Télécharger pour lire hors ligne
![[Livre Blanc] L'intelligence augmentée](https://cdn.slidesharecdn.com/ss_thumbnails/livre20blanc20intelligence20augmentee-160930113019-thumbnail.jpg?width=640&height=640&fit=bounds)
intelligence artificielle (IA) hamza dhaher
- 1. 1 Intitulé du cours:Intelligence artificielle Mr Hamza DHAHER Année de formation 2023/2024
- 2.
- 3.
- 4. Définitions de l’intelligenceartificielle DÉFINITION (Mc. Carthy) L’intelligence artificielle a pour but de faire exécuter par l’ordinateur des tâches pour lesquelles l’homme, dans un contexte donné, est aujourd’hui meilleur que la machine. DÉFINITION (Laurière) Tout problème pour lequel il n’existe aucune solution algorithmique connue est un problème d’intelligence artificielle.
- 5. Définitions de l’intelligenceartificielle
- 6. Approches de l’intelligenceartificielle Quatre écoles (Russel & Norvig, 2009)
- 7.
- 8. Test de Turing SystèmeIA Interrogateur humain humain
- 10. Test de Turing •Le vol artificiel a réussi lorsque les chercheurs : se sont intéressés à l’aérodynamique pas besoin d’imiter les oiseaux Actuellement on ne conçoit pas des programmes capables de passer le test de Turing mais plutôt on s’intéresse aux lois qui découlent de l’intelligence
- 11. Penser rationnellement Loi dela pensée
- 12.
- 13. Approches de l’intelligenceartificielle Quatre écoles (Russel & Norvig, 2009) Ce cours préconise la 4 iéme approche : les agents rationnels
- 14. Questionnement de l’IntelligenceArtificielle
- 15.
- 16. Histoire de l’intelligenceartificielle
- 17. Histoire de l’intelligenceartificielle
- 20. Mots clefs liésà l’IA (anglais)
- 21.
- 23.
- 24.
- 27.
- 28. Jeopardy (1/2) • (2011):Humans vs. IBM Watson
- 34. Échec : Kasparovvs machine 34
- 35.
- 36.
- 38.
- 39.
- 41.
- 42.
- 43. Rôle de laBase des connaissances utilisateur Expert Ingénieur Moteur d’inférence I n t e r f a c e u t i Système Intelligent
- 47.
- 48.
- 50. • Liens épistémiques sorte de • Entre un concept général et un autre plus général • S’utilise pour la catégorisation • Relation d’inclusion est un / instance de • Entre un concept individuel et un autre général • S’utilise pour l’identification • Relation d’appartenance mammifère animal sorte de Newton physicien est un
- 51. Silvester est unchat. Le chat est un mammifère. Le chien est un mammifère. Les mammifères sont des animaux. Titi est un Canari. Le Canari est un oiseau. Les oiseaux sont des animaux. L’Autriche est un oiseau
- 52. FACT : Parrotis a bird. Typically bird has wings and travels by flying. Bird category falls under animal kingdom. All animal requires air to breathe. Ostrich is a bird but travels by walk.
- 53. Animal Bird FACT : Parrotis a bird. Typically bird has wings and travels by flying. Bird category falls under animal kingdom. All animal requires air to breathe. Ostrich is a bird but travels by walk. Wings Parrot Air Ostrich Walk Fly is-a travel travel has is-a Breathe is-a
- 54.
- 55. Assigner une valeurà un attribut d’un objet
- 56. Fact :=: “Thechair’s color is red and priced at $ 35.00 ” CHAIR RED $ 35.00 Color Priced Object Attribute Valeur
- 57.
- 59.
- 60.
- 61. • C’est unequantité de connaissances autonome, de la forme
- 64.
- 65. Logique des propositions Modede représentation logique (d’ordre 0)
- 66. simple du • Logiquedes proposition = forme la plus • Syntaxe : plus
- 67. P Q Soient : P:Il pleut Q: Asma va rester à la maison Si il pleut, Asma va rester à la maison
- 70. • Table devérité P Q P Q P Q P Q Q P Q F F F F T T T F T F T T F F T F F T F T F T T T T T F T
- 71. P Q P Q P Q Q • Asma aime le biscuit P • Asma mange le biscuit Q Faits interprétation P Q P Q F F F F T F T F F T T T
- 72. • Par inferencede règles (modus ponens) P Q P Q P Q P Q (P Q) P ((P Q)P ) Q T T F F T F T F T F T T T F F F T T T T
- 73. • Des expressionséquivalentes: 1. ( P) = P. 2. P Q = P Q. 3. P Q = Q P. 4. (P Q) = P Qand (P Q) = P Q. 5. P Q = Q P and P Q = Q P. 6. (P Q) R = P (Q R) 7. (P Q) R = P (Q R). 8. P (Q R) = (P Q) (P R). 9. P (Q R) = (P Q) (P R).
- 74. Logique des prédicats Modede représentation logique (d’ordre 1)
- 77. 1. Quantificateur Universel,,vraie pour toutes les valeurs de ses variables. - X aime ( X , ice-cream ). -Vraie pour toutes les valeurs dans le domaine du discours de X.
- 78. • Ecrire enlogique des Prédicats : All student are clever X student (X) clever (X) There exist some bird that doesn’t fly .X bird (X) fly (X) All persons like ice-cream. X likes ( X , ice-cream ).
- 83.
- 84.
- 86.
- 88. Base des faitsinitiaux Base des règles Base des faits enrichis Moteur d’inférence
- 89. Base des faitsinitiaux Base des règles Base des faits enrichis Moteur d’inférence Le MI opère en 2 phases : Phase d’évaluation Phase d’exécution La base de connaissances est très large élaborer des règles d’inférence pour obtenir les bonnes réponses à partir d’une base contenant une grande quantité d’informations.
- 90. • Le moteurd’inférence fonctionne en deux phases: Phase d’évaluation • 1/ Etape de Filtrage ou détection :Elle consiste à définir pour l’ensemble des règles de BC, les règles potentiellement applicables → résultat ensemble de règles • 2/ Etape de Sélection avec réduction de conflits: Elle consiste à choisir parmi l’ensemble des règles applicables, la règle à appliquer effectivement → résultat une règle Phase d’exécution • Elle consiste à appliquer la règle choisie et mettre à jour la base de faits BF
- 91. Dr. Ing. HelaMahersia • Le moteur d’inférence fonctionne en deux phases: Phase d’évaluation • 1/ Etape de Filtrage ou détection :Elle consiste à définir pour l’ensemble des règles de BC, les règles potentiellement applicables → résultat ensemble de règles • 2/ Etape de Sélection avec réduction de conflits: Elle consiste à choisir parmi l’ensemble des règles applicables, la règle à appliquer effectivement → résultat une règle Phase d’exécution • Elle consiste à appliquer la règle choisie et mettre à jour la base de faits BF
- 92. • Le moteurd’inférence exécute ces différentes phases de façon cyclique jusqu’à une condition d’arrêt soit vérifiée: Un objectif atteint Epuisement de toutes les connaissances aucune • Etape de filtrage ne fournit règles potentiellement applicable • Epuisement normale des règles Chaînage avant Chaînage arrière Chaînage mixte
- 94. Base des règles Basedes faits Base des faits Base des faits Base des faits Base des règles Base des règles Base des règles
- 95. Soient BF= {B,C} et H le fait à établir Soit BR contenant : R1 : If B and D and E then F R2 : If G and D then A R3 : If C and F then A R4: If B then X R5 : If D then E R6: If X and A then H R7: If C then D R8: If X and C then A R9: If X and B then D
- 96. Dr. Ing. Hela 102 Basedes faits Base des faits Base des faits Base des faits Base des faits Base des faits Base des règles Base des règles Base des règles Base des règles Base des règles Base des règles
- 98. Comment prouver lefait H ?
- 99. D C dans BF et … … exemple desolution
- 100.
- 102.
- 103. Problème 1 (inputs 1) Problème2 (inputs 2) Problème n (inputs n) Algorithme IA (outputs 1) (outputs 2) (outputs n) Algorithme IA Problème 1 (inputs 1) Problème 2 (inputs 2) Problème n (inputs n) (outputs 1) (outputs 2) (outputs n)
- 104.
- 105.
- 106. Programme d’un agentde résolution de problèmes 1 2 Boucle : agent commence par formuler un but et un problème, recherche une séquence d’actions qui résout le problème puis les exécute une à une
- 107. une solution estune séquence d'opérateurs menant de l'état initial à l'état final (but)
- 108.
- 109. Formuler le problèmepour le monde de l’aspirateur Si la case courante est sale aspirer Sinon : se déplace vers l’autre case A B
- 111. • États • Actions •Test du but • Coût du chemin Formuler le problème pour le monde du 8-puzzle État initial État but
- 112.
- 113. Dr. I Comment choisirle nœud prochain? =
- 121. Fonction Exploration-largeur (problème)retourne une solution ou échec noeud un nœud avec état = problème.état-initial, coût-chemin = 0 si problème.test-but(nœud.état) alors retourner solution (nœud) Frontière file FIFO avec nœud comme un seul élément Exploré ensemble vide Faire en boucle Si la frontière est vide alors retourner échec Nœud POP(frontière) /* nœud le moins profond dans frontière */ Ajout nœud.état à exploré pour chaque action dans problème.action(nœud.état) faire fils nœud-fils(problème,noeud,action) si fils.état n’est pas dans exploré ou dans frontière alors si problème.test-but(fils.état) alors retourner solution (fils) frontière insérer(fils,frontière) (Russel & Norvig, 2009)
- 123. Exigence en tempset en mémoire catastrophique !!! Profondeur Nœuds Temps Mémoire 2 110 0.11 ms 107 ko 4 11110 11 ms 10.6 Mo 6 106 1.1 s 1 Go 8 108 2 mn 103 Go 10 1010 3 h 10 To 12 1012 13 jours 1 Po 14 1014 3.5 années 99 Po 16 1016 350 années 10 Eo (Russel & Norvig, 2009)
- 124. (Russel & Norvig,2009)
- 125. • Stratégie :l’algorithme étend le nœud le plus profond de la frontière courante de l’arbre (Russel & Norvig, 2009)
- 127. • algorithme derecherche en profondeur avec une limite de profondeur d'exploration L remédier aux espaces infinis • les nœuds de profondeur L n'ont pas de successeurs • Exemple de la recherche à profondeur limitée : L = 1
- 128.
- 129.
- 130. (Russel & Norvig,2009)
- 131. (Russel & Norvig,2009) Critère Largeur d’abord Coût uniforme Profondeur d’abord Profondeur limitée Profondeur itérative Complète oui oui non non oui Temps O(bd) O(bl+(C*/)) O(bm) O(bl) O(bd) Espace O(bd) O(bl+(C*/)) O(bm) O(bl) O(bd) Optimale oui oui non non oui Que peut-on conclure ? b : facteur de branchement d : profondeur de la solution la moins profonde l : profondeur limite m : profondeur maximale
- 132.
- 133.
- 135.
- 138. -A/A -B/B -C/C -D/D Stratégie1 Stratégie 2 Stratégie 1 Stratégie 2 Joueur 1
- 141. Les nœuds dansun tel arbre représentent les positions du jeu
- 142. À chaque nœud,il doit être clair qui est en train de jouer
- 143. Les nœuds inférieursdans l'arbre représentent les positions finales du jeu, où est noté le résultat
- 144. Notez que différentespositions dans l'arbre peuvent correspondre à la même constellation sur la planche.
- 148.
- 151.
- 152. X O O a 5chemins de réussite X a 6 chemins de réussite E(n) = 6 – 5 = 1 Évaluation de l’utilité
- 154. Calculer les coefficients MinMAxpour cet arbre
- 156. • Initialiser = - et = + • Parcourez l'arbre en profondeur d’abord • Arrêter la recherche du nœud MAX si de son nœud parent • Arrêter la recherche du nœud MIN si de son nœud parent 2 7 1 ? =2 >=2 <=1 • On n’a pas besoin de calculer la valeur de ce noeud Branche ne peut pas donner un score meilleur que le noeud qui a été évalué précédent
- 159. 1. Appliquer l’algorithmed’élagage alpha-beta 2. Quels sont les inconvénients ce cet algorithme
- 160.
- 161. Textbook Bibliographie àconsulter • Abney, S. (2007). Semisupervised Learning for Computational Linguistics. CRC Press. • Ballard, B. W. (1983). The *-minimax search procedure for trees containing chance nodes. AIJ, 21(3), 327–350. • Charniak, E., Riesbeck, C., McDermott, D., and Meehan, J. (1987). Artificial Intelligence Programming (2nd edition). Lawrence Erlbaum Associates. • Clarke, M. R. B. (Ed.). (1977). Advances in Computer Chess 1. Edinburgh University Press. • Haugeland, J. (Ed.). (1985). Artificial Intelligence: The Very Idea. MIT Press. • MacCulloch, W. S., Pitts, W., A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, vol. 5, pp. 115- 133, 1943. • McCarthy, J., Minsky, M. L., Rochester, N., and Shannon, C. E. (1955). Proposal for the Dartmouth summer research project on artificial intelligence. Tech. rep., Dartmouth College. • Newell, A., Shaw, J. C., and Simon, H. A. (1957), Empirical explorations with the logic theory machine, Proc. Western Joint Computer Conference, 15, 218–239. • Nilsson, N. J. (1984). Shakey the robot. Technical note 323, SRI International. • Poole, D., Mackworth, A. K., and Goebel, R. (1998). Computational intelligence: A logical approach. Oxford University Press. • Rich, E. and Knight, K. (1991). Artificial Intelligence (second edition). McGraw-Hill. • Turing, A. (1950). Computing machinery and intelligence. • Mind, 59, 433–460.