Département de mathématiques et physiqueFaculté des Sciences appliquées     Introduction à l’Intelligence              Art...
Introduction et Historique•   Premières définitions et dichotomies•   Historique : dates, noms, programmes…•   Domaines d’...
Partie 1 :Premières définitions et     dichotomies
Définitions• Choix du nom 1956, conférence de Dartmouth• « L’intelligence artificielle est la science qui  consiste à fair...
La « complexité » mentale est-elle comparable à la  complexité informatique ?La définition de Minsky exclut des domaines m...
Dictionnaires• Qu’est-ce que l’intelligence ?• Qu’est-ce que l’artificiel ?
Remarques• La définition du terme « intelligence » change.• L’intelligence est liée à l’homme dans ses facultés de  compré...
• Les tentatives de définitions de l’IA, sont floues quant  aux domaines d’application et s’inscrivent plutôt dans  une pe...
Définition « opérationnelle »• « L’IA est le domaine de l’informatique qui  étudie comment faire faire à l’ordinateur des ...
Homme        Perception   Processus       actions                     internes                     Raisonnements   Motrici...
Domaines connexes•   Philosophie des sciences, de la connaissance, de l’esprit•   Logique•   Linguistique•   Neurophysiolo...
Dichotomies•   Strong AI vs Weak AI•   Niveau de compétence vs niveau de performance•   Algorithmique vs non algorithmique...
Strong AI VS Weak AI• Point de vue essentiellement philosophique relatif à la  conscience des machines• La conscience peut...
Niveau de compétence VS    Niveau de performance• Distinction introduite par Chomsky : faire  « comme » ou faire « aussi b...
Algorithmique vs           non Algorithmique• Un algorithme est une séquence finie  d ’instructions qui permet de résoudre...
Vision analytique vs               vision émergente• Décomposition de problèmes en sous-problèmes plus  simples à résoudre...
Plus court chemin                 (méthode analytique)                           f(x)         5 min ∫       1 + f 2 ( x) d...
Plus court chemin        (approche émergente)f(x)              f(x)              x                x
Sciences naturelles vs         Sciences de l’artificiel• Compréhension des phénomènes de la nature• Cette compréhension pa...
Caractéristiques de l’IA VS     informatique classique• Informatique plus symbolique• Aspects plus déclaratif, moins procé...
Partie 2 :Historique : dates, noms,     programmes…
Automates : recréer la vie
Machines ProgrammablesMétier à tisser   Machine Analytique(Jacquard 1805)   (Babbage & A. Ada Lovelace 1837)
Quelques approches théoriques         avant 1900 • XIII : Raymond Lulle (Ars Magna) • XVIII : Gottfried Wilhelm Leibnitz (...
Tentative de Leibnitzsubstance = 2material = 3        immaterial = 5animate = 7         inanimate = 11sensitive = 13      ...
Formalisation du raisonnement• Logique des propositions  syntaxe inductive permettant d’écrire des formules  Sémantique vé...
1900-1945• David Hilbert   – 23 problèmes (Second Congrès International des     mathématiques à Paris, 1900)• Russell et W...
La machine universelle                                Unité de                         États internes:                    ...
Neurone formelMac Cullogh & Pitts (1943)      1      0.3             -1      0               Σ      1             0.5      1
Cybernétique (1947)• Norbert Wiener, s’inspirant de la biologie,  introduit la notion de rétroaction dans les  systèmes de...
ENIAC 1945• Electrical and Numerical Integrator and Calculator• Architecture de Von Neumann: ranger les données et  les in...
The Turing Test (1950)
Dartmouth 1956« Chaque aspect de l’apprentissage, ou tout autre caractéristique    de l’intelligence, peut en principe êtr...
Approche Symbolique• Newell et Simon (CMU)   – Logic Theorist : démonstration des théorèmes des Principia     Mathematica ...
Exemples typiques de   problèmes (années 50-60)• Le fermier, le loup, la chèvre et le choux• Les recipients : comment obte...
Résultats• Première catégorisations sur les strucutres de  données : arbre de recherche, définition d’un espace  d’états, ...
Recherche dans un arbre
Algorithme A* - problème   du taquin         1+5      2+4         3+4        2 8 3     2 8 3       2 3                5+2 ...
Approche connexionniste• Mac Cullogh & Pitts   – Développement du neurone formel (1943)• Hebb   – relie les comportements ...
Le perceptron• réseau de neurones à 2  couches inspiré du système  visuel• Définition d’une règle  d’apprentissage   – La ...
Les années 70 – début 80• Période d’ombre pour l’approche connexionniste   – Minsky et Papert, Perceptrons, 1969   – Impos...
Réseaux sémantiquesWinston 1970
Ontologie Web (2002)
Réseaux sémantiques
SHRDLU : the Block WorldWinograd 1972
SHRDLU 2001HMM    Analyse      Analyse  +   Syntaxique   Sémantique NN
Systèmes Experts   Base de connaissance (BC)   mémoire à long terme                                 Moteur                ...
Mycin (1974 - …)• Aide au diagnostic / thérapie dans le domaine  médical (septicémies, méningites …)• Connaissances représ...
Mycin – exemple de règles• Si le site de culture est le sang, et que le germe est  positif à la coloration de Gram et que ...
Années 80• Récession de l’approche symbolique due aux  déclarations non tenues :   – Échec de la généralisation des microm...
Le perceptron multi-couches
Hopfield• Mémoires auto-associatives par un apprentissage  hebbien• Utilisation des résultats de la physique statistique  ...
Partie 3:Domaines actuels
Domaines actuels de recherche• Machine Learning, reinforcement learning• Datamining : classification supervisée et non  su...
• Systèmes multiagents (intelligence distribuée,  planification multiagents)• Agents intelligents (sur internet); Objets I...
• Robotique sensorielle (Cog, Kismet)• Artificial Life• Chimie computationnelle• Etude du chaos dans les réseaux de neuron...
Images
•
Conclusions
Perspective philosophique• Emulation de la pensée raisonnée• Trois étapes :   – Représentation de la connaissance   – Mode...
Perspective technologique • Développement de la puissance de calcul des   ordinateurs (loi de Moore) • Changement de parad...
Conclusions• Deux acceptions dans la définition :    – Programme scientifique et technologique visant à doter l’ordinateur...
COURS à l’ULB• INFO 362 : éléments de logique et d’intelligence artificielle(Pierre Gaspart – 4ème info - FSA)• MATH 304 :...
Bibliographie• A. Barr, E.A. Feigenbaum, The Handbook of Artificial  Intelligence, W. Kaufmann, Inc. , Palo Alto, 1981.• C...
•Haykin S., Neural Networks, a comprehensive foundation,Prentice Hall, 2nd ed., 1999.•Hofstader D., Gödel, Escher, Bach : ...
• Rich E. , Knight K., Artificial Intelligence, McGraw  Hill Inc. (International Edition), USA, 1991.• Searle J.R., The my...
Revues Scientifiques• AI communications, The European Journal on  Artificial Intelligence, IOS Press, The Nederlands,  pub...
• IEEE Intelligent Systems, IEEE Press, published 6  times in a year.• JETAI : Journal of Experimental and theoretical  Ar...
Ackerman04
Ackerman04
Prochain SlideShare
Chargement dans…5
×

Ackerman04

1 912 vues

Publié le

0 commentaire
2 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 912
Sur SlideShare
0
Issues des intégrations
0
Intégrations
1
Actions
Partages
0
Téléchargements
51
Commentaires
0
J’aime
2
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • Cette définition « historique » (reprise par Boden 1972) exclut des domaines clé et majeurs de l’IA; de plus elle sous-entend - dans la bouche de Minsky - l ’intelligence logico-mathématique.
  • Complexité mentale = calculer, jouer aux échecs, faire des math, culture générale … Complexité informatique = percevoir, bouger, comprendre, simuler le nouveau né …
  • Il est intéressant de constater l’évolution de la définiton du terme intelligence dans le dictionnaire … Dictionnaire usuel, Quillet Flammarion, 1973, France L’Esprit dans sa faculté de concevoir, de comprendre; manière de comprendre propre à chaque esprit; connaissance approfondie […] Dictionnaire Encyclopédique, Petit Larousse, 1993, France Faculté de comprendre, de saisir par la pensée. L’intelligence distingue l’homme de l’animal . Intelligence Artificielle : intelligence humaine simulée par une machine; ensemble des théories et des techniques mises en œuvre pour réaliser de telle machine. Aptitude à s’adapter à une situation, à choisir en fonction des circonstances; capacité de comprendre, de donner du sens à telle ou telle chose. Etre humain considéré dans ses aptitudes intellectuelles
  • Petit Larousse, 2001 Faculté de comprendre, de saisir par la pensée, ensemble des fonctions mentales ayant pour objet la connaissance conceptuelle. L’intelligence distingue l’homme de l’animal . Intelligence Artificielle : ensemble des théories et des techniques mises en œuvre pour réaliser des machines dont le fonctionnement s’apparente à celui du cerveau humain. Aptitude à s’adapter à une situation, à choisir en fonction des circonstances; capacité de comprendre, de donner du sens à telle ou telle chose. Etre humain considéré dans ses aptitudes intellectuelles […] En ce qui concerne le terme artificiel , les définitions concordent : Qui n’est as naturel, fabriqué par l’homme; qui manque d’authenticité, qui relève du procédé : arbitraire(« classement artificiel »)
  • On observe que la définition du terme intelligence évolue. Ceci est à mettre en rapport avec l’intérêt qu’a porté la Science sur la compréhension du raisonnement humain (les années nonante comme la décennie de recherche sur le Cerveau). Quoiqu’il en soit ces définitions sont fort peu opérationnelles et témoignent de la difficulté à cerner ce concept. Elles renvoient d’emblée à d’autres questions fondamentales : Qu’est-ce que la compréhension ? Qu’est-ce que l’apprentissage ? Qu’est-ce que la Connaissance ? etc … On dégage de ces définitions deux éléments clé : l’intelligence est liée à l’homme dans ses facultés de compréhension, et d’apprentissage, et observable grâce au comportement (adaptabilité). Les tentatives de définitions de l’IA, sont floues quant aux domaines d’application et s’inscrivent plutôt dans une perspective cognitiviste de simulation du cerveau humain. Elles excluent la possibilité d’une forme d’intelligence non humaine. Le terme artificiel a une connotation relativement péjorative et induit une tension conflictuelle entre l’homme et l’ordinateur. L ’ordinateur reste subordonné à l ’homme.
  • Les pionniers de l’aviation abandonnèrent (vite?) l’idée d’imiter le vol des oiseaux pour lui préferer une analyse en terme d’écoulement d’air ou de pressions. « L’avion a beaucoup évolué depuis celui des frères Wright; il n’atteindra jamais l’élégante précision de l’oiseau, mais par d’autres aspects, il le dépasse largement. Au lieu de confiner l’intelligence artificielle à la reproduction des comportements humains, nous pouvons, plus utilement, chercher à donner des comportements intelligents aux systèmes de calcul. […] L’histoire de l’aviation a également montré que la technique devance fréquemment la connaissance scientifique. Les concepteurs des premiers avions n’apprirent pas les principes de l’aérodynamique en étudiant l’anatomie des oiseaux […] Elle naquit des premières expériences en soufflerie, au début du XX ème siècle[…] On ne découvrira pas les principes de la pensée intelligente en plongeant dans les dédales de l’esprit humain. Une science de l’intelligence doit isoler des aspects spécifiques de la pensée, comme la mémoire, la recherche et l’adaptation, pour nous permettre de les expérimenter, chacun à leur tour, sur des systèmes artificiels. […]Le véritable but de l’IA est la création d’une science de l’intelligence elle-même qu’elle soit humaine ou non. […] Ainsi l’IA est la technique des objets cognitifs fondées sur la compréhension « calculatoire » qui alimente et instruit les sciences cognitives » in K. Forth, P. Hayes, L’intelligence artificielle , Pour la Science, n° 254, pp 158-163, 12-1998.
  • Pygmalion, roi de Chypre dans la mythologie grecque et sculpteur a ses heures tomba amoureux d’une statue de femme qu’il scultait suite à un sort d’Aphrodite. Emue par ses souffrances, elle décida de donner vie à Galatée. George Bernard Sahw repris l’histoire dans une pièce de théâtre en 1916. Le dix-huitième siècle est l’âge d’or des automates : Jacques de Vaucanson crée son joueur de flûte et son canard (défécant) Le Turc joueur d’échec du Baron Von Kempelen (1769) Mary Shelley, épouse de Lord Byron, écrivit Frankenstein ou le Prométhée moderne en 1818. Carlo Collodi écrivit Pinnochio par épisodes entre 1881 et 1883.
  • W3C Recommendation 10 February 2004 (http://www.w3.org/TR/owl-guide/) The World Wide Web as it is currently constituted resembles a poorly mapped geography. Our insight into the documents and capabilities available are based on keyword searches, abetted by clever use of document connectivity and usage patterns. The sheer mass of this data is unmanageable without powerful tool support. In order to map this terrain more precisely, computational agents require machine-readable descriptions of the content and capabilities of Web accessible resources. These descriptions must be in addition to the human-readable versions of that information. The OWL Web Ontology Language is intended to provide a language that can be used to describe the classes and relations between them that are inherent in Web documents and applications. This document demonstrates the use of the OWL language to formalize a domain by defining classes and properties of those classes, define individuals and assert properties about them, and reason about these classes and individuals to the degree permitted by the formal semantics of the OWL language. The OWL Web Ontology Language is designed for use by applications that need to process the content of information instead of just presenting information to humans. OWL facilitates greater machine interpretability of Web content than that supported by XML, RDF, and RDF Schema (RDF-S) by providing additional vocabulary along with a formal semantics. OWL has three increasingly-expressive sublanguages: OWL Lite, OWL DL, and OWL Full.
  • The human observer said : “Put the red block on the cyan block”. And VIAVOICE recognized his words and whispered it to the Syntactical Analyzer. The Syntactical Analyzer understood that it was about an order to execute concerning two colored blocks and told it to his neighbor. The Avatar then asked : “ What red block are you talking about ?”. “ The one on the yellow block” the human answered. And the Semantical Analyzer transmitted the instruction to the Planning Agent who executed the order, putting first the blue block on the table. That is why the red block is on the cyan block, my Son.
  •          L'interface qui permet au monde extérieur d'avoir accès aux services du système.          La base de connaissance qui contient les faits et les règles qui représentent la connaissance disponible pour le domaine d'application considéré. Nous verrons plus loin que les règles (de type implication ) sont en général utilisées pour formaliser la connaissance experte à propos du domaine d'application. Les faits sont, quant à eux, descriptifs de la situation courante de l’application.          Le moteur d'inférence qui est en fait l'implantation logicielle et/ou matérielle des procédures d'inférence utilisées par le système. Ce moteur est clairement séparé de la base de connaissance de manière à ce que le système expert puisse être utilisé dans divers domaines. Signalons dès à présent qu'on utilise très souvent une procédure similaire à modus ponens comme moyen d'inférence.
  • ECCAI, the European Coordinating Committee for Artificial Intelligence Eccai was established in July 1982 as a representative body for the European Artificial Intelligence community. Its aim is to promote the study, research and application of Artificial Intelligence in Europe. http://www.eccai.org American Association for Artificial Intelligence Founded in 1979, the American Association for Artificial Intelligence (AAAI) is a nonprofit scientific society devoted to advancing the scientific understanding of the mechanisms underlying thought and intelligent behavior and their embodiment in machines. AAAI also aims to increase public understanding of artificial intelligence, improve the teaching and training of AI practitioners, and provide guidance for research planners and funders concerning the importance and potential of current AI developments and future directions. Major AAAI activities include organizing and sponsoring conferences, symposia, and workshops, publishing a quarterly magazine for all members, publishing books, proceedings, and reports, and awarding grants, scholarships, and other honors. http://www.aaai.org Elsevier http://www.computer.org/intelligent/
  • Association for Computing Machinery Founded in 1947, ACM is a major force in advancing the skills of information technology professionals and students worldwide. Today, our 75,000 members and the public turn to ACM for the industry's leading Portal to Computing Literature, authoritative publications and pioneering conferences, providing leadership for the 21st century. http://www.acm.org Institute of Electrical and Electronics Engineers The IEEE (Eye-triple-E) is a non-profit, technical professional association of more than 377,000 individual members in 150 countries. The full name is the Institute of Electrical and Electronics Engineers, Inc., although the organization is most popularly known and referred to by the letters I-E-E-E. http://www.computer.org/intelligent/
  • Ackerman04

    1. 1. Département de mathématiques et physiqueFaculté des Sciences appliquées Introduction à l’Intelligence Artificielle Nathanaël Ackerman Le 2 décembre 2004
    2. 2. Introduction et Historique• Premières définitions et dichotomies• Historique : dates, noms, programmes…• Domaines d’application actuels• Conclusions – Deux perspectives sur l’historique du domaine – Le « pourquoi » de l’IA• Concepts clés• Bibliographie
    3. 3. Partie 1 :Premières définitions et dichotomies
    4. 4. Définitions• Choix du nom 1956, conférence de Dartmouth• « L’intelligence artificielle est la science qui consiste à faire faire à des machines ce que l’homme fait moyennant une certaine intelligence » M. Minsky• Problème de récursivité dans la définition
    5. 5. La « complexité » mentale est-elle comparable à la complexité informatique ?La définition de Minsky exclut des domaines majeurs de l’IA : – La perception (vision et parole) – La robotique – La compréhension du langage naturel – Le sens commun
    6. 6. Dictionnaires• Qu’est-ce que l’intelligence ?• Qu’est-ce que l’artificiel ?
    7. 7. Remarques• La définition du terme « intelligence » change.• L’intelligence est liée à l’homme dans ses facultés de compréhension, et d’apprentissage, et observable grâce au comportement (adaptabilité).• Renvoi à des questions fondamentales : qu ’est-ce que la compréhension? Qu ’est-ce que l ’apprentissage ? Qu ’est- ce que la connaissance ?
    8. 8. • Les tentatives de définitions de l’IA, sont floues quant aux domaines d’application et s’inscrivent plutôt dans une perspective cognitiviste de simulation du cerveau humain. Elles excluent la possibilité d’une forme d’intelligence non humaine.• Le terme artificiel a une connotation relativement péjorative et induit une tension conflictuelle entre l’homme et l’ordinateur. L ’ordinateur reste subordonné à l ’homme.
    9. 9. Définition « opérationnelle »• « L’IA est le domaine de l’informatique qui étudie comment faire faire à l’ordinateur des tâches pour lesquelles l’homme est aujourd’hui encore le meilleur. » E. Rich• Définition essentiellement évolutive, l ’IA est innovatrice :
    10. 10. Homme Perception Processus actions internes Raisonnements Motricité Vision Résolution de Robot problèmesMonde Planification Monde Apprentissage Audition Emotion Langage Parler Créativité
    11. 11. Domaines connexes• Philosophie des sciences, de la connaissance, de l’esprit• Logique• Linguistique• Neurophysiologie• Psychologie cognitive• Optimisation mathématique• Automatique et contrôle• Statistique• Théorie des graphes• Aquisition et traitement d’images• Dynamique des systèmes chaotiques• Programmation robotique …
    12. 12. Dichotomies• Strong AI vs Weak AI• Niveau de compétence vs niveau de performance• Algorithmique vs non algorithmique• Vision analytique vs vision émergente de la résolution de problèmes• Sciences du naturels vs sciences de l’Artificiel• ...
    13. 13. Strong AI VS Weak AI• Point de vue essentiellement philosophique relatif à la conscience des machines• La conscience peut-elle émerger de manipulations purement syntaxiques ? (cf Chambre Chinoise, Searle 81)• Hypothèse d ’un système physique de symboles (Newell 1980); la conscience du thermostat (D. Chalmers)• Matrix
    14. 14. Niveau de compétence VS Niveau de performance• Distinction introduite par Chomsky : faire « comme » ou faire « aussi bien que ».• L’oiseau et l ’avion volent …• Jeux d ’échecs : les GMI réfléchissent différemment de Deep Blue• Question fondamentale en Sciences Cognitives : l ’aspect séquentiel du processeur limite-t-il la validité de l ’approche connexionniste?
    15. 15. Algorithmique vs non Algorithmique• Un algorithme est une séquence finie d ’instructions qui permet de résoudre un problème en un temps fini.• La définition de l ’IA comme domaine de la programmation non algorithmique est équivoque.
    16. 16. Vision analytique vs vision émergente• Décomposition de problèmes en sous-problèmes plus simples à résoudre (analyse procédurale, système experts basés sur la logique des prédicats)• Distribution des tâches à un ensemble d ’agents qui interagissent (NN, OO, Ant Algorithm)• Dans la même veine : – IA classique vs IA NN – IA symbolique vs IA numérique
    17. 17. Plus court chemin (méthode analytique) f(x) 5 min ∫ 1 + f 2 ( x) dx f ∈C 1 0 ( 0) = f 0 x ( 2) = f 10 ( 4) = f 11f ( x ) − − > x 4 0 ∀ : 1 <x < x 3 ( x) > 1f − ∀ : 0 <x < x 4
    18. 18. Plus court chemin (approche émergente)f(x) f(x) x x
    19. 19. Sciences naturelles vs Sciences de l’artificiel• Compréhension des phénomènes de la nature• Cette compréhension passe par la construction de modèles capables de réaliser des simulations. D’où la possibilité d ’explorer effectivement les conséquences des postulats initiaux; éthologie des programmes informatiques• Sciences normatives par opposition au caractère descriptif des sciences naturelles.
    20. 20. Caractéristiques de l’IA VS informatique classique• Informatique plus symbolique• Aspects plus déclaratif, moins procédural• On privilégie la satisfaction à l’optimisation (sauf si l’on introduit des méta-règles heuristiques)• Données incomplètes, inexactes, conflictuelles• La notion de représentation d’un problème est fondamentale• Pluridisciplinaire: logique, psycho-cognitive, biologie, neurosciences, philosophies, mathématiques …
    21. 21. Partie 2 :Historique : dates, noms, programmes…
    22. 22. Automates : recréer la vie
    23. 23. Machines ProgrammablesMétier à tisser Machine Analytique(Jacquard 1805) (Babbage & A. Ada Lovelace 1837)
    24. 24. Quelques approches théoriques avant 1900 • XIII : Raymond Lulle (Ars Magna) • XVIII : Gottfried Wilhelm Leibnitz (calculus Ratiocinator) • XIX : – George Boole, The Laws of Thaught, 1854; – Gottlob Frege (1879 – logique des prédicats)
    25. 25. Tentative de Leibnitzsubstance = 2material = 3 immaterial = 5animate = 7 inanimate = 11sensitive = 13 insensitive = 17rational = 19 irrationnal = 23…Human = 2 x 3 x 7 x 13 x 19 = 10374Mineral = 2 x 3 x 11 = 66103674 mod 66 ≠0 => a human is not a mineralTransitivité de l’héritage
    26. 26. Formalisation du raisonnement• Logique des propositions syntaxe inductive permettant d’écrire des formules Sémantique vérifonctionnelle (+ table de vérité) (A ∧(A ⇒ B)) ⇒ B modus ponens (¬ B ∧(A ⇒ B)) ⇒ ¬ A) modus tollens• Logique des prédicats ∀x homme(x ) ⇒ mortel(x ) (1) homme(Socrate). (2) homme(Socrate) ⇒ mortel(Socrate) (3) mortel(Socrate). (4)
    27. 27. 1900-1945• David Hilbert – 23 problèmes (Second Congrès International des mathématiques à Paris, 1900)• Russell et Whitehead – Principia mathematica (1913)• Emil Post – Systèmes de production• Gödel – théorème d’incomplétude (1931)• Turing – machine universelle (1936) – pas d’a priori sur la non prouvabilité d’un théorème
    28. 28. La machine universelle Unité de États internes: Etat0, Etat1, Etat2, commande ...Ruban= entrée, sortie et mémoire Lecture/écriture + + + + Etat de la Contenu de Ecrit sur le Déplacement Etat suivant machine la cellule ruban ruban Etat0 vide D Etat0 Etat0 + D Etat1 Le Programme
    29. 29. Neurone formelMac Cullogh & Pitts (1943) 1 0.3 -1 0 Σ 1 0.5 1
    30. 30. Cybernétique (1947)• Norbert Wiener, s’inspirant de la biologie, introduit la notion de rétroaction dans les systèmes de traitement de l’information.• Idée des boucles réentrantes fondamentales en IA et Sciences Cognitives. input output Système controle feedback
    31. 31. ENIAC 1945• Electrical and Numerical Integrator and Calculator• Architecture de Von Neumann: ranger les données et les instructions dans une « mémoire »; le processeur – séparé – réalise les calculs.• 1900 tubes à vides, 1500 relais, des milliers de résistances, capacités … 200 KW• 10 khz (addition)
    32. 32. The Turing Test (1950)
    33. 33. Dartmouth 1956« Chaque aspect de l’apprentissage, ou tout autre caractéristique de l’intelligence, peut en principe être décrit si précisément qu’il est possible de construire une machine pour le simuler »• Minsky : le dinosaure…• Newell et Simon (Prix Nobel d’économie 1978)• John McCarthy• Claude Shannon : théorie mathématique de l’information et de la communication (1960)• Selfridge : Pandemonium
    34. 34. Approche Symbolique• Newell et Simon (CMU) – Logic Theorist : démonstration des théorèmes des Principia Mathematica de Russell et Whitehead – General Problem Solver (GPS 59)• Weizenbaum – Eliza (1966) simule un psycholgue rogerien• Dans la lignée de A. Turing – Traduction automatique du langage – Jeux d’ échecs
    35. 35. Exemples typiques de problèmes (années 50-60)• Le fermier, le loup, la chèvre et le choux• Les recipients : comment obtenir 1 litre d’eau, avec deux récipients de capacité 2 litres et 5 litres (ce dernier étant rempli au départ)• Intégration symbolique de sin(x). cos(x)• Voyageur de commerce• Les huits reines• Les tours de Hanoi• Le Singe et les bananes
    36. 36. Résultats• Première catégorisations sur les strucutres de données : arbre de recherche, définition d’un espace d’états, …• Algorithme de recherche : A, A*,…• Succès de l’application de la logique des prédicats• MacSyma et GPS• Échec flagrant de la traduction automatique : la sémantique émerge du contexte; peu de moyen pour représenter le sens commun•
    37. 37. Recherche dans un arbre
    38. 38. Algorithme A* - problème du taquin 1+5 2+4 3+4 2 8 3 2 8 3 2 3 5+2 1 6 4 14 1 8 4 1 2 3 7 5 76 5 76 5 7 8 4 3+2 5 6 50+4 1+3 2+3 4+12 8 3 2 8 3 2 3 2 3 1 2 31 6 4 1 4 1 8 4 1 8 4 8 47 5 76 5 76 5 76 5 76 5 3+4 5+0 1+5 2+3 2 8 3 1 2 3 2 8 3 2 8 3 71 4 8 4 1 6 4 1 4 6 5 76 5 75 76 5 3+3 GOAL 8 3 2 1 4 76 5
    39. 39. Approche connexionniste• Mac Cullogh & Pitts – Développement du neurone formel (1943)• Hebb – relie les comportements de conditionnement simple à une loi de renforcement synaptique (1949)• Selfridge – Pandemonium (1956)• Rosenblatt – modèle du Perceptron (1958)
    40. 40. Le perceptron• réseau de neurones à 2 couches inspiré du système visuel• Définition d’une règle d’apprentissage – La règle delta
    41. 41. Les années 70 – début 80• Période d’ombre pour l’approche connexionniste – Minsky et Papert, Perceptrons, 1969 – Impossibilité de l’apprentissage du XOR• Renforcement de l’approche symbolique : – Travaux sur la représentation de la connaissance : réseaux sémantiques, Scripts (Shank 1977), approche déclarative – Etude des micromondes : SHRDLU (Winograd, 1972) – Développement des Systèmes Experts, apparition de Prolog (1972)
    42. 42. Réseaux sémantiquesWinston 1970
    43. 43. Ontologie Web (2002)
    44. 44. Réseaux sémantiques
    45. 45. SHRDLU : the Block WorldWinograd 1972
    46. 46. SHRDLU 2001HMM Analyse Analyse + Syntaxique Sémantique NN
    47. 47. Systèmes Experts Base de connaissance (BC) mémoire à long terme Moteur d’inférence Base de faits (BF) (MI) mémoire de travail• Chainage avant (Rules) ou arrière (Prolog)• Dendral (1965), Mycin (1974); Prospector(1983)
    48. 48. Mycin (1974 - …)• Aide au diagnostic / thérapie dans le domaine médical (septicémies, méningites …)• Connaissances représentées explicitement sous forme de règles• Prise en compte de l’incertain• Réelle compétence• Capacité à expliquer le raisonnement
    49. 49. Mycin – exemple de règles• Si le site de culture est le sang, et que le germe est positif à la coloration de Gram et que la porte d’entrée est l’appareil gastro-intestinal et que• L’abdomen est le site d’infection ou• Le bassinet est le site d’infectionAlors• Il y a de très fortes présomptions pour que les entérobactéries soient la classe d’organismes que la thérapie devra traiter.
    50. 50. Années 80• Récession de l’approche symbolique due aux déclarations non tenues : – Échec de la généralisation des micromondes – Manque de souplesse des systèmes experts• Succès dans des domaines ciblés, intégration dans la vie économique : informatique de gestion …• Renaissance de l’approche connexionniste : – Hopfield, mémoire autoassociative, 1982 – Rumelhart & McClelland, Parallel Distributed Processes, MIT Press, 1985
    51. 51. Le perceptron multi-couches
    52. 52. Hopfield• Mémoires auto-associatives par un apprentissage hebbien• Utilisation des résultats de la physique statistique et des verres de spins
    53. 53. Partie 3:Domaines actuels
    54. 54. Domaines actuels de recherche• Machine Learning, reinforcement learning• Datamining : classification supervisée et non supervisée; combinaison de classificateurs• Vision artificielle, reconnaissance des formes• Reconnaissance et traitement de la parole, sens commun• Définition de méthodes métaheuristiques : ants algorithm, local search, algorithme génétique
    55. 55. • Systèmes multiagents (intelligence distribuée, planification multiagents)• Agents intelligents (sur internet); Objets Intelligents• Programmation automatique• Philosophie de l’Esprit : Hard Problem of consciousness
    56. 56. • Robotique sensorielle (Cog, Kismet)• Artificial Life• Chimie computationnelle• Etude du chaos dans les réseaux de neurones• Evolutionary robotics
    57. 57. Images
    58. 58.
    59. 59. Conclusions
    60. 60. Perspective philosophique• Emulation de la pensée raisonnée• Trois étapes : – Représentation de la connaissance – Mode déductif : le raisonnement – Mode inductif : l’apprentissage
    61. 61. Perspective technologique • Développement de la puissance de calcul des ordinateurs (loi de Moore) • Changement de paradigme : la technologie a pris une longueur d’avance; distinction difficile entre intégration technologique et véritable progrès scientifique.
    62. 62. Conclusions• Deux acceptions dans la définition : – Programme scientifique et technologique visant à doter l’ordinateur de capacités telles que la vision, l’acquisition des connaissances, la prise de décisions … habituellement attribuées à l’intelligence humaine (démarche pragmatique). – Étude des mécanismes de l’intelligence en général, l’ordinateur est un moyen de simulation (démarche cognitive).• Réel échange entre l’homme et la machine (le Pourquoi? de la définition opérationnelle) – Enseignement intelligemment assisté – Réalité augmentée – Éthologie artificielle: S. Wolfram, A new kind of Science, 2002. – Hans Moravec & nanotechnologies – ICCS 2002, Boston, Massachussets
    63. 63. COURS à l’ULB• INFO 362 : éléments de logique et d’intelligence artificielle(Pierre Gaspart – 4ème info - FSA)• MATH 304 : Intelligence artificielle(Pierre Gaspart – 5ème FSA)• INFO 373 : méthodes numériques en Intelligence artificielle(Hugues Bersini – 5ème - FSA)• INFO 087 : Intelligence artificielle(Pascal Francq - Infodoc – Philo et Lettres)• COGN00X : Introduction à l’intelligence artificielle(Nathanael Ackerman – DEA Sciences Cognitives - PSycho)
    64. 64. Bibliographie• A. Barr, E.A. Feigenbaum, The Handbook of Artificial Intelligence, W. Kaufmann, Inc. , Palo Alto, 1981.• Cornuéjols A., Miclet L., Apprentissage Artificiel, concepts et algorithmes, Eyrolles, Paris, 2002.• D. Crevier, The tumultuous History of the search for Artificial Intelligence, Harper Collins Publishers, Inc., New York, 1993. (Flammarion, coll. Champs, 1997).• J.-P. Delahaye, L ’intelligence et le calcul, de Gödel aux ordinateurs quantiques, Belin, Pour la Science, 2002.• J.-P. Haton, M.-C. Haton, l ’Intelligence Artificielle, PUF, coll. Que sais-je ?, 3d ed., 1993.
    65. 65. •Haykin S., Neural Networks, a comprehensive foundation,Prentice Hall, 2nd ed., 1999.•Hofstader D., Gödel, Escher, Bach : an Eternal Golden Braid,Basic Books, USA, 1979 (Intereditions/ Masson, Paris, 1985)•Nilsson N. J., Principles of Artificial Intelligence, Palo Alto,Tioga Publishing Co., 1980.•N.J. Nilsson, Artificial Intelligence: A New Synthesis, ArtificialIntelligence, n°125, pp 227-232, Elsevier, 2001.• J.-F. Le Ny et al., Intelligence naturelle et Intelligence Artificielle, Symposium de l ’APSLF (Rome, 1991), PUF, Paris,1993.•M. Minsky, The Society of Mind, Basic Books, FirstTouchStone ed., New York, 1988.
    66. 66. • Rich E. , Knight K., Artificial Intelligence, McGraw Hill Inc. (International Edition), USA, 1991.• Searle J.R., The mystery of consciousness, Granta Books, GB, 1997. (Odile Jacob, Paris, 1999)• Searle J.R., Minds, Brains and Programs, the Behavioral and Brain Sciences, 1981• Turing A.M., Computing Machinery and Intelligence, Mind, 1950.• Pour la Science, L ’Intelligence, n° spécial, décembre 1998
    67. 67. Revues Scientifiques• AI communications, The European Journal on Artificial Intelligence, IOS Press, The Nederlands, published quarterly.• AI Magazine, AAAI Press, USA, published quarterly.• Artificial Intelligence, Elsevier Science, The Nederlands, published monthly.• Artificial Life, MIT Press, Cambridge, Massachussets, published quarterly.
    68. 68. • IEEE Intelligent Systems, IEEE Press, published 6 times in a year.• JETAI : Journal of Experimental and theoretical Artificial Intelligence, Taylor and Francis Ltd, UK., published quarterly.• Journal of the ACM, ACM, NY, published 6 times a year.

    ×