Concepts Clés et Stratégies de Recherche en Intelligence Artificielle

Qu'est-ce que l'Intelligence ?

La capacité d'apprendre, de comprendre et de s'adapter facilement ; l'intellect, intellectuel.

Intelligence Machine (IM) et Intelligence de la Machine (IdM)

• IM - Intelligence Machine : apprentissage automatique symbolique, les procédures de simulation de la machine intelligente.
• IdM - Intelligence de la Machine : la structure intrinsèque d'une machine, responsable de la coordination de son comportement et de ses interactions avec l'environnement extérieur, et pouvant être étudiée mathématiquement.

Processus Intelligents chez les Humains

• Les processus mentaux.
• La mémoire.
• L'activité motrice.
• L'activité sensorielle.

Fondements de l'Intelligence Artificielle (IA)

• Psychologie : la simulation des processus mentaux.
• Logique : le formalisme logique.
• Neurosciences : simulation de l'architecture cérébrale.
• Autres domaines : philosophie, mathématiques, économie, génie informatique, linguistique, cybernétique.

Courants de Pensée en IA

• Structuralisme : la structure de la machine devrait contenir les principes du comportement humain (ex: réseaux neuronaux).
• Comportementalisme : il n'y a pas d'intelligence dans la simulation machine du comportement humain. (Les plus utilisés)
• Fonctionnalisme : plus l'adaptation du système à l'utilisateur, plus l'intelligence.

IA Traditionnelle vs. Informatique Conventionnelle

Qu'est-ce qu'une Technique d'IA ?

C'est une méthode qui exploite les connaissances, incarnées de telle manière qu'elles :

• Capturent des généralisations compréhensibles par les humains.
• Peuvent être modifiées pour corriger des erreurs.
• Peuvent être utilisées dans de nombreuses situations.

Le Test de Turing : Principe et Fonctionnement

Un interrogateur dialogue avec deux entités cachées (une humaine, une machine). L'interrogateur tente, à travers un dialogue approfondi, de décider laquelle des deux entités est l'être humain. Si, à la fin, l'interrogateur ne peut pas distinguer entre les entités, alors il s'ensuit que l'ordinateur peut penser, selon le test de Turing.

Systèmes Intelligents : Traditionnels et Non-Traditionnels

• Systèmes traditionnels : base de données, programmes graphiques, programmes de calcul, traitement de texte.
• Systèmes non traditionnels : manipulation des symboles, connaissance du matériel, acquisition des connaissances, prise de décision, gestion des connaissances d'experts.

Nature et Types de Connaissances Humaines

• Donnée : élément pur, mesuré sur un événement particulier.
• Information : analyse des données, interprétation d'un ensemble de données.
• Connaissances : possibilité de créer un modèle mental qui décrit l'objet et indique les actions à mettre en œuvre.
• Connaissances déclaratives : faits descriptifs et génériques et événements (« quoi »).
• Connaissances procédurales : prescriptives et difficiles à exprimer et à expliquer (le « comment »).
• Connaissance de sens commun : la combinaison de la procédure déclarative (le « jugement du bien et du mal »).
• Connaissance heuristique : unique à chaque individu, ne peut être obtenue à partir de n'importe quelle source, implique l'évaluation systématique et l'utilisation de règles heuristiques.

Types d'Analyse en IA

• Analyse logique : basée sur les données de rapports, d'interviews et d'autres moyens électromécaniques.
• Analyse heuristique : basée sur les données heuristiques ou intuitives.

Messages Clés des Systèmes Intelligents (SI)

Les Systèmes Intelligents ont la :

• Capacité à utiliser les connaissances pour effectuer des tâches ou résoudre des problèmes.
• Capacité à faire des inférences et des associations pour travailler avec des problèmes complexes ressemblant à de vrais problèmes.
• Capacité à stocker et récupérer efficacement de grandes quantités d'informations.
• Capacité à connecter des pensées et des idées nouvelles de manière non linéaire.
• Capacité à adapter ou modifier un comportement basé sur la rationalité tout en employant diverses compétences dans une situation donnée.

Un comportement intelligent est le résultat de décisions multiples et enchaînées. Le choix de la décision ou le contrôle de la décision est fondé sur des critères de performance, de durée et de risque.

Contrôle de la décision : processus par lequel les solutions d'un problème et la prise de décision sont séquencées, synchronisées, interconnectées et visent à fournir le comportement d'un système orienté objet.

Agents de Résolution de Problèmes en IA

Les agents réactifs ne fonctionnent pas dans des environnements pour lesquels le nombre de règles condition-action est trop grand pour être stocké. Un agent de recherche, avec plusieurs options immédiates, peut décider quoi faire en comparant les différentes séquences d'actions possibles.

Le processus est : Formuler l'objectif → Chercher → Exécuter.

L'Espace d'État en Recherche IA

L'espace d'état est l'ensemble des états accessibles à partir d'un état donné. Les états accessibles sont ceux définis par la fonction successeur de l'espace d'état. L'espace d'état peut être représenté comme un graphe où les nœuds sont les états et les arcs sont les actions.

Recherche dans l'Espace d'État

La recherche dans l'espace d'état caractérise la solution d'un problème comme un processus de recherche d'une solution de l'état initial à l'objectif. Elle est représentée par un triplet [N, A, S, F] où :

• N : Ensemble des nœuds ou des états du graphe. Ils correspondent aux états d'un processus de résolution de problème.
• A : Ensemble des arcs d'un graphe. Ils correspondent aux étapes à suivre.
• S : Sous-ensemble non vide de N, qui contient les états initiaux du problème.
• F : Sous-ensemble non vide de N, qui contient les états objectifs du problème.

Stratégies de Recherche : Données vs. Objectif

Recherche Dirigée par les Données (Data-Driven)

• L'algorithme commence avec les données fournies et un ensemble de mouvements valables pour le changement d'états.
• La recherche continue en appliquant les règles aux faits pour produire de nouveaux faits, qui sont utilisés pour générer plus de nouveaux faits.
• Ce processus continue jusqu'à ce qu'il génère un chemin qui satisfasse les objectifs.
• Toutes les données sont fournies dans la formulation initiale du problème.
• Il y a un grand nombre de cibles potentielles, mais il y a plusieurs façons d'utiliser les faits et les renseignements fournis dans une occurrence particulière.
• Il est difficile de formuler une hypothèse.

Recherche Dirigée par l'Objectif (Goal-Driven)

• Un objectif est donné dans le problème, ou peut être facilement défini.
• Il y a un grand nombre de règles qui s'appliquent aux faits, produisant ainsi un nombre croissant de conclusions ou de buts.
• Dans un prouveur de théorème mathématique, le nombre total de règles utilisées pour produire un théorème donné est généralement beaucoup plus petit que le nombre de règles utilisées.
• Les données du problème ne sont pas données, mais doivent être acquises par le système pour résoudre le problème (ex: un programme de diagnostic médical où une variété de tests de diagnostic peuvent être appliqués, et les médecins ne demandent que ce qui est nécessaire pour confirmer ou infirmer une hypothèse particulière).

Variables et Processus de Mise en Œuvre

Variables Clés

• LE : Liste des États.
• LNE : Liste des Nouveaux États.
• BSS : Impasse (Dead End).

Processus de Recherche (Exemple)

• Si l'état actuel (S) ne répond pas aux exigences des objectifs, générer son premier descendant (S1).
• Ce processus continue jusqu'à ce qu'un descendant soit le nœud but.
• Si aucun nœud enfant ne mène à l'objectif, retourner un échec au parent, où la régression est appliquée.