Chapitre II : Représentation des connaissances

Chapitre II : Représentation des connaissances
Intelligence Artificielle chapitre II Représentation des connaissances EPSI / Montpellier - Cycle CSII 2A EPSI/Montpellier Cyclen CSII 2A Module Intelligence Artificielle

Représentation des connaissances
Introduction Motivations de l’IA Reproduire un raisonnement humain Questions De quelle type de connaissances l’homme dispose-t-il ? Comment ces connaissances sont structurées? Comment traiter ces connaissances ? Comment représenter les faits du monde réel? Comment raisonner sur ces faits ?

Type de connaissances Les connaissances de l ’homme Ont un volume important Sont diversifiés et complexes : savoir juger résoudre un problème expliquer une solution répondre à des questions.

Types de connaissances 1. Connaissances certaines "Les plantes phanérogames sont des plantes qui ont des organes de fructification apparents." 2. Connaissances incertaines ”Vers l’an 79 après JC, le Vésuve entre en éruption" ”Pierre est probablement plus grand que Paul” 3. Connaissances évolutives "La valeur du dollar est francs français" EPSI/Montpellier Cyclen CSII 2A Module Intelligence Artificielle

Types de connaissances 4. Connaissances vagues ou floues "les jeunes enfants sont turbulents" 5. Connaissances ambiguës/incomplètes "Avant le conseil de classe, le professeur savait que trois élèves redoubleraient"

Structures des connaissances Connaissances symboliques les objets du monde réel (voitures, hommes, plantes, animaux) les assertions et les définitions sur ces objets: les faits (les voitures possèdent un moteur) les concepts qui sont des agrégations ou généralisations des objets (les voitures sont des véhicules) les relations entre les objets ou les concepts (un homme peut conduire une voiture)

Structures des connaissances Connaissances symboliques les règles et les théorèmes les méthodes algorithmiques de résolution les stratégies et les heuristiques les méta-connaissances : les connaissances sur les connaissances d'un problème donné.

Traitement des connaissances 1. L’acquisition Techniques de transfert des connaissances 2. La représentation Modèles de représentation Généraux Indépendants des traitements

Traitement des connaissances 4. Le contrôle du raisonnement Réduction de l’espace de recherche 5. L’explication du raisonnement Trace détaillée Explications concises 6. La révision des connaissances Modification manuelle ou automatique Maintien de la cohérence

Système de représentation Définitions Formalisme(s) utilisé(s) pour construire un modèle concernant un domaine ou une spécialité Formalisme Ensemble de symboles et de règles caractérisant les arrangements possibles de ces symboles dans le but de représenter un objet du monde réel ou un concept abstrait

Choix du formalisme Informatique classique Informations manipulées par les ordinateurs Habituellement d’ordre alphanumérique Stockées dans des fichiers texte Exemple "Hier, le chien de ma voisine a mordu mon cousin" Chaîne de caractères stockée dans un fichier texte Transcription Problème : comment répondre à la question : "Qui a mordu mon cousin ?"

Choix du formalisme Exemple "Hier, le chien de ma voisine a mordu mon cousin" Représentation plus appropriée ACTION : mordre AGENT : le chien de ma voisine INSTRUMENT : ? OBJET : mon cousin TEMPS : hier LIEU : ? Eléments de signification de la phrase"

Choix du formalisme Il n’existe pas de formalisme idéal Un formalisme doit associer : une structure de données permettant de représenter la connaissance un mécanisme de raisonnement permettant d’exploiter cette connaissance et de produire de nouvelles connaissances.

Types de formalismes Logique mis en évidence par des mathématiciens utilise la logique mathématique comme outil de représentation Sémantique mis en évidence par des linguistes utilise la sémantique des phrases pour la représentation des connaissances Hybride mise en évidence par des chercheurs en psychologie entre la sémantique et la logique

Formalisme logique Règles de production Logiques Logique des propositions (d’ordre 0) Logique des prédicats (d’ordre 1)

Règles de production Elles sont utilisés par les experts pour exprimer des connaissances opératoires sous forme de règles Se sont des granules de connaissances qui contiennent toutes les conditions de leur applications Elles sont représentées sous la forme de couples conditions-conclusions Elles sont interprétées selon un mécanisme connu sous le nom de mécanisme d’inférences (moteur d’inférences)

Règles de production Elles sont exprimées dans l’une des deux logiques mathématiques : logique des propositions, logique des prédicats Le terme production vient du mécanisme qui consiste à produire des faits à partir des faits initiaux et des règles d'inférences formalisme le plus répandu dans le domaine des systèmes experts (systèmes à base de connaissances)

Architecture des systèmes à base de règles de production ou à base de connaissances SYSTEME A BASE DE CONNAISSANCES Moteur d’inférences Base de connaissances UTILISATEUR Base de faits Base de règles Moteur d’inférences

Règles de production Syntaxe SI conditions ALORS conclusions SI événements ALORS actions

Logique des propositions Proposition Définition une assertion (un fait) exprimé dans un certain langage (naturel, math..) qui peut prendre l'une des deux valeurs vrai ou faux. Exemples La proposition P "Paris est la capitale de la France" est vraie La proposition Q "Plovdiv est la capitale de la Bulgarie" est fausse

Logique des propositions Décrit un langage sans variable Vocabulaire du langage Propositions Connecteurs : Et () Ou () Négation () Implication () Equivalence () Expressions

Logique des propositions Exemples de propositions et d’expressions P "Pierre aime voyager" Q "Pierre prend souvent l’avion" P  Q "Pierre aime voyager et Pierre prend souvent l’avion" P  Q "Pierre aime voyager ou Pierre prend  P "Pierre n ’aime pas voyager" P  Q "Si Pierre aime voyager Alors Pierre prend

Logique des propositions Valeurs logiques de propositions Table de vérité Equivalence

Logique des propositions Syntaxe  (P  Q) = ( P)  ( Q)  ( P) = P Sémantique Si A et A  B Alors inférer B Modus Ponens Si  B et A  B Alors inférer  A Modus Tollens

Logique des propositions Exemples de règles de production en logique des propositions 1/ Si (le fruit est pourri) Et (les feuilles présentent des taches rondes de couleur marron) Alors la plante est atteinte de la maladie de l’échaudure des feuilles 2/ Si (le voyant rouge à gauche du tableau de bord est allumé) Et (la température de l'eau est élevée) Alors vérifier le niveau d'huile

Logique des propositions Exemples de modélisation en Clips Connaissances à représenter 1/ "Claire et Pierre sont partis en mission à Paris pour assister au salon de l’agriculture. Claire a pris l’avion pour se rendre à Paris, quant à Pierre, il a pris sa voiture." 2/ "La température du patient est supérieure à 38°. Si la température du patient est supérieure à 38° Alors le patient a de la fièvre et si en plus de la fièvre le patient présente une augmentation de la vitesse de sédimentation du sang alors il souffre d'une infection bactérienne."

Logique des prédicats Définitions un prédicat est une fonction prenant l’une des deux valeurs vrai ou faux suivant la valeur de ses arguments un prédicat utilise des variables les variables peuvent être substituées par des constantes ou par des prédicats une assertion est un prédicat dans lequel on a substitué une variable par une constante

Logique des prédicats Exemple le prédicat ville-de-france (X) prend la valeur vrai si X est remplacé par un nom d’une ville de France et faux sinon le prédicat ville-de-france(montpellier) est vrai le prédicat ville-de-france(tunis) est faux

Logique des prédicats Vocabulaire Prédicats Constantes Variables Parenthèses Quantificateurs universel () existentiel ()

Logique des prédicats Vocabulaire Connecteurs : et () ou () négation () implication () équivalence ()

Logique des prédicats Vocabulaire Formules Combinaison de prédicats, de quantificateurs et de connecteurs Exemple La connaissance "Tout homme est mortel" est représenté par les éléments suivants Prédicats : Homme, Mortel Quantificateur :  Variable : X Formule : ( X) Homme(X)  Mortel(X)

Logique des prédicats Règles d’inférences Modus Tollens Modus Ponens Exemples Si Homme(voltaire) et Homme(X)  Mortel(X) Alors inférer Mortel(voltaire) Spécialisation universelle Si (X) P(X) est vrai Alors il  une constante a telle que P(a) est vrai

Logique des propositions Exemples de modélisation en Clips Connaissances à représenter "Jean est le père de Maurice" "Bernard est le père de Jacques" "Eric est le père de Dominique" "Jacques est le père de Samy" "Maurice est le père de Jacqueline" "Samy est le père de Michelle" "Un grand père est le père d’un père" Problème à résoudre Quels sont les grands pères de cette famille ?

Les règles de production:conclusion

Les réseaux sémantiques Un réseau sémantique est une représentation graphique des connaissances Un réseau sémantique est un graphe dans lequel les nœuds sont des concepts (objets ou événements) les arcs sont des relations entre concepts Un réseau sémantique est un ensemble de triplets (concept, relation conceptuelle, concept)

4 RELATION CONCEPTUELLES
Représentation des connaissances Les réseaux sémantiques Exemple "Claire est partie en mission à Paris pour assister au salon de l’agriculture. Claire a pris l’avion pour se rendre à Paris." Mission Moyen-de-transport Thème Agent Lieu Salon de l’agriculture Claire Paris Avion 5 CONCEPTS 4 RELATION CONCEPTUELLES

1 RELATION CONCEPTUELLE
Représentation des connaissances Les réseaux sémantiques Exemple "Toute voiture possède un moteur" Voiture Possède 2 CONCEPTS Moteur 1 RELATION CONCEPTUELLE

Les réseaux sémantiques Les relations conceptuelles Propriétés sémantiques d’un concept Hiérarchie entre concepts

Les réseaux sémantiques Les relations conceptuelles Hiérarchie entre concepts (Est-un) Est-un (is-a) 205 GTI 2746WA34 205 GTI Est-un (is-a) : un objet appartenant à un ensemble d’objets générique

Les réseaux sémantiques Les relations conceptuelles Hiérarchie entre concepts Hiérarchie Héritage Raisonnement par défaut Représentation réduite de faits explicites

Les réseaux sémantiques Les relations conceptuelles Hiérarchie entre concepts Héritage : raisonnement par défaut Est-un 205 GTI 2746WA34 205 GTI Est-un Voiture Possède Moteur

Les réseaux sémantiques Principe de fonctionnement La recherche d’information se fait à travers le graphe => Explosion combinatoire ...

Les réseaux sémantiques Principe de fonctionnement Exemple : Soit a représenter les faits suivants : « Philippe a pris le vol numéro AF Le vol AF provient de Montpellier et a pour destination la ville de Lyon » Prendre un vol Passager N° de vol Destination Philippe AF127872 Lyon intersection Provenance Questions : De quelle ville provient Philippe? A quelle ville s ’est rendu Philippe ? Montpellier

Les réseaux sémantiques :conclusion

Formalismes hybrides Issus de la convergence de deux formalismes : Formalismes logiques Démonstration de théorèmes Jeux Interrogation base de données Systèmes experts Réseaux sémantiques Taxonomie (forte hiérarchie) TALN Introduisent 3 formalismes de base : Objets Frames (Schémas) Scripts (Scénarios)

Les frames Définitions Les frames constituent la base des langages objets Un frame est une entité conceptuelle formée d’un ensemble d’informations sur un concept ou une situation particulière Les informations sont représentés sous forme d’attributs appelé slots

Les frames Définitions Les slots sont spécifiques à un objet ou à une situation Les slots peuvent désigner les propriétés d’un objet Chaque slot est décrit à travers un ensemble de facettes Il existe plusieurs catégories de facettes : Facettes d’héritage est-un (is-a) facettes d’initialisation valeur par défaut (default) valeur (value)

Les frames Définitions Catégories de facettes : Facettes de restriction domaine de valeurs (range) valeurs permises : (allowed values) le type (type) Facettes démons : réponses automatiques à une opération sur la valeur d’un attribut si-besoin (if-needed) avant-changement (before-change) après-changement (after-change) en-cas-d’accès (when-accessed), ...

Les frames Structure FRAME FACETTES SLOT_1 FACETTE_1 value is-a type default range allowed-values, ... FACETTE_2 SLOT_2 SLOT_3

Les frames Exemples Frame : Voiture Slots : Vitesse, Puissance, ... Voiture FRAME SLOTS Vitesse Puissance ... ... Range [100, 300] FACETTES

Comparaison entre formalismes

Les scripts Définitions Un script est un concept permettant de décrire les séquences typiques d ’un événement ainsi que les acteurs et les objets nécessaires à cette description

Les scripts Définitions Un script est représenté par un ensemble de descripteurs : Objets : les objets du scripts Acteurs : les agents concernés par le script Lieu : le lieu du script Evénements : actions du script

Les scripts Exemple Script : Achat d’une Boisson Au Distributeur Automatique Acteur : Acheteur Lieu : Devant le machine Objets : Monnaie, gobelet, boisson Evénements : 1. Repérer le montant de la boisson désirée 2. Sortir les pièces de monnaie. - si homme : sortir pièces de la poche - si femme : sortir pièces du porte monnaie - trouver des pièces acceptable par la machine et dont la somme est au moins égale au montant de la boisson - est que le compte y est ? non : halt ; oui continue 3. Insérer les pièces dans le machine 4. Appuyer sur le bouton de la sélection choisie 5. Récupérer la boisson

Approches de représentation des connaissances Il existe 3 types d’approches: Approche procédurale : le comment Approche déclarative : le quoi Approche mixte ou hybride : le quoi et le comment Les formalismes utilisent l’une de ces trois approche

Approche procédurale Représentation de nature algorithmique La connaissance est une collection de procédures qui indiquent explicitement comment utiliser une telle connaissance Un cheminement entres les procédures est imposé pour atteindre le but Les langages de programmation C, Pascal, Cobol, Fortran ont une approche procédurale : le programmeur écrit un programme ad-hoc (données + procédures) en explicitant les instructions à exécuter par l’ordinateur

Approche déclarative La connaissance est une collection de faits et de règles d’inférences Une connaissance déclarative ne contient pas son mode d’emploi Les langages de programmation Clips, Lisp et Prolog sont dits déclaratifs : le programmeur décrit les faits, les règles d’inférences et le but à atteindre et le compilateur ou l’interpréteur s’occupe du « comment il faut faire » pour atteindre le but

Méthode de diagnostic de
Représentation des connaissances Exemples de modélisation dans les deux approches déclarative et procédurale Exemple 1 : modélisation dans le domaine des pathologies Approche procédurale Procédure Maladie A Début Vérifier symptôme 1 Vérifier symptôme 2 … Vérifier symptôme n Fin Connaissances sur la Maladie A + Méthode de diagnostic de la Maladie A

Exemple 1 : modélisation dans le domaine des pathologies
Représentation des connaissances Exemples de modélisation dans les deux approches déclarative et procédurale Exemple 1 : modélisation dans le domaine des pathologies Approche déclarative Première étape : Décrire les connaissances du domaine (Maladie A) R1 : Si Symptôme 1 & Symptôme 2 & … Symptôme n Alors Maladie A Seconde étape : Définir les procédures d’exploitation des connaissances descriptives : écrire le moteur d’inférences

Exemple 1 : modélisation dans le domaine des pathologies
Représentation des connaissances Exemples de modélisation dans les deux approches déclarative et procédurale Exemple 1 : modélisation dans le domaine des pathologies Approche déclarative Algorithme simplifié d’un moteur d’inférences en chaînage arrière Procédure Chaînage-arrière(un but X) début 1. chercher l'ensemble des règles Ri (i=1,n) qui conduisent au but X 2. choisir une règle Rj (j=1,i) - vérifier les conditions (les nouveaux buts) de la règle Rj * Si les conditions sont satisfaites Alors Conclure X Sinon vérifier les nouveaux buts fin

Exemples de modélisation dans les deux approches déclarative et procédurale - Exemple 2 : analyse syntaxique d ’une phrase Approche déclarative Approche procédurale P  G_N,G_V G_N  DET, NOM G_V  V, G_N G_n() { Det(); Nom(); } G_v() { Verbe(); G_n(); } P() { G_ n(); G_v(); }

Approche hybride Approche déclarative + approche procédurale Usage simultané ou combiné des deux approches Langages procéduraux ou déclaratifs avec adjonction du concept objet Clips 6.20 Simula-67 C++ Ada-95

Classement des formalismes selon les 3 approches Programmes classiques Réseaux sémantiques Frames/Objets/Scripts Règles de production Procédural Déclaratif

Comparaison approche déclarative / approche procédurale

Comment choisir un bon formalisme Le choix dépend de la nature d’application Critères du choix Transparence Clarté Puissance Conceptualisation Efficacité de programmation Efficacité de la modélisation Modularité Equilibre déclaratif/procédural - Equilibre implicite/explicite - Imprécision, incertitude et incomplétude - Niveau de granularité - Généralité

Connaissances formelles Connaissances incertaines et imprécises
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Le raisonnement est une technique qui permet d’obtenir de nouvelles connaissances Il existe deux types de raisonnement : Raisonnement certain Logique des prédicats Logique des propositions Raisonnement approximatif Incertitude et imprécision : sur la «vérité» d’une proposition Objectif : établir la valeur de vérité d’une proposition Moyens : des techniques de modélisation numérique de la représentation et du raisonnement incertains et imprécis Connaissances formelles Connaissances incertaines et imprécises

Comment quantifier l’incertain et l ’imprécis?
Représentation des connaissances Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain et l ’imprécis? Exemples : (Supposons que je sache que la présence de boutons rouges sur la peau indique une variole avec 90% de chances, qu’une fièvre de plus de 38° indique une variole avec 30% de chances, avec quelle probabilité va-t-on conclure à la présence de variole si on observe les deux symptômes ?) Incertain (Je ne m'attendait pas à cette maladie chez une jeune fille de 20 ans. C'est si rare que ça en devient négligeable. Ce n'est pas la peine de pratiquer les tests sur une personne jeune. Si les gens sont jeunes, il est vraisemblable que je ne ferai pas de tests; s'ils ont un certain âge, je les ferai probablement) Imprécis

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Il existe deux types d’incertitudes : Degrés de confiance dans une proposition (un fait ou une conclusion) Force d’une inférence

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Il existe plusieurs techniques Technique de Mycin Technique Bayesienne …

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES FAITS Un facteur de certitude (FC) est attaché explicitement à chaque fait FC appartient à [1, 1] Si FC = 1 => On est sûr que c'est vrai Si 0 < FC < 1 => C'est peutêtre vrai Si FC = 0 => On ne sait rien Si 1 < FC < 0 => C'est peutêtre faux Si FC = 1 => On est sûr que c'est faux Si |FC| < 0,2 => le fait peu crédible est ignoré

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Une force d’inférence (FIR) est attaché explicitement à chaque règle FIR appartient à [1, 1] Modus ponens R : A ==> B avec FC(A) : facteur de certitude de A FIR : force d’inférence de R FC(B) : facteur de certitude de B Alors FC(B) = FC(A) * FIR

Si crétois (0.9) =====> menteur (0.72)
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Modus ponens Exemple (Supposons qu’il y ait 80% de chances qu’un crétois soit menteur, que je sache avec 90% de chance que Pierre est crétois, comment estimer les chances pour que Pierre soit menteur ?) (0,8) Si crétois (0.9) =====> menteur (0.72)

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Conjonction des facteurs de certitude FC(A ^ B) = min { FC(A), FC(B) } Disjonction des facteurs de certitude FC(A v B) = max { FC(A), FC(B) }

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Conjonction des facteurs de certitude R : (A ^ B) ==> C avec FC(A) : facteur de certitude de A FC(B) : facteur de certitude de B FIR : force d’inférence de R Alors FC(C) = FIR * min{FC(A), FC(B)}

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Modus Ponens Exemple (Supposons qu’il y ait 70% de chances qu’un patient qui a de la fièvre et qui a une vitesse du sédimentation du sang anormale soit atteint d ’une infection bactérienne, et que je sache avec 60% de chance que Philippe a de la fièvre et 50% de chance que la vitesse de sédimentation de son sang est anormal, comment estimer les chances pour que Pierre soit atteint d ’une affection bactérienne ?) (0,7) Si fièvre (0.6) et vitesse du sédimentation du sang anormale (0.5) =====> infection bactérienne ( min(0.6,0.5)*0.7 = 0.35)

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Conjonction et disjonction des facteurs de certitude R : A ^ (B v C) ==> D avec FC(A) : facteur de certitude de A FC(B) : facteur de certitude de B FC(C) : facteur de certitude de B FIR : force d’inférence de R Alors FC(D) = FIR * min{FC(A), max{FC(B),FC(C)}}

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Combinaisons d’évidence Si lors du raisonnement, deux règles différentes donnent la même conclusion avec des degrés C1 et C2, elles se renforcent mutuellement. Le degré de certitude cumulé C associé à la conclusion après exploitation des deux règles est défini par les formules suivantes : Si C1 > 0 et C2 > 0 C = C1 + C2 - C1 * C2 Si C1 < 0 et C2 < 0 C = C1 + C2 + C1 * C2 Si C1 * C2 <= 0 et min (|C1|, |C2|) #1 C = C1+C2 / 1- min(|C1|, |C2|) Si C1 * C2 <0 et min (|C1|, |C2|) = 1 C = 1

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique de Mycin : LES INFERENCES Combinaisons d’évidence : exemple (Supposons que je sache que la présence de boutons rouges sur la peau indique une variole avec 90% de chances, qu’une fièvre de plus de 38° indique une variole avec 30% de chances, avec quelle probabilité va-t-on conclure à la présence de variole si on observe les deux symptômes ?) boutons rouges ==> variole(0.9) fièvre de plus de 38° ==> variole(0.3) probabilité avec la quelle on peut conclure à la présence de variole si on observe les deux symptômes : *0.9 = 0.93

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique probabiliste de Bayes : Modèle de calcul des probabilités conditionnelles Chaque probabilité est déterminée par rapport à un contexte ou un événement Pour deux événements A et B non indépendants, on attribut une probabilité conditionnelle à A sachant que B a eu lieu et on la note P(A/B) : Formule de Bayes : calcul de P(A/B) P(A/B) = P(A^B) /P(B) = P(B/A) *P(A)/P(B) En supposant que P(B) #0 EPSI/Montpellier Cyclen CSII 2A Module Intelligence Artificielle

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique probabiliste de Bayes : LES FAITS Une probabilité (P) est associée à chaque fait P appartient à [0, 1] Si P = 1 => On est sûr que c'est vrai Si 0 < P < 1 => C'est peutêtre vrai Si P = 0 => On est sûr que c'est faut P(A v B) = P(A) + P(B) - P(A^B) P(A) = 1 - P(A)

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique probabiliste de Bayes : LES INFERENCES Interprétation des règles de production Etant donné A ==> B La probabilité de A est égale à P(A) La probabilité de B est égale P(B) Alors je peux déduire B en présence de A avec une probabilité: P(B/A) = P(A/B) * P(B)/P(A)

P(Jaunisse/Peau-jaune) Peau-jaune =====> Jaunisse
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’incertain ? Technique probabiliste de Bayes : LES INFERENCES Exemple (Comment trouver la probabilité qu’un patient souffre de jaunisse s’il a la peau jaunâtre si on sait que la probabilité d’attraper la jaunisse est de 5%, que 15% des gens auront une fois dans leur vie la peau jaunâtre que le médecin sait par expérience que dans 95% des cas de patients souffrants de jaunisse ont eu un jaunissement de la peau. P(Jaunisse/Peau-jaune) = P(Peau-jaune/Jaunisse) * P(Jaunisse)/P(Peau-jaune) = 0.95 * 0.05/0.15 = 0.316 Peau-jaune =====> Jaunisse (0.3)

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? (Je ne m'attendait pas à cette maladie chez une jeune fille. C'est si rare que ça en devient négligeable. Ce n'est pas la peine de pratiquer les tests sur une personne jeune. Si les gens sont jeunes, il est vraisemblable que je ne ferai pas de tests; s'ils ont un certain âge, je les ferai probablement) Imprécis

Ensemble flou : définition
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Par la logique floue (Lofti ZADEH, Univ Berkley USA,1965) Théorie des ensembles flous Ensemble flou : définition * Un ensemble flou permet de graduer l appartenance d ’un élément à une classe (un ensemble d’éléments) * Soit un ensemble E, un ensemble flou définie sur E est caractérisé par une fonction fE : E-----> [0,1] e > fE(e): degrés d’appartenance de e à E Si fE(e) = 0 alors e n’appartient pas à E Si fE(e) = 1 alors e appartient à E Si 0 < fE(e) < 1 : e appartient partiellement à E fE

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Logique floue : exemple 1 : ensemble (variable) flou jeune Fonction d’appartenance à l’ensemble flou jeune : fjeune fjeune(25) = 1 fjeune(30) = 0,8 fjeune(35) = 0,6 …. fjeune(50) = 0 Quantification de la variable floue jeune

Quantification de la variable floue jeune
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Logique floue : exemple 1 : ensemble (variable) flou jeune fjeune Quantification de la variable floue jeune Age

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Logique floue : exemple 2 : variable floue Vitesse et ses sous-ensembles flous (variables linguistiques) TrèsFaible, Faible, Moyenne et Elevée

le patient n’est pas atteint d’une hépatite
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Logique formelle et logique floue : exemple de diagnostic médical Logique formelle Base de connaissances Règle Si le patient a une forte fièvre, sa peau est jaunâtre et il a des nausées Alors Le patient est atteint d’une hépatite Faits le patient a une fièvre de 38,9°C la peau du patient est jaunâtre le patient a des nausées To = 39°C Diagnostic : le patient n’est pas atteint d’une hépatite

le patient est atteint d’une hépatite avec une probabilité de 50%
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Logique formelle et logique floue : exemple de diagnostic médical Logique floue Base de connaissances Règle Si le patient a une forte fièvre, sa peau est jaunâtre et il a des nausées Alors Le patient est atteint d’une hépatite Faits le patient a une fièvre de 38,9°C la peau du patient est jaunâtre le patient a des nausées Diagnostic : le patient est atteint d’une hépatite avec une probabilité de 50%

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Résolution de problèmes par la logique floue : Cycle en 3 phases Quantification des variables floues d’entrée/sortie (Fuzzyfication) Evaluation des règles d’inférences liant les variables de sortie aux variables d’entrée (Evaluation des règles) Quantification non floue des variables de sortie (Defuzzyfaction)

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Résolution de problèmes par la logique floue : Exemple : un système de contrôle de freinage : Variables d’Entrée : Vitesse (V), Distance (D) Variable de Sortie : Freinage (F) Phase 1 : Fuzzyfication Phase 2 : Evaluation des règles Phase 3 : Defuzzyfaction

55 km/h est Faible à 28% et Moyenne à 75% 20 m est Courte à 20% et Moyenne à 55% Phase 1 : Fuzzyfaction

Phase 2 : Evaluation des règles
Représentation des connaissances Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Comment quantifier l’imprécis ? Résolution de problèmes par la logique floue : Exemple : un système de contrôle de freinage : Les règles d’inférence R1 Si V=Faible et D=Courte Alors F=Fort R2 Si V=Moyenne et D= Moyenne Alors F=Modere R3 Si V= TresFaible et D=Longue Alors F=Doux Règles déclenchables Phase 2 : Evaluation des règles

Représentation des connaissances Inférence de R1 Phase 2 : Evaluation des règles

Représentation des connaissances Inférence de R2 Phase 2 : Evaluation des règles

Combinaison des inférences de R1 et et R2 Phase 2 : Evaluation des règles

Phase 3 : Defuzzyfaction
Représentation des connaissances Phase 3 : Defuzzyfaction

Connaissances incertaines/imprécises et raisonnement approximatif Raisonnement approximatif Logique floue et ses applications Robotique et automatisme Appareils photos Aspirateurs Lave vaisselle Lave linge Systèmes de ventilation, de régulation thermique Hauts fourneaux Classification Reconnaissances de caractères traitement d'images Réseaux de neurones Aide à la décision Modélisation de prix, analyse économique des marchés Simulation de procès dans le domaine juridique Diagnostic du cancer en médecine pour diagnostiquer le cancer Recherche documentaire

Chapitre II : Représentation des connaissances

Présentations similaires

Présentation au sujet: "Chapitre II : Représentation des connaissances"— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back

Entrer

S'autoriser via un réseau social:

Chapitre II : Représentation des connaissances

Présentations similaires

Présentation au sujet: "Chapitre II : Représentation des connaissances"— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back