Intelligence artificielle: Les agents intelligents

1. Agents intelligents
Badiâa Dellal-Hedjazi USTHB – Département d’Informatique
1

2. Motivations
1) Résolution des problèmes
2) Apprentissage automatique
3) Compréhension du langage naturel
4) Raisonnement automatique
5) Systèmes experts...
Remarque: Ces systèmes sont renfermés sur leur raisonnement et ignorent tout de leur environnement
Mais : L’intelligence n’est pas une caractéristique individuelle que l’on peut séparer du contexte social.
2
Domaines de l’IA
Définition IA:
La construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies
de façon plus satisfaisante par des êtres humains.
• L’intelligence est également le produit de l’interaction avec l’environnement.
• Un comportement intelligent émerge de l’interaction de comportements plus simples.
Définition de l’IA:
L’IA est considérée comme la science de la conception d’agents intelligents.

3. Le paradigme Agent
Un agent est un système informatique situé dans un environnement qu’il
peut percevoir et sur lequel il peut agir.
Exemples:
Agent logiciel: Agenda électronique
Agent matériel: Robot
3

4. 4

5. Fonction et programme agent
Le programme agent est une implémentation de la fonction
agent. Il associe à la perception actuelle l’action adéquate.
La fonction agent spécifie l’action qu’il exécute en
réponse à une séquence de percepts donnée.
Monde de l’aspirateur
2 salles, un robot aspirateur et de la saleté
Actions: Droite ; Gauche ; Aspirer ; Rien
5

6. Rationalité des agents
Le succès d’un agent est évalué par une mesure de performance:
• une fonction objective mesurant la qualité d’un comportement de l’agent
Exemple: Mesure de performance pour un agent aspirateur
• le volume de saleté ramassée
• le temps pris
• l’électricité consommée,
• le bruit produit, etc.
Rationalité ≠ Omniscience (tout savoir avec des connaissances sans limite)
2) Agent autonome
S’il est capable d’adapter son comportement aux changements dans l’environnement
(capable d’apprendre, de planifier, de raisonner)
6
1) Un agent rationnel est un agent qui agit d’une manière lui permettant d’obtenir le plus de
succès possible dans la réalisation des tâches qu’on lui a assignées.

7. MODELE PEAS
7

8. PEAS : Voiture autonome
8

9. PEAS : Système de diagnostic
médical
●Mesure de performance: Rétablissement des patients, Minimisation coûts.
●Environnement : Patient, hôpital, personnel
●Effecteurs: Affichage de questions, tests , diagnostics, traitements
●Capteurs : Entrée au clavier de symptômes, observations, réponses patient9

10. PEAS : Monde du Wumpus
10
 Mesure de performance
 or +1000, mort -1000
 -1 par un pas, -10 pour une flèche
 Environnement
 Puanteur dans les chambres adjacent au wumpus.
 Brise dans les chambres adjacentes à une fosse
 Scintillement si l’or est dans la chambre
 Le wumpus meurt si on lui tire une flèche de face
 On a une seule flèche
 On peut ramasser l’or dans la même chambre
 On peut lâcher l’or dans une chambre
 Senseurs: stench (puanteur), breeze (brise), glitter (scintillement), bumper
(choc), scream (cri).
 Actuateurs (Effecteurs): : tourne gauche, tourne droite, avance, saisit, tire

11. Propriétés de l’environnement
1. Complètement observable vs Partiellement observable: L’agent perçoit l’état complet de
l’environnement à tout moment.
Ex. Jeux d’échecs : CO / Voiture autonome : PO
2. Déterministe vs Stochastique: Le prochain état de l’environnement est complètement
déterminé par son état courant et l’action de l’agent ?
Ex. Robot aspirateur : D / Voiture autonome : S
3. Épisodique vs Séquentiel: Un épisode est une seule séquence perception-action.
Le prochain épisode ne dépend pas des actions effectuées dans les épisodes précédents.
Ex. Détection pièces défectueuses dans une chaine de montage: E / Voiture autonome: S
4. Statique vs Dynamique: L’environnement ne change pas pendant que l’agent délibère.
Ex. Agent de Mots-croisés : S / Voiture autonome : D
5. Discret vs Continu: La distinction discret/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.
Ex. Jeux d’échecs : D / Voiture autonome : C
6. Un agent vs Multi-agents : Est-ce qu’il y a plus qu’un agent interagissant ensemble ?
Ex. Agent de Mots-croisés : A / Jeux d’échecs: M 11

12. Types d’agents
•Agent réflexe simple (Simple reflex agent)
•Agent réflexe avec état interne (Model-based reflex agent)
•Agent basé sur les buts (Goal-based agent)
•Agent basé sur l’utilité (Utility-based agent)
•Agent apprenant (Learning agent)
12

13. Agent réflexe simple
13

14. Agent aspirateur réflexe
14
Problème : Boucle infinie

15. Agent réflexe avec état interne
15
Exemple: Peut résoudre un labyrinthe
Avantage : Evite les boucles infinies

16. 16
Exemple: Peut résoudre n’importe quel labyrinthe.
Avantage : On peut changer de but sans réécrire toutes les règles.
Agent basé sur les buts
function Goal-Agent (percept) return action
Static: current world state
rules
State = update-state-(state, percept)
Do { rule = rule-match(state; rules)
action= rule-action(rule)
state=update-state(state, action)}
while (not goals?<-state)
Return action
Algorithme d’exploration
ou de planification

17. Agent basé sur l’utilité
17
function Utility-Agent (percept) return action
static : current world state
rules
State= update-state (state, percept)
Do { rule = rule-match(state, rules)
action = rule-action (rule)
state= update=state(state-action)
} while (not goals?<-state)||(not good quality)
Return action
Exemple: - Un agent avec buts peut trouver la sortie (but : succès ou échec) MAIS
- un agent avec utilité peut trouver le chemin le plus court pour la sortie (degré de succès)

18. Agent apprenant
Agent simple
réflexe
Agent réflexe
avec état interne
Agent basé
sur l’utilité
Agent basé
sur le but
Agent apprenant
18
Pour de nombreux problèmes (Reconnaissance faciale, robot à très haut degré de
complexité), il est très difficile de spécifier explicitement le comportement de
l’agent à la conception.  Concevoir des agents apprenants.
L’apprentissage permet:
– de simplifier la conception
– à l’agent d’avoir plus de flexibilité
– à l’agent d’agir dans des environnements
inconnus et devenir meilleur avec le temps.

19. Avantage : Capable de modifier ou d’améliorer son
comportement en fonction de ses expériences précédentes.
Module de performance
• Connaissances et procédures pour
choisir les actions.
(constituait la totalité de l’agent)
Critique
• Observe l’agent et donne des
informations au module
d’apprentissage.
Module d’apprentissage
• Modifie le module de performance.
Générateur de problèmes
• Identifie les possibilités
d’amélioration et suggère des
expérimentations.
19

20. Agent taxi apprenant
Module de performance
• Le taxi fait des actions sur la route comme
tourner subitement à gauche.
Critique
• Observe le mécontentement des autres conducteurs;
il avertit alors le module d’apprentissage.
Module d’apprentissage
• Élabore une règle qui améliore les actions et le module
de performance est modifié pour une autre règle.
Générateur de problèmes
• Détecte un besoin d’amélioration est suggère
d’expérimenter d’autres façons de faire sur d’autres
conditions de la route ( ex. conduite sur la neige)
20

21. Architectures d’agents
Agent réactif Agent cognitif
Simple. Ne possédant pas de
représentation explicite de son
environnement
Dispose d’une capacité de
raisonnement sur une base de
connaissances
Doté d’un comportement primitif
(Stimulus/Action)
Dispose d’aptitudes à traiter des
informations diverses en interaction
avec d’autres agents
Une société d’agents réactifs fait
émerger un comportement global
intelligent. (ex. Colonie de fourmis)
Des capacités décisionnelles
(ex. Robot planificateur)
21

22. Agent réactif : Architecture de Subsomption
Fondée sur des couches organisées par priorité de
bas en haut en modules à comportement limité.
Exemple: Un robot d’exploration de la planète Mars
M0 : Module pour éviter les obstacles ;
M1 : Module de déplacement dans l'environnement tout
en évitant les obstacles avec M0 ;
M2 : Module qui a la compétence supérieure, la plus
abstraite, de faire l'exploration de la planète en se
déplaçant grâce aux actions du module M1.
22

23. Agent cognitif : Architecture BDI (Belief, Desire, Intention)
23
Croyance: Informations sur l’environnement
Désirs: Etat final désiré
Intention: Actions à faire pour réaliser désir
Mécanisme de contrôle d’un agent BDI :
‒ Perception des modifications dans
l’environnement.
‒ Mise à jour des croyances
‒ Prise en compte des désirs à satisfaire
‒ Production d’intentions génératrices d’actions
dans l’environnement.

24. Exemple agent BDI: Système de contrôle du trafic aérien OASIS
(Aéroport de Sydney – Australie )
24

25. Quelques applications
• Finance : Agent investisseur
• Robotique: explorer, éviter les obstacles, plus court chemin
• Jeux : Jeux d’échecs
• Recherche d’information : crawler ( robot d’indexation)
• Veille et recommandation : Recommandation de produits
• Traitement du langage naturel : Traduction automatique
• Analyse d’images : Satellite, médicales
• E-learning: Tuteur interactif, apprentissage langue, ...
25

26. Pour chacun des exemples d’agents suivants, dites quel type d’agent et le
plus approprié (simple réflexe, réflexe avec état interne, but et utilité)
a. Un agent contrôlant une valve de pression d’une centrale nucléaire.
b. Un agent devant sortir d’un labyrinthe.
c. Un agent conduisant une automobile.
d. Un agent qui achète et vend des actions sur internet.
e. Un agent qui nettoie la vaisselle et la range dans les armoires.
Exercice
26