Académique Documents
Professionnel Documents
Culture Documents
net/publication/309238376
Intelligence Artificielle
CITATIONS READS
0 7,633
1 author:
Reda Adjoudj
University of Sidi-Bel-Abbes
77 PUBLICATIONS 262 CITATIONS
SEE PROFILE
All content following this page was uploaded by Reda Adjoudj on 18 October 2016.
Dr ADJOUDJ Réda
Département d‘Informatique (Université de Djillali Liabès, Sidi Bel-Abbès)
Adjoudj@univ-sba.dz
Cours préparé pour
Institut d‘Informatique (Centre Universitaire Moulay Taher, Saïda)
Objectifs généraux
Ce module est une introduction à l’intelligence artificielle. Il fournit une vue d’ensemble de
plusieurs aspects nécessaires pour concevoir un agent intelligent. L’enseignement est orientée
vers les techniques et méthodes pratiques du domaine, avec quelques notions plus abstraites sur
les notions d’intelligence. Les étudiants sont amenés à réfléchir sur les difficultés liées à ce
domaine.
Objectifs spécifiques
Ce module a comme objectifs plus particuliers de :
• Enseigner aux auditeurs les fondements et les applications de l’intelligence artificielle ;
• Familiariser les auditeurs avec les différents algorithmes et techniques de base du domaine ;
• Familiariser les auditeurs avec les notions abstraites d’intelligence et de rationalité ;
• Permettre aux auditeurs de connaître les différentes aspects nécessaires pour concevoir un
agent intelligent ;
• Comprendre les enjeux liés au domaine et de connaître quelques développements en matière de
recherche et développement ;
• Développer des applications simples en intelligence artificielle ;
• Comprendre les difficultés liées à l’intelligence artificielle en comparaison avec l’intelligence
humaine.
2
Chapitre 1 : Introduction à l‘Intelligence Artificielle (IA)
1.1.Qu’est-ce que l’intelligence ?
Cela dépend à qui on pose la question…
• Selon Turing
- Ce qui rend difficile la distinction entre une tâche réalisée par un être humain ou
par une machine.
• Selon Darwin
- Ce qui permet la survie de l'individu le plus apte, parfaitement adapté à son
environnement.
• Selon Edison
- Tout ce qui fait que cela fonctionne et produit le plus de revenus pour l'entreprise.
1.2.Quelques définitions
Qu'est-ce que l'intelligence ?
-“La faculté de connaître et comprendre, incluant la perception, l'apprentissage, l'intuition, le
jugement et la conception.”(Petit Robert)
-“La faculté de connaître et de raisonner.”(Dictionnaire American Heritage)
-“Application de la connaissance à la résolution de problèmes.”(Newell et Simon)
Qu'est-ce que la connaissance ?
- La compétence qui permet de résoudre des problèmes.
Qu'est-ce que la raisonnement ?
- La génération de nouvelles connaissances.
3
3.Agir comme un humain
Test de Turing
-Un individu communique avec un interlocuteur invisible à
l'aide d'un terminal d'ordinateur.
-Il doit décider si l'interlocuteur est un être humain ou un
système d'IA imitant un être humain.
Capacités requises :
-Traitement du langage naturel.
-Représentation des connaissances.
-Raisonnement automatique.
-Apprentissage.
4.Penser rationnellement
N.B : Rationnel :
1.qui est conforme au bon sens (• avoir un comportement rationnel )
2.logique et sensé (• il a un esprit très rationnel )
3.qui est conçu avec un souci de méthode et de logique (• dans les nouvelles
bibliothèques, le rangement est plus rationnel )
4.[philosophie] que l'on ne conçoit que par la raison(• le principe rationnel de la
faculté de juger )
5.Agir rationnellement
Comportement rationnel :
-Faire la bonne chose, c’est-à-dire celle qui devrait, selon les informations disponibles,
maximiser l’accomplissement d’un but.
4
5.1.Agent rationnel
-Agent rationnel : une entité qui perçoit et agit dans un environnement pour accomplir ses buts en
fonction de ses capacités ou de ses croyances (ou de ses connaissances).
-Pour chaque environnement ou tâche, on recherche l’agent qui obtient les meilleures
performances.
-La rationalité parfaite n’est pas atteignable en raison des limitations de calculs, donc le but est de
concevoir le meilleur programme avec les ressources disponibles.
5
Approche neuro-mimétique
-s’inspire de la réalité biologique
-en construit des modèles informatiques
- demande peu ou pas de programmation explicite
- exploite des processus d’apprentissage
- permet de développer des systèmes auto-adaptatifs et évolutifs
Approche hybride neuro-symbolique
6
8. Brève histoire de l’IA
1943 McCulloch & Pitts : modélisation des neurones
1950 “Computing Machinery and Intelligence” de A. Turing
1952-69 Période euphorique (une période euphorique de croissance économique )!
1950s 1er programmes d'IA : programme de jeu de dame de A. Samuel,
“Logic Theorist” de A. Newell & H. Simon
1956 réunion de Dartmouth: le terme "Intelligence Artificielle“ est adopté
1965 algorithme de J. A. Robinson pour le raisonnement logique
1966-74 IA découvre la complexité des calculs
recherche en réseaux de neurones disparaît (presque) complètement
1969-79 1er développements de système à base de connaissances
1980-88 industrie des systèmes experts en plein boum
1988-93 industrie des systèmes experts s'effondre : “Hiver de l'IA”
1985-95 réseaux de neurones redeviennent populaires
1988- résurgence des méthodes de décision probabilistes
“Nouvelle IA” : vie artificielle, algorithmes génétiques, …
1995- Agents, agents partout…
9.L’IA d’aujourd’hui
9.1.Prédictions et Réalité…
a) Dans les années 60 un célèbre professeur du MIT disait : “ à la fin de l'été on aura développé
un oeil électronique”.
En 2002, il n'y a toujours pas de système de vision par ordinateur capable de comprendre une
scène dynamique complexe.
Mais des systèmes informatiques effectuent couramment :
- surveillance du trafic routier
- reconnaissance de visages
- analyse d'images médicales
- etc.
b)En 1958, H. Simon (CMU) prédisait que dans 10 ans un ordinateur serait champion d'échecs.
Cette prédiction s'est vérifiée en 1998 (!!!)
Aujourd'hui les ordinateurs on gagné les titres de champions du monde aux jeux de dames et
d'échecs, mais ils sont (encore?) très mauvais aux autres jeux.
c)Dans les années 70, beaucoup croyaient que des robots informatisés seraient partout de l'usine
au domicile.
Aujourd'hui quelques industries (automobile, électronique) sont très robotisées, mais les robots
domestiques sont encore du domaine du futur.
Mais aujourd’hui des robots :
• ont exploré Mars
• réalisent des opérations du cerveau et du cœur
• humanoïdes sont opérationnels et disponibles à la location.
http://world.honda.com/news/2001/c011112.html
7
9.2.L'IA aujourd'hui
• Ambitions initiales abandonnées
-on ne pense plus faire une Intelligence Artificielle à court terme.
• 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)
8
Chapitre 2 : Agents intelligents
1. Pour un humain:
a. Capteurs: oreilles, yeux,
nez, peau, …
b. Actionneurs: mains, bras, jambes, bouche, …
2. Pour un robot :
a. Capteurs: caméra vidéo, laser, capteur infra-rouge, tactile, …
b. Actionneurs: bras robotisé, roues, pinces, …
3. Pour un agent logiciel (softbot):
a. Capteurs: données, chaînes de caractères, …
b. Actionneurs: données, chaînes de caractères, …
9
2.Environnement de la tâche
La première étape lors de la conception d’un agent est de spécifier l’environnement de la tâche
qui contient les quatre éléments suivants :
- Mesure de la performance
- Environnement
- Actionneurs
- Capteurs
Exemple :
Conducteur de taxi automatique
- Mesure de performance : sécurité, vitesse, légalité, confort, profits, etc.
- Environnement : routes, autres autos, piétons,
- Actionneurs : volant, accélérateur, frein, clignotant,
- Capteurs : caméras, sonar, odomètre, indicateur de vitesse, capteurs du moteur, etc.
N.B : odomètre : instrument servant à mesurer une distance et la vitesse à laquelle elle est parcourue
2.1.Propriétés de l’environnement
• Complètement observable vs partiellement observable : Est-ce que les capteurs de l’agent
lui donne accès à l’état complet de l’environnement à tout moment.
• Déterministe vs stochastique : Est-ce que le prochain état de l’environnement est
complètement déterminé par son état courant et l’action de l’agent?
• épisodique vs séquentielle :Un épisode est une séquence perception-action. Le prochain
épisode ne dépend pas des actions effectuées dans les épisodes précédents.
• Statique vs dynamique : Est-ce que l’environnement change pendant que l’agent délibère?
• Discret vs continu : La distinction entre discret et continu peut être appliquée à l’état de
l’environnement, à la façon dont le temps est géré, et aux perceptions et aux actions de
l’agent.
• Un agent vs multi-agents : Est-ce qu’il y a plus qu’un agent interagissant ensemble?
Exemples d’environnements :
10
3.Agent & multi-agents
3.1.Structure d’un agent
Il y a 4 types de base en ordre de généralité grandissante :
a. Agent simple réflexe
b. Agent réflexe avec état interne
c. Agent basé sur les buts
d. Agent basé sur l’utilité
11
c. Agent basé sur les buts
12
c)Définition: Notion de système multi-agent (SMA) :
- population d’agents
- autonomes en interaction
- métaphore des organisations (sociales)
- on met l’accent sur l’action et l’interaction
e)But : l'émergence
Un but des systèmes multi-agents : émergence de nouveaux comportements
• i.e. voir quelque chose apparaître qui n'était pas programmé
• Fourmis
o inspiration biologique
o chaque fourmi est simple, mais le groupe fait beaucoup
• Internet
o recherche distribuée
o chacun contribue un peu, l'ensemble devient énorme
• Humains
o Un humain est déjà une intelligence complexe
o Plusieurs humains peuvent résoudre ensemble beaucoup plus qu’un seul
13
Chapitre 3 : La Logique
1.Logique des propositions
1.1.Introduction
• La logique des propositions s'intéresse à des énoncés (les propositions) qui peuvent être soit
vrais soit faux, ainsi qu'aux rapports entre ces énoncés.
• Les éléments de base de la logique des propositions sont les propositions atomiques (également
appelées atomes).
• Propositions atomiques :
1. Saïda est en Algérie
2. L’Algérie est en Europe
• Interpréter une proposition consiste à lui attribuer une valeur logique V (pour vrai) ou F (pour
faux).
1.2.Connecteurs
• Connecteurs :
^ : ET, v : OU, ¬ : NON, => : IMPLIQUE, ⇔ : EQUIVALENT
• Une proposition générale correspond à des propositions atomiques connectées suivant des
règles :
(A^B) v C v D
A^B : SBA est en Algérie et l’Algérie est en Afrique
• Pour pouvoir interpréter une proposition il est nécessaire d'avoir une interprétation de
chaque proposition atomique qui la compose.
1.4.Interprétation (exercice)
a).Soit l'interprétation I définie comme :
I(A) = V ; I(B) = F ; I(C) = V
Alors, interprétez les formules composées de A, B et C
A^B
A ^ (¬C v B)
A v ¬A
Solution
A^B=V^F=F
A ^ (¬C v B) = V ^ (¬V v F) = V ^ (F v F) = V ^ F = F
A v ¬A = V v ¬V = V v F = V
14
b).Soit une nouvelle interprétation J:
J(A) = V ; J(B) = V ; J(C) = F
Alors l'interprétation des formules est la suivante :
A^B=V^V=V
A ^ (¬C v B) = V ^ (¬F v V) = V ^ (V v V) = V ^ V = V
A v ¬A = V v ¬V = V v F = V
1.6.Modèles (définitions)
• On se demande, pour une formule donnée, s'il existe une interprétation dans laquelle cette
formule est vraie.
- Un tel état est appelé un modèle.
- Un modèle d'une formule f est une interprétation I telle que I(f) = V.
- Il peut exister zéro, un ou plusieurs modèles pour une formule donnée.
• Un modèle d'une ensemble F = {f1, f2, ..., fk} de formules est une interprétation qui rend vraie
chaque formule f1, f2,..., fk de F.
• S'il existe au moins un modèle de F on dit que F est satisfaisable, sinon il est inconsistant.
Exemple :
1. Vérifiez que l'ensemble F de formules ci dessous est satisfaisable :
F = {P ^ Q, Q v R}
Combien de modèles différents de F existe-t-il ?
2. Même question si on ajoute à F la formule ¬P ?
Solution 1
Trouvez les modèles de F = {P ^ Q , Q v R}.
P ^ Q est Vrai si P est Vrai et Q est Vrai
Q v R est Vrai si Q est Vrai ou si R est Vrai
Résultat : Il existe deux modèles pour F :
1) P=Vrai, Q=Vrai, R=Vrai
2) P=Vrai, Q=Vrai, R=Faux
Il existe au moins un modèle pour F, donc F est satisfaisable.
15
Solution 2
Trouvons les modèles de F = {P ^ Q , Q v R, ¬P}.
P ^ Q est Vrai si P est Vrai et Q est Vrai
Q v R est Vrai si Q est Vrai ou si R est Vrai
¬P est Vrai si P est Faux
Résultat : Il n'existe aucun modèle pour F :
• P ne peut pas être Vrai et Faux en même temps
• Donc F est inconsistant.
N.B : Ces équivalences permettent d’effectuer toutes sortes d’opérations sur les propositions. On
voit, par exemple, que pour une proposition P donnée on peut toujours trouver une proposition P'
équivalente qui ne contient ni ⇔ ni =>.
1.8.Avantages de la logique propositionnelle
Elle est déclarative :
-les connaissances et le processus d’inférence sont séparés
-l’inférence est indépendante du domaine.
Permet d’avoir des informations partielles, disjointes et négatives.
Elle est compositionnelle : la signification d’une phrase dépend de la signification de ses parties.
La signification d’une phrase est indépendante du contexte.
1.9Désavantages de la logique propositionnelle
Elle a un pouvoir de représentation très limité.
Ex: On ne peut pas dire que “tous les pays sont jolis” ou que “Jules mange un fruit”
16
2.Logique Des Prédicats Ou Logique Du Premier Ordre
2.1.Vers la logique des prédicats
-Mise en évidence des prédicats
-Regardons de plus près les propositions atomiques. En général, elles sont composées d'objets (ce
dont on parle) et d'un prédicat (ce qu'on en dit).
Exemple:
“Ali est grand”, le prédicat est grand s’applique à l’objet Ali.
“Ali mange une pomme”, le prédicat mange s'applique aux objets Ali et pomme.
On pourrait réécrire les propositions ci-dessus sous une forme qui met en évidence le prédicat et
les objets, soit :
- est_grand(Ali) et
- mange(Ali, pomme).
La forme habituelle est : nom_prédicat(objet1, objet2, ...).
-Dans certains domaines comme les mathématiques des notations particulières ont été inventées
pour exprimer certains prédicats.
- On écrit par exemple 3 < 56 plutôt que inférieur (3, 56), ou 1/2 = 3/6 plutôt que égal(1/2, 3/6).
2.2.Les variables dans la logique des prédicats.
-L'introduction de variables permet de formuler deux types d'énoncés. D'une part des énoncés
universels dans lesquels les variables représentent tous les objets d'un domaine.
-Par exemple, dans le domaine des nombres entiers: X < X+1
Ici X représente n'importe quel nombre entier.
-De même, dans l’énoncé italien(X) =>européen(X) , X représente n’importe quelle personne
ayant la propriété d’être italien.
-On utilise toutes les notions de la logique des propositions et on introduit de nouveaux concepts
pour la logique du premier ordre.
-D'autre part une variable peut servir à exprimer l'existence de quelque chose, sans qu'on
connaisse encore précisément cette chose. Par exemple, dans l'équation
3X – 8 = 22
X représente un nombre, encore inconnu, qui existe et qui a la propriété que si on le multiplie par
trois et qu'on lui soustrait huit on obtient 22.
-De même, dans père(“Mohamed”, X), X représente la personne qui est le père de “Mohamed”.
-En logique des prédicats ces deux usages sont précisé à l'aide des quantificateurs :
∀ (pour tout) et ∃ (il existe).
2.3.Quantificateur universel
-Vrai si et seulement si toutes les phrases sont vraies.
∀x P est vrai si P est vrai pour tous les objets x dans l’univers. D’où le nom de
quantificateur universel.
17
Ex 2:Tous dans la classe sont intelligents:
∀x Dans(x,Classe) =>Intelligent (x)
Erreur courante :
∀x Dans(x,Classe) ^ Intelligent (x)
Tous sont dans la classe et tous sont intelligents !
2.4.Quantificateur existentiel
-Vrai si certains des énoncés sont vrais.
∃x P est vrai si Pest vrai pour certains des objets dans l’univers.
Ex1:Spot a une soeur qui est un chat:
∃x Soeur(x,Spot) ^ Chat(x)
Ex2: Quelqu’un dans la classe est intelligent:
∃x Dans(x,Classe) ^ Intelligent(x)
Erreur courante:
∃x Dans(x,Classe) =>Intelligent(x)
Est vraie si quelqu’un n’est pas dans la classe, ce qui ne dit pas grand chose.
2.5.Exemples des quantificateurs
-Tous les Italiens sont gentils
∀x Pays(x,Italie) =>gentil (x)
Attention : ∀x Pays(x, Italie) ^ Gentil(x)
-Tout le monde est italien et tout le monde est gentil
-On élimine le quantificateur en donnant une valeur à x
{x/Alberto} : Pays(Alberto,Italie) =>Gentil (Alberto)
-Un espagnol est gentil
∃x Pays(x,Espagne) ^ Gentil(x)
Attention : ∃x Pays(x,Espagne) =>Gentil(x)
vrai s‘il existe quelqu'un qui n'est pas espagnol (qu'il soit gentil ou non)
18
-Un quantificateur peut être exprimé en utilisant l’autre.
∀x P ≡ ¬∃x ¬P
∃x P ≡ ¬∀x ¬P
-Exemples :
∀x Aime(x,Fruit) ≡ ¬∃x ¬Aime(x,Fruit)
∃x Aime(x,Viande) ≡ ¬∀x ¬Aime(x,Viande)
Egalité
Vrai si l’énoncé fait référence au même objet.
Exemples:
-Le père de Jean est Henry : Père(Jean) = Henry
-Richard a au moins deux frères ∃x,y Frère(x,Richard) ^ Frère(y,Richard) ^ ¬(x=y)
- On peut aussi utiliser la notation x≠y comme abréviation de ¬(x=y)
¬A = 1-A (inverse de A)
-Si A et B valent 0 ou 1, alors on revient à la logique des propositions.
Exemples :
1 ET 0.3 donne 0.3
0.67 ET 0 donne 0
0.12 OU 0.98 donne 0.98
NON 0.54 donne 0.46
19
4.Autre logique :Logique temporelle
4.1.introduction à la Logique temporelle de Allen
-Les buts du système:
-Exprimer la connaissance relative et imprécise.
-Permettre l'incertitude (expression des contraintes).
-Supporter le raisonnement dans des échelles variables
-Supporter la persistance (raisonnement par défaut).
Exemple : si j'ai garé ce matin ma voiture dans le parking, elle doit toujours être là
(même si on ne peut le prouver).
-Dans le système d'Allen(la logique temporaire) le temps est représenté par des
intervalles:
-Intervalle : Un ensemble T = {t} ordonné de points tel que
(∀ t- ) (∀ t ∈ T ) ( t- < t) et
(∀ t+) (∀ t ∈ T ) ( t+ > t)
La paire t-, t+ forme les points limites de l'intervalle.
4.2.Les 13 relations entre intervalles
4.3.Gestion de l'incertitude
-L'utilisation d'une liste permet de gérer l'incertitude par des contraintes.
-Exemples :
t1 d t2 t1 --(d)--> t2
(t1 d t2) ou (t2 d t1) ou (t1 < t2) t1 --(d, di, <)--> t2
(t1 < t2) ou (t2 < t1) ou (t1 m t2) t1 --(<, >, m)--> t2
-Lorsqu'un nouvel intervalle est introduit dans le réseau,toutes ses conséquences sont
calculées par propagation des contraintes.
Exemple : • B ---(<, m)---> C
• A ------(d)----> B
• D ------(d)----> C
20
donne : A -----(<)-----> D
Exemple
(A < B) et (B ? C)
(une ligne du tableau 12x12)
4.6.Exemple de propagation
-Soient les relations suivantes dans une logique de relations temporelles :
-Evénement A rencontre événement B (A m B)
-Evénement B rencontre événement C (B m C)
-Evénement D est après événement A (D > A)
-Evénement D est avant événement C (D < C)
Quelles sont les relations possibles entre D et B (transitivité avec A) ?
T( D > A, A m B ) = ( d, f, oi, mi, >)
Quelles sont les relations possibles entre D et B (transitivité avec C) ?
T( D < C, C mi B ) = (<, o, m, d, s)
Quelles sont les relations possibles entre D et B après une propagation de contraintes?
(D d B)
21
Chap.4.Représentation des connaissances
4.1.Introduction :
• Problème central en IA
-L'IA cherche à reproduire l'intelligence humaine
-L'intelligence humaine est basée sur la connaissance
-Comment représenter la connaissance en informatique ?
o Pour comprendre une scène ou une histoire, il faut trouver une correspondance
entre les éléments perçus et les choses connus.
o Les perceptions brutes (les phénomènes) sont compris par associations aux
catégories mentales (les concepts, telles que : Actions, Temps, Objets physiques,
Croyance).
22
4.5.Catégories
L’interaction avec le monde est au niveau des objets, mais le raisonnement a souvent lieu au
niveau des catégories.
En logique du premier ordre (LPO), on peut utiliser les prédicats ou les objets pour représenter
les catégories.
Ex: BallonDeFootball( b) ou BallonDeFootballs
Membre( b, BallonDeFootballs) ou b ∈ BallonDeFootballs
SousEnsemble( BallonDeFootballs, Ballons) ou BallonDeFootballs ⊂ Ballons
Exemple de taxonomie :
23
4.7.Caractéristiques des catégories
• Disjointes: Deux catégories sont disjointes si elles n’ont pas de membres en commun.
Ex: animaux et végétaux
• Décomposition exhaustive: Décomposition d’une catégories en toutes les sous-classes
possibles. Ex: Algériens, Marocains, Tunisiens, Mauritaniens et Sahraouies est une
décomposition exhaustive de la catégorie Maghrébins.
• Partition: décomposition exhaustive et disjointe. Ex : Mâle et Femelle est une partition
de la catégorie Animaux.
• Un objet fait partie d’un autre : On utilise la relation PartieDe
Ex: PartieDe(Oran, Algérie)
Rq : PartieDe est transitive
• Mesures : Comment représenter des mesures ?
Une mesure peut avoir différentes unités, donc il faut représenter l’unité
Ex: Longueur(L) = Pouces(1.5) = Centimètres(3.81)
On peut exprimer les conversions :
Centimètres(2.54 x d) = Pouces( d)
Pour les grandeurs qualitatives, on va plutôt ordonner les symboles.
Ex: Difficulté( exercice1) > Difficulté( exercice2)
24
4.8.3.Le Web sémantique
Plusieurs travaux de recherche actuels essaient de formaliser la connaissance sur Internet.
Problèmes :
- Le sens d'un mot change selon les domaines (ex: voiture)
- Chacun développe ses pages par lui-même (besoin d'un standard)
- Travail de formalisation de la connaissance très complexe
Ex : Beaucoup de domaines, de définitions différentes, …
- Le mot (étiquette) est différent selon les langues.
Ex : Traduction automatique des mots.
4.8.4.Les ontologies
Voie de recherche actuelle (W3C) : Ontologie
_ Une ontologie représente les connaissances structurées d'un domaine
- par une hiérarchie de termes (syntaxe)
- par une hiérarchie de relations possibles entre les termes (sémantique)
_ Normes (langages) W3C pour structurer les connaissances :
- RDF / RDFS(extension de XML pour la connaissance structurée)
- Plusieurs ontologies existantes, mais pas encore de standards
25