Le modèle de résolution de problèmes de Rasmussen (1986), dit de " l'échelle double ", illustre la démarche générale de résolution de problèmes par un opérateur humain. La taxonomie SRK issue de ce modèle définit trois niveaux de processus cognitifs:
- Skill Based: le niveau des habilités correspond aux actions effectuées de manière quasi automatique après un apprentissage pouvant être relativement long. Une fois intégrées l'appel à ces fonctions nécessite un minimum de ressources pour être mises en oeuvre.
- Rule Based: le niveau des règles correspond aux procédures (algorithmiques) apprises par l'homme pour définir son action. A partir de ses perceptions, l'homme doit reconnaitre une situation et sélectionner une règle appropriée avant d'entreprendre son action.
- Knowledge Based: le niveau des connaissances déclaratives nécessite de parcourir toute l'échelle dans les deux sens pour prendre une décision et mettre en oeuvre son action. C'est un processus qui nécessite beaucoup de ressources cognitives et qui prend du temps(heuristique/ recherche-action).
Selon Rasmussen, le développement de l'expertise s'accompagne d'un déplacement des connaissances de l'explicite vers l'implicite. Ce changement peut amener des erreurs différentes selon l'expertise d'une personne.
Il est remarquable de noter que techniquement l'automatisation a suivi la hiérarchie de ces processus en répondant à un double objectif de rentabilité et de sécurité face à un accroissement de la complexité. (par exemple en aéronautique)
A travers la simulation, l'apprentissage artificiel étudie les mécanismes à l'oeuvre dans les modèles issus et inspirés des sciences cognitives, du traitement du signal et de l'automatique.
Un apprentissage peut prendre différentes formes:
- transformation
- généralisation: induction du particulier au général
- adaptation
L'apprentissage doit ainsi répondre à plusieurs taches:
- aquisition de connaissances: organisation mnésique et oubli
- identification de pattern: reconnaissances de formes, prédiction, résolution
En IA, on a beaucoup étudié des domaines d'apprentissage spécifiques:
- les jeux: comprendre les règles, prédire les coups d'un joueur, déveloper une stratégie gagnante
- la lecture
Pour construire des instruments capables d'apprendre l'ingénieur a à sa disposition de nombreux outils:
- les réseaux de neurones artificiels
- les algorithmes génétiques
- les cartes de kohonen
Evaluer un apprentissage nécessite de sélectionner des facteurs qualitatifs et/ou quantitatifs:
- le temps de décisions
- l'explication des décisions
- la performance (réussite/erreur)
La logique est l'étude de la nature, des concepts, de la vérité, des jugements et, de la validité des raisonnements, classiquement elle repose sur:
- une syntaxe
- une sémantique
- un système de preuve
George Boole(1847) est le premier à traiter la logique d'Aristote comme une algèbre et participe ainsi avec Gottlob Frege à la naissance de la logique propositionnelle, voici quelques éclaircissements:
- Une proposition désigne un énoncé considéré du point de vue formel de la logique.
- Des énoncés descriptifs d'un état de fait et susceptibles d'être vrais ou faux sont appellés des fonctions de vérité
- Une proposition simple prend la forme d'une variable propositionnelle (p, q, r,...)
- Les opérateurs logiques sont au nombre de 5: Négation, Conjonction, Disjonction, Implication, et Bi-implication
Toutefois la logique propositionnelle ne permet pas d'exprimer la quantité de chaque variable, ce manque a été comblé par la logique des prédicats à travers ses fonctions, ses quantificateurs et ses prédicats (concepts formulés à l'aide de variables libres).
L'avénement de l'ordinateur est aussi celui de la logique binaire et plus encore..
Des langage.. tel prolog
L'intelligence artificielle s'intéresse à la modélisation de l'intelligence, et à sa transposition en informatique. Mais a l'instar du test de turing, en réalité il s'agit plutot d'outils capable de reproduire des comportements réputés intelligents.
Appartenant aux sciences cognitives, l'IA connait les mêmes différences paradigmatiques entre approches symboliques(cognitiviste) et sub-symboliques (connexioniste).
La naissance de l'intelligence artificielle ou IA, est intimmement lié à l'apparition des premiers ordinateurs vesr 1943, permettant logique et calcul symbolique (cf. la naissance des premiers ordinateurs).
L'IA à pour acte de naissance les conférences de Dartmouth durant l'été 1956, réunissant des scientifiques de haut niveau, dont McCarthy, Minsky, Shannon, et Newell & Simon qui se proposaient de réaliser des programmes d'ordinateur doués d'intelligence.A cette occasion l'expression Artificial Intelligence fut choisie par john McCarthy.
L'IA supportée par l'optimisme exagéré des chercheur, les 60's marquent le véritable démarrage de la discipline, avec des résultats significatifs: MACSYMA, système de calcul formel en mathématiques...
Durant les 70's se posent les bases en ce qui concerne la représentation de la connaissance, le raisonnement et la robotique.
Les 80's sont marquée l'arrivée de l'IA dans la vie économique qui s'accompagne d'une désillusion face aux réalisations pratiques sont en-decà des espérances et des investissements.
Néanmoins on assiste aussi à la ré-apparition du paradigme connexionniste et d'autres approches d'inspiration biologique telle la vie artificielle.
Le web sémantique doit permettre aux applications de mieux apprémender le sens de l'information qu'elles véhiculent et exploitent. Il repose pour cela sur une formalisation de la connaissance. Pour sa réalisation, le W3C(traductions de ces recommandations consultables ici) a proposé les trois standards suivant :
- l'Extensible Markup Language ou XML, pour fournir les règles et la syntaxe de définition des documents et données structurés ;
- le Resource Description Framework ou RDF, un vocabulaire structuré pour la description des propriétés des documents ;
- le Web Ontology Language ou WOL, pour caractériser une zone ontologique de connaissance.
Le minimax
Dans la théorie des jeux, on suppose que chaque joueur va, à chaque moment, prendre la décision qui est la meilleure pour lui. Le Minimax schématise le processus décisionnel en évaluant selon une fonction heuristique le potentiel d'une configuration du jeu et selon un arbre donnant toutes les configurations pouvant etre atteintes a partir d'une position donnée. On associe aux feuilles de cet arbre l'évaluation de l'heuristique, et on calcule le meilleur chemin possible, en maximisant la valeur si l'ordinateur joue, et la minimisant pour le joueur.
L'alpha-beta
Informatiquement le nombre de possibilités soulevés pour le minimax est un incalculable, il s'agit de milliard de milliard de combinaisons pour un problèmes avec de nombreux états possibles. Aussi pour élaguer cet arbre de possibilités on utilise l'alpha-bêta.
Le principe est le suivant : si, sur un coup, l'adversaire a une possibilité de réponse qui rend ce coup mauvais, il est inutile d'examiner les autres possibilités de réponse à ce même coup, puisqu'il ne les choisira que si elles sont pires.
Un jeu est une situation o๠des individus rationnels (les "joueurs") sont conduits à faire des choix stratégiques parmi un certain nombre d'actions possibles, et dans un cadre défini à l'avance (les "règles du jeu").
Le résultat des choix stratégiques constituent une issue du jeu, à laquelle est associé un gain positif ou négatif, pour chacun des participants.
La théorie des jeux(voir son histoire) a pour objectif de tenter de formaliser comment décider que telle configuration ou décision est "meilleure" qu'une autre.
Elle recherche la décision optimale à partir de certains paramètres qui permettent de quantifier la qualité stratégique d'une situation. Il faut déterminer quelles conditions conduisent à une configuration qui est jugée optimale.
On étudie les jeux selon qu'ils sont:
- coopératifs ou non coopératifs
- à somme nulle ou non nulle
- avec ou sans équilibre de Nash
- compétitifs ou non-compétitif
On distingue aussi les jeux selon leurs déroulements:
- monotiques, les règles ne changent pas au cours du jeux
- commutatifs, monotique et permutabilité des règles entre 2 états
Une ontologie est une représentation structurée et opérationnelle de concepts et de leurs relations sémantiques, au sein d'un domaine. Une version simplifiée est, par exemple, une hiérarchie de termes reliés par des relations génériques/spécifique.
Elle correspond donc à un vocabulaire contrôlé et organisé et à la formalisation explicite des relations créées entre les différents termes du vocabulaire. Elle est réalisée en fonction de:
- du domaine: couvertures « sémantique » : vocation encyclopédique ou spécialisée
- des objectifs: informer, normaliser, capitaliser, rechercher, communication inter-logicielles
- des utilisateurs: terminologies, sources d 'information
- des propriétés visées: consensus, cohérentes, consistantes, inférences
On peut s'aider lors de sa réalisation d'outils d'édition d'ontologies tel Protégé.
Une telle application(avec ses plugins) permet de plus de définir des formulaires d'entrée de données, de les acquérir, et de les étendre pour créer des applications à bases de connaissances utilisant un moteur d'inférence.
Ainsi à partir d'entretiens avec un acteur du domaine, le recueil de son vocabulaire permet de classifier l'information qui l'entoure. Son vocabulaire représente l'ensemble des termes dont la signification est partagée avec ses communautés de pratiques et y permettant l'échange d'information.
Je vous conseille cet excellent guide.
Qu'est ce qu'un automates cellulaires
Un automate cellulaire modèlise un univers o๠l'espace, le temps et les grandeurs physiques prennent des valeurs discrètes. L'automate correspond alors a un ensemble de cellules qui peuvent prendre différents états, l'état de chaque cellule étant définit par celui de ces voisines. Son fonctionnement est dit non-algorithmique car il réalise des choses qui ne sont pas explicités dans le programme.
Leurs applications sont multiples:
- en physiques (représentation des phénomènes d'agrégation de molécules, magnétisme..)
- en urbanisme (batiments, traffics..)
- en informatique (simulation paralléle, génération des nombres aléatoires, cryptographie)
- en graphismes (arts, métaphores...)
- en économie
La notion de modèle recouvre toute représentation d'un système réel, qu'elle soit mentale ou physique, exprimée sous forme verbale, graphique ou mathématique.
Grace à l'ordinateur on peut désormais implémenter la simulation de ces modèles, on peut ainsi rapidement vérifier la validité d'un modèle et progresser beaucoup plus vite dans le processus de mise au point de la théorie sous jacente.
3 types de modèles sont ordinairements considérés, ils sont dits:
- Prédictif(prospective analogique), normatif a partir d'idées, à support d'anticipation.
- Prescriptifs(procéduralisation syntaxico-sémantique), normatif a partir d'idées.
- Descriptif(rationalisation syntaxico-sémantique), a partir de faits.
La réalisation d'un modèle nécessite une approche méthodique de la situation (par exemple sur l'analyse du travail des utilisateurs).
Comme point de départ les modèles de prescription et description syntaxico-sémantiques reposent notament sur la construction de taxonomies (ou ontologie de concepts).
Le Q-Learning est un algorithme d'apprentissage par renforcement non supervisé, il est basé sur des Processus de Décision Markoviens.
Cette technique informatique permet de créer un agent capable de choisir une suite optimale d'action. Elle opère ainsi une mémorisation de l'effet d'une action à travers un renforcement choisi et récursif des étapes y ayant ammenées l'agent.
Cette algorithme a notamment été utilisé par des roboticiens pour apprendre à leurs agents à se comporter dans leur environnement.
Qu'est ce qu'un agent? Un agent n'est pas un objet, il possède une autonomie propre, voici ses caractéristiques:
- Intentionnalité.
- Rationalité .
- Engagement.
- Adaptativité.
- Intelligence.
Un agent peut etre de differents types:
- Automates aux comportements stéréotypés.
- Réactifs selon un de jeu de règles pour des situations pré-définies.
- Cognitifs selon des mécanismes de décision.
- Hybrides.
Un agent peut interagir par:
- Communication (sémantique->théorie des actes du langage)
- Client/serveur (effectuer une certaine action)
- Interaction sociale : coopération, coordination, négociation).
Qu'est ce que la Programmation Orientée Agent?
Le débat sur la différence entre agents et objets est encore ouvert: Du point de vue de l'agent:
- Un agent va décider par son propre processus de décision s'il exécute ou non une action requise.
- les agents ont leurs propres buts et ils agissent d'une manière pro-active pour atteindre leurs buts.
- les agents sont capables d'un comportement social : ils peuvent s'engager dans des interactions complexes, par exemple coopération, compétition, négociation, avec d'autres agents.
- un système multi-agents est, normalement, un système dans lequel les agents correspondent à des chemins d'exécution séparés (les objets, à part s'ils sont concurrents, ne présentent pas cette caractéristique).
Du point de vue de l'objet, les différences avec la POO sont:
- Un objet est passif : il ne revient à la vie que lorsqu'il recoit un message.
- Un objet encapsule sont état et son comportement, mais pas le choix de ses actions => un objet est un agent obéissant.
- Un objet représente un niveau d'abstraction trop fin pour le comportement.
- Une méthode est un mécanisme trop primitif pour décrire une interaction.
- Seules les organisations de type "est un" et "est composé de" sont disponibles.
Un algorithme génétique permet la résolution ou l'optimisation de problèmes complexes, pour cela il employe les mécanismes sous-tendant l'évolution naturelle de type Darwinienne (variations, transmissions, sélections).
Son algorithme de base est le suivant:
- construction d'une population d'individus, solutions potentielles
- evaluation du niveau d'adaptation de chacun des individus par une fonction fitness
- si l'objectif est atteint on arrete sinon on sélectionne les indidus les mieux adaptés
- on effectue des croissements génétiques entre ces individus
- on remplace une partie de la population par ces descendants
- on répète l'algorithme
Vous trouverez sur le Web: des cours, et des exemples pour approfondire.
Qu'est ce qu'un réseau de neurones?
Un réseau de neurones est composé d'unités de calcul élémentaire interconnectées. On en distingue différents types de réseaux connus:
- Perceptrons Multicouches, capables d' apprentissage, sa structure est simple: une couche d'entrée, une couche de sortie et une ou plusieurs couches cachées et chaque neurone est relié à tous les neurones des couches précédentes (donc aussi les couche précédente...). La fonction d'activation utilisée est en générale une somme pondérée.
- Réseaux de Kohonen, il s'agit en fait de trois familles:
- VQ (Vector Quantization par Grossberg en 1976), qualifiée d'estimateur de densité non supervisé permettant de retrouver des groupes sur un ensemble de données.
- SOM (Self Organizing Map par Fausett en 1994 et Kohonen en 1995), permettant de cartographier en deux dimension et de distinguer des groupes dans des ensembles de données.
- LVQ (Learning Vector Quantization par Kohonen en 1988), adaptée à la classification de données par "recherche du plus proche voisin".
- Réseaux de Hopfield, adaptés à la reconnaissance de formes. Ils sont récursifs, chaque cellule est connectée à toutes les autres, les changements de valeurs de cellules s'enchainent en cascade jusqu'à un état stable.