L'inférence en

intelligence artificielle
La capacité de l'intelligence artificielle à raisonner à travers les problèmes
est cruciale pour son évolution. Un élément clé de cette capacité est
l'inférence.
Chainage avant
1 2 3

Définition Exemple Avantages et

inconvénients
Le chainage avant (forward Un exemple de chainage
chaining) est une technique avant pourrait être un Le chainage avant est
d'inférence où le système chatbot qui répond aux rapide et efficace mais
explore la base de faits questions sur les horaires peut produire des résultats
pour en déduire de d'ouverture et fermeture incorrects en cas d'erreurs
nouvelles conclusions. d'un magasin en se basant dans la base de faits, ou en
sur une base de données absence des
prédéfinie. connaissances nécessaires
pour explorer l'ensemble
des possibles.
 Pseudo code
Fonction ChainageAvant(BaseDeConnaissances, But):
Si But est déjà dans la BaseDeConnaissances, retourner Vrai
Pour chaque règle dans la BaseDeConnaissances:
Si la règle peut être déclenchée:
Ajouter les conclusions de la règle à la
BaseDeConnaissances
Si But est maintenant dans la BaseDeConnaissances,
retourner Vrai
Retourner Faux
Chainage arrière
Définition
Le chainage arrière (backward
chaining) commence par un
objectif ou une conclusion, puis
travaille à l'envers en
déterminant les prémisses
nécessaires.
Exemple
Un exemple de chainage arrière
serait un chatbot qui aide un
utilisateur à trouver un produit
en se basant sur ses besoins
en utilisant une arborescence
de choix structurée.
Avantages et
inconvénients
Le chainage arrière est utile
pour déterminer les causes,
mais peut être plus lent que le
chainage avant car les effets
peuvent nécessiter une
exploration approfondie de la
base de connaissances.
 Pseudo code
Fonction ChainageArriere(BaseDeConnaissances, But):
Si But est déjà dans la BaseDeConnaissances, retourner
Vrai
Pour chaque règle dans la BaseDeConnaissances:
Si But peut être prouvé en utilisant la règle:
Si ChainageArriere(BaseDeConnaissances, Premisses
de la règle) retourne Vrai:
Retourner Vrai
Retourner Faux
Chainage mixte
Définition
Le chainage mixte (hybrid
chaining) est une
combinaison des
techniques de chainage
avant et de chainage arrière
pour améliorer la précision
des inférences.
Exemple
Un exemple de chainage
mixte serait un chatbot qui
utilise du chainage avant
pour déterminer les
intentions d'un utilisateur,
puis utilise du chainage
arrière pour fournir les
informations précises
concernant un produit.
Avantages et
inconvénients
Le chainage mixte est très
puissant car il combine les
meilleures des deux
mondes, mais peut être
plus difficile à mettre en
œuvre et son exécution
peut être plus lente que les
chainages avant et arrière.
 Pseudo code
Fonction ChaineMixte(Faits, Règles, But):
Si But est déjà dans Faits:
Retourner Vrai # Le but est déjà satisfait

Pour chaque règle dans Règles:

Si la règle peut s'activer en fonction des faits actuels:
NouveauxFaits = ÉvaluerRègle(règle) # Appliquer la règle et obtenir de nouveaux faits
Ajouter NouveauxFaits à Faits # Mettre à jour la base de faits

Si But est maintenant dans Faits:

Retourner Vrai # Le but a été satisfait
Sinon:
Retourner Faux # Le but ne peut pas être atteint
Pseudo code suite
Fonction ÉvaluerRègle(règle):
NouveauxFaits = [] # Stocker les nouveaux faits générés par
la règle
Si la règle a tous ses antécédents dans Faits:
Pour chaque conséquent dans règle:
Calculer la valeur de conséquent
Ajouter conséquent à NouveauxFaits

Retourner NouveauxFaits
Modèles d'inférence classiques
Backward chaining

Modèle classique utilisé pour des

raisonnements plus complexes permettant de
chercher les causes d'une assertion en
modifiant la base de connaissances.

1 2 3

Forward chaining Model checking

Modèle classique le plus courant, à utiliser Modèle vérifiant une assertion pour toutes les
pour des raisonnements simples lorsque la situations possibles, en se concentrant sur
base de connaissances est connue à une faiblesse du système.
l'avance.
L'importance de l'inférence pour l'IA
Permet une recherche
plus facile
Les systèmes d'inférence
améliorent les résultats d'une
recherche générale en
permettant des raisonnements
avancés.
Donne aux agents une
meilleure autonomie
Les systèmes d'inférence
permettent aux agents
d'effectuer des tâches avec
une autonomie accrue, ce qui
est crucial pour les systèmes
d'IA.
Élargit les horizons
Les systèmes d'inférence
élargissent la variété des
structures de raisonnement,
des ensembles de
connaissance et de la
sophistication des problèmes
résolus.
Mise en perspective
Applications
L'inférence est pertinente
dans divers contextes,
notamment, la
reconnaissance d'image et
de parole, la prise de
décision, la gestion de
systèmes de sécurité, et la
résolution de problèmes
complexes de façon
autonome.
Solutions de
l'inférence
Pour atteindre les objectifs
de l'inférence, l'utilisation
de technologies telles que
la logique floue, les réseaux
de neurones, ou encore
l'apprentissage en
profondeur sont mises en
place.
Défis à relever
Les défis sont notamment
la gestion et le traitement
de grandes quantités de
données, l'optimisation de
la performance, l'évolutivité
des systèmes d'inférence
et les problèmes de
sécurité et de
confidentialité liés à
l'utilisation des données.
Conclusion
L'inférence est le cœur de l'IA et est utilisée pour prendre des décisions en utilisant des informations
floues ou incertaines. Les chaînages avant, arrière et mixte sont des techniques qui lui permettent de
fonctionner efficacement. Les défis futurs de l'inférence comprennent la gestion et les avantages de la
masse croissante de données et la garantie de la confidentialité et de la sécurité des données.