceedings of the 17th International Conference on Intelligent Text Processing and Computational
Linguistics (CICLING2016), éd. par Springer .
Grabar (Natalia), Jaulent (Marie-Christine) et Hamon (Thierry). –

Combination of endogenous clues for profiling inferred semantic relations : experiments with Gene Ontology.
In : Proceedings of the AMIA 2008 Annual Symposium, pp. 252–256. –
Washington, DC, November 2008. PMID 18999042.
Grabar (Natalia), Varoutas (Paul-Christophe), Rizand (Philippe), Livartowski (Alain) et Hamon

(Thierry). –
Automatic acquisition of Synonym Ressources and Assessment of their Impact on the Enhanced Search in
EHRs. Methods of Information in Medicine, vol. 48 (2), 2009, pp. 149–154. –
PMID 19283312, DOI 10.3414/ME9213.
Gollub (Koraljka), Hamon (Thierry) et Ardö (Anders). –

Automated classification of textual documents based on a controlled vocabulary in engineering. Knowledge
Organization, vol. 34 (4), 2007, pp. 247–263.
Périnet (Amandine), Grabar (Natalia) et Hamon (Thierry). –

Identification des assertions dans les textes médicaux : application à la relation {patient, problème
médical}. Traitement Automatique des Langues (TAL), vol. 52 (1), 2011, pp. 97–132.
Grabar (Natalia) et Hamon (Thierry). –

Exploitation of speculation markers to identify the structure of biomedical scientific writing. In :
Proceedings of AMIA 2009 Symposium, pp. 203–207. –
San Francisco, USA, November 2009.
Hamon (Thierry). –
Rapport de Stage à l’UQAM - 19 juin - 21 juillet 2000, octobre 2000.
Indexation automatique de notices bibliographiques à l’aide d’approches d’acquisition terminologique. In :

Actes de DEFT 2016, pp. 20–26. –
Paris, France, Juillet 2016. Atelier de la conférence JEP-TALN-RECITAL 2016.
Acquisition terminologique pour identifier les mots clés d’articles scientifiques. In : Actes de l’atelier DEFT
2012, pp. 25–31. –
Grenoble, France, Juin 2012.

Cours1 Intro

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours1 Intro

Transféré par

Droits d'auteur :

Formats disponibles

Introduction Historique Notions importantes Connaissance

Représentation des connaissances

Septembre – décembre 2019

1/131 Repr. K & IA T Hamon

Constitution et enrichissement de ressources terminologiques

Articulation d’outils de TAL [Hamon et al. 2007]

3/131 Repr. K & IA T Hamon

4/131 Repr. K & IA T Hamon

Organisation des enseignements

5/131 Repr. K & IA T Hamon

Intelligence Artificielle et représentation des connaissances ?

6/131 Repr. K & IA T Hamon

Données, information, connaissance

8/131 Repr. K & IA T Hamon

Représentation des connaissances

Approximation de l’entité qu’on souhaite représenter, en fonction

9/131 Repr. K & IA T Hamon

Modélisation des connaissances

10/131 Repr. K & IA T Hamon

Réalisation d’inférences dans un système  intelligent 

11/131 Repr. K & IA T Hamon

Gestion des connaissances en entreprise

Maı̂trise de la collecte des informations

12/131 Repr. K & IA T Hamon

Trois axes de la gestion des connaissances en entreprise

Veille et acquisition (Wikipedia)

Cohésion des connaissances

13/131 Repr. K & IA T Hamon

14/131 Repr. K & IA T Hamon

15/131 Repr. K & IA T Hamon

Qu’est ce que l’IA concrètement ?

16/131 Repr. K & IA T Hamon

Qu’est ce que l’IA concrètement ?

16/131 Repr. K & IA T Hamon

17/131 Repr. K & IA T Hamon

L’Intelligence Artificielle (IA)

La naissance de l’IA est liée indirectement aux trois facteurs

18/131 Repr. K & IA T Hamon

l’existence d’une procédure générale permettant d’attribuer la

Un algorithme résout un problème de décision lorsque

19/131 Repr. K & IA T Hamon

Certains problèmes sont indécidables c’est-à-dire qu’il n’existe pas

20/131 Repr. K & IA T Hamon

Un programme prend un entier en entrée et s’arrête (1) ou boucle

21/131 Repr. K & IA T Hamon

Un programme prend un entier en entrée et s’arrête (1) ou boucle

21/131 Repr. K & IA T Hamon

Kurt Gödel (1931) : théorème d’incomplétude

22/131 Repr. K & IA T Hamon

Décidabilité : solution (calculabilité)

Alain Turing (1936) : notion de calculabilité

23/131 Repr. K & IA T Hamon

Décidabilité : solution (calculabilité)

Calculabilité d’une fonction

24/131 Repr. K & IA T Hamon

Turing a montré ensuite que, parmi les machines de Turing, il

25/131 Repr. K & IA T Hamon

Un problème ne pouvant pas être résolu par une machine de

26/131 Repr. K & IA T Hamon

Seconde guerre mondiale

27/131 Repr. K & IA T Hamon

Herbert Simon (Avancée des sciences économiques)

28/131 Repr. K & IA T Hamon

1950 : jeu de l’imitation ou test de Turing

Réalisation d’inférences dans un système intelligent

Opération logique par laquelle on admet une proposition en