Système à base de connaissance.

Système à base de connaissance

Système à base de connaissance
L’intelligence artificielle Définition IA Artificiel. désigne ce qui n'est pas un produit de la nature. Intelligence. "Faculté de connaître, de comprendre et de s'adapter [...]". Jean-Pol Tassin (Pour la Science, Décembre 1998). Produire une IA consisterait donc à utiliser une technique (informatique) pour concevoir un système capable de raisonnement (résoudre un problème, s'adapter à des situations nouvelles,...). L’IA est une discipline de l’informatique dont le but est que les ordinateurs puissent raisonner comme les humains. Elle s’adresse à une classe de problèmes exponentiels.

L’intelligence artificielle Exemple du jeu d’échec La programmation classique utilise l'algorithmique pour calculer et analyser tous les coups possibles à chaque étape du jeu. L‘IA, quant à elle, introduit une nouvelle vision du jeu : chaque coup joué fait maintenant partie d'une tactique qui consiste à réaliser un objectif : la victoire. L'IA a donc une vision globale du jeu, élabore des stratégies, s'adapte aux coups joués par l'adversaire, etc. L’IA L'IA est une conception différente de la résolution de problèmes. D'après JL. Laurière, "Tout problème pour lequel aucune solution algorithmique n'est connue relève a priori de l'IA".

L’intelligence artificielle Reprenons la phrase de Marvin Minsky, figure célèbre de l'IA des années 50 : "[...] the science of making machines do things that would require intelligence if done by humans". L'IA est la branche de l'informatique qui consiste à concevoir des systèmes intelligents, c'est-à-dire qui soient capables de produire un raisonnement proche de celui de l'être humain. Si on reprend cette conception première de l'IA et les idées que nous avons vus précédemment, on peut fournir notre propre définition de l'IA.

Débuts de l’IA 1950 : le mathématicien britannique Alan Turing publie, dans le journal philosophique Mind, un article intitulé Computing Machinery and Intelligence. Dans cet article, il décrit le test de Turing. : Allen Newell, John Shaw, et Herbert Simon créent le "Logic Theorist", considéré comme le premier programme d'IA. 1956 : John McCarthy, considéré comme le père de l'IA, organise "The Dartmouth summer research project on Artificial Intelligence". 1959 : élaboration du GPR (General Problem Resolver), qui consiste à définir un état initial, un ou plusieurs états finaux, et des opérateurs de transition entre les états. 1950 : le mathématicien britannique Alan Turing publie, dans le journal philosophique Mind, un article intitulé Computing Machinery and Intelligence. Dans cet article, il décrit un test (Test de Turing) qui consiste à faire communiquer un individu avec un interlocuteur invisible à travers un terminal d'ordinateur. L'individu doit alors deviner si son interlocuteur est un être humain ou un système d‘IA imitant un être humain. Le but du test est de déterminer si le système d'IA est intelligent. Considéré par beaucoup comme l'un des fondateurs de l'informatique, Turing est également un des précurseurs de l'IA. : Allen Newell, John Shaw, et Herbert Simon créent le "Logic Theorist", considéré comme le premier programme d'IA. En modélisant chaque problème par un arbre, il tente de le résoudre en sélectionnant la branche qui donnerait le résultat le plus proche de l'objectif final. Le programme fût capable de redémontrer des théorèmes déjà établis par les mathématiciens mais de manière plus "élégante"."IPL-11", le premier langage d'IA, est créé. 1956 : John McCarthy, considéré comme le père de l'IA, organise "The Dartmouth summer research project on Artificial Intelligence". C'est à lui que l'on doit le terme "Intelligence Artificelle". Pour lui, "toute activité intellectuelle peut être décrite avec suffisamment de précision pour être simulée par une machine. "En 1958, il introduit le langage LISP. En 1959, avec Marvin Minsky, il fonde le "MIT AI Lab".

Débuts de l’IA 1967 : Echec et abandon du GPR 1972 : Hubert Dreyfus, un des détracteurs de l’IA, écrit "What Computers Can't Do" dénonçant les sommes importantes dépensées par le gouvernement US pour le développement de l'IA. Problèmes des premiers systèmes en IA : incapacité à imiter la capacité de l'homme à utiliser le contexte d'un problème pour déterminer le sens des mots et des phrases. L'échec du GPR, abandonné en 1967, marquera le début d'un période où l'IA se heurtera à de nombreux détracteurs. Parmi eux, Hubert Dreyfus, qui écrit "What Computers Can't Do" en 1972 dénoncera les sommes importantes dépensées par le gouvernement US pour le développement de l'IA. Les premiers succès auront vite montré leurs limites et beaucoup de biologistes et d'informaticiens jugeront les objectifs premiers de l'IA trop optimistes. En fait, le principal problème des ces systèmes était leur incapacité à imiter la capacité de l'homme à utiliser le contexte d'un problème pour déterminer le sens des mots et des phrases. On peut par exemple citer ce passage de l'ouvrage de Dreyfus : "In spite of journalistic claims at various moments that machine translation was at last operational, this research produced primarily a much deeper knowledge of the unsuspected complexity of syntax and semantics". Même si le "super-optimisme" du début semble disparaître, les tenants de l'IA n'en sont pas moins désespérés. Pour Simon, les machines de 1985 seraient capables de faire tout ce que l'homme est capable de faire. On notera également, en 1968, la sortie du film 2001, L'odyssée de l'espace, de Stanley Kubrick, qui montrera un aspect de l'IA au grand public, à travers son ordinateur HAL.

Débuts de l’IA Années 70 : de nombreuses nouvelles méthodes de développement de l'IA sont testées. En 1971, le langage PROLOG est créé par Colmerauer. 1974 : verra l‘arriver des premiers systèmes experts. dont le plus célèbre MYCIN (Edward H. Shortliffe), conçu pour l'aide au diagnostic et au traitement de maladies bactériennes du sang. En 1979, Mycin sera considéré par le "Journal of American Medical Assoc" comme aussi bon que les experts médicaux. La même année, le premier robot piloté par ordinateur est conçu. On notera également dans les années 70, l'abandon des subventions versées par les gouvernements (US pour la plupart) pour quelques programmes de recherche en IA.

Débuts de l’IA : Accélération du mouvement. Avec l'efficacité prouvée des systèmes experts, les ventes de matériels IA (hardware ou logiciel) grimpent en flèche. L'IA commence à intéresser les grandes firmes (Boeing, General Motors, etc). Face aux détracteurs, les "pro-IA" se défendent : en 1982, Minsky écrit "Why People Think Computers Can't", en réponse notamment aux critiques de Dreyfus. De nouvelles branches de l'IA font leur percée sur le marché, notamment celui de la vision de la machine. Par exemple, des travaux sont réalisés sur l'utilisation d'une caméra reliée à un ordinateur pour améliorer le contrôle qualité (Reconnaissance des formes, etc). Malgré quelques échecs, l'IA semble renaître : la logique floue est conçue, les réseaux de neurones sont réhabilités. Durant les années 80, l'IA est sortie des laboratoires pour montrer ses utilisations possibles dans la vie réelle. Mais la recherche continue, et de grands projets ont vu le jour au début des années 90.

Les systèmes experts

Les systèmes experts Un système expert est un outil capable de reproduire les mécanismes cognitifs d'un expert, dans un domaine particulier. Plus précisément, un système expert est un logiciel capable de répondre à des questions, en effectuant un raisonnement à partir de faits et de règles connus. Il peut servir notamment comme outil d’aide à la décision.

Les systèmes experts Un système expert se compose de 3 parties : une base de faits ; une base de règles ; Un moteur d’inférence : Le moteur d'inférence est capable d'utiliser faits et règles pour produire de nouveaux faits, jusqu'à parvenir à la réponse à la question experte posée.

Les systèmes experts

Mécanismes de raisonnement La plupart des systèmes experts existants reposent sur des mécanismes de logique formelle (logique aristotélicienne) et utilisent le raisonnement déductif. Pour l'essentiel, ils utilisent le syllogisme : si P est vrai (fait ou prémisse) et si on sait que P  Q (règle) alors, Q est vrai (nouveau fait ou conclusion). Les plus simples des systèmes experts s'appuient sur la logique des proposition (dite aussi « logique d'ordre 0 »). Dans cette logique, on n'utilise que des propositions, qui sont vraies, ou fausses. D'autres systèmes s'appuient sur la logique des prédicats du premier ordre (dite aussi « logique d'ordre 1 »), que des algorithmes permettent de manipuler aisément.

Historique Les premiers systèmes experts voient le jour aux USA dans les années 1970. MYCIN, qui manipulait de l'expertise dans le domaine médical, est l'un des plus connus. Dans les années 1970, une équipe de Stanford University, sous la direction d'Ed Feigenbaum, a fait l’hypothèse que l’intelligence repose sur le stockage des grandes quantités de connaissance. Connaissances représentées sous forme de règles. En 1973, ils ont cherché un nouveau domaine pour refaire une étude. Ils ont retenu le domaine de “Thérapie Anti-Biotique”. Résultat = MYCIN (500 règles avec des faits fortement typés).

MYCIN Qu’est-ce que c’est? C’est un "programme de consultation" qui donne des avis aux médecins concernant les thérapies anti-microbiennes. Domaine anti-microbien ou antibiotique Principe Il existe un grand choix de médicaments anti-microbiens ainsi qu'un grand nombre de microbes. Chaque antibiotique agit différemment avec chaque microbe. À cause de cette grande variété, seuls certains médecins spécialisés connaissent bien ce domaine.

MYCIN La séquence de tâches 1) Demande des informations sur le cas. 2) Applique ses connaissances. 3) Donne son jugement et conseille. 4) Répond aux questions sur son raisonnement. Buts à atteindre Facile à utiliser Fiable Manipule un grand nombre de connaissances Utilise des renseignements inexacts ou incomplets Explique et justifie ses conseils

MYCIN Répond à 4 questions 1) Quelles infections importantes existent ? 2) Quel microbe est la cause de chaque infection ? 3) Quels médicaments sont efficaces ? 4) Quel est le meilleur traitement ? A tout instant, l'utilisateur peut demander : Pourquoi ? Trace de la chaîne de raisonnement en cours. Comment ? Trace la source d'un fait.

Raisonnement dans MYCIN Chaînage arrière, dirigé par un but Règles sous forme d’abduction A  B  C Pour prouver C, il faut prouver A et B. 11 8 9 10 7 Infection streptocoque de la gorge ? Signes d’infection de la gorge Organisme = streptocoque Gorge rouge Tâche en Grampos Morphologie coccidie Croissance en chaîne 1 2 3 4 5 6 12

Raisonnement dans MYCIN La base de connaissance statique comporte des règles : On dispose donc d’un ensemble de règles (ici, déduction), approximatives.

Les inférences Moteur d'inférence : déduit des faits à partir de faits initiaux et des règles. Deux approches de base : A partir de ce qu'on veut trouver et remonter vers les faits (chaînage arrière) ; A partir des faits et aller vers ce qu'on veut trouver (chaînage avant). La structure classique des systèmes experts utilisaient toujours un ensemble de règles de production.

Evaluation de MYCIN En 1979 : MYCIN en compétition face à 8 médecins sur 10 cas réel, MYCIN arrive premier. Limites de MYCIN Peu de flexibilité (adapté à un problème précis) ; Connaissances difficiles à entrer : beaucoup de règles ; dépendantes du système d'inférence. Manque d'explications sur le résultat. MYCIN était un programme de recherche et n'a jamais été réellement utilisé à l'hôpital, car : incomplet, difficile à évaluer, mauvaise interface... Mais il a montré qu'on peut approcher un domaine d'expertise.

Systèmes à base de connaissance

Qu’est-ce qu’un SBC ? Un programme construit pour : modéliser les compétences de résolution de problèmes des humains. avoir la même performance que les humains (Test de Turing). Human Human interrogator

SE vs. SBC Système expert (SE) : Système informatique permettant de résoudre les problèmes dans un domaine d'application déterminé à l'aide d'une base de connaissances établie à partir de l'expertise humaine. Système à base de connaissances (SBC) : Système informatique fonctionnant avec une base de connaissances sur un sujet donné.

SE vs. SBC Les systèmes experts classiques seraient un cas particuliers des systèmes à base de connaissances. Tout système informatique utilise de la connaissance, mais dans un système à base de connaissances, celle-ci est représentée de façon explicite.

Différence entre donnée, information, connaissance : Une donnée transporte l'information. Ce sont des signaux non interprétés. Exemple. ! C L’information est une interprétation de la donnée. Exemple. (!, point d’exclamation), ( , SOS), (C, lettre) ou (C, note) La connaissance utilise l'information dans le cadre d'actions, dans un but précis. Les actions peuvent être la prise de décisions, la création de nouvelles informations, etc. Exemple. écrire un “!” pour marquer une exclamation en fin de phrase si le signal reçu alors déclencher l’alerte et envoyer des secours si C apparaît sur une partition alors la référence est la gamme de Do, jouer dans la gamme associée.

Tâches utilisant des connaissances Classement issu de la méthodologie CommonKADS : Tâches d'analyse classification, diagnostique, évaluation, supervision, prédiction. Tâches de synthèse conception/configuration, modélisation, planification, ordonnancement, répartition. Ce classement se veut relativement exhaustif des différentes tâches demandant de la connaissance.

Types de problèmes résolus par les SBC Contrôle Conception Diagnostic Instruction Interprétation Monitoring Planification Prédiction Prescription Sélection Simulation

Pourquoi utiliser un SBC ? Remplacer un expert Automatiser une tâche routinière nécessitant un expert ; Un expert quitte la compagnie ; Besoin d’une expertise dans un environnement hostile Assister un expert Améliorer la productivité ; Gérer la complexité The R1 (later called XCON, for eXpert CONfigurer) program was a production-rule-based system written in OPS5 by John P. McDermott of CMU in 1978 to assist in the ordering of DEC's VAX computer systems by automatically selecting the computer system components based on the customer's requirements.

Utilisation des SBC Agriculture Affaires Chimie Communications Informatique Éducation Électronique Ingénierie Géologie Domaine juridique Manufacture Mathématiques Médecine Météorologie Militaire Prospection et exploitation minière Production d’énergie Hydrologie / hydroélectricité Espace

Exemple de problèmes Le problème des seaux à remplir On dispose de deux seaux, l’un de trois litres et l’autre de 4 litres. Comment mesurer 2 litres dans le seau de 4 litres ? Variante : Une personne a une bonbonne de douze litres de vin ; elle veut en donner 6 litres à un ami. Pour les mesurer, elle n’a que deux autres bouteilles, l’une contenant 7 litres et l’autre contenant 5 litres. Comment doit-elle opérer pour avoir les 6 litres dans la bonbonne de 7 litres ? 4 litres 3 litres 2 litres

Exemple de problèmes Le problème du taquin Trouver la séquence de déplacements la plus courte qui permet de passer de l’état initial à l’état final. 2 8 3 1 6 4 7 * 5 1 2 3 8 * 4 7 6 5

Exemple de problèmes Un problème de crypto-arithmétique Une lettre correspond à un nombre (entre 0 et 9) et un seul, décrypter l’addition. S E N D M O R E M O N E Y

Exemple de problèmes Un problème logique Bernard, Jacques et Sylvain sont prévenus de fraude fiscale et déclarent : Bernard : « Jacques est coupable et Sylvain est innocent ». Jacques : « Si Bernard est coupable alors Sylvain est coupable ». Sylvain : « Je suis innocent mais au moins un des deux autres est coupable ». Qui est coupable ?

Exemple de problèmes Un problème de contrainte Patrick, Antoine et Émilie sont musiciens ; il y a un saxophoniste, un guitariste, et un violoniste : Une personne a peur du chiffre 13, une autre des chats, et une autre a le vertige. Patrick et le guitariste font de la montagne ; Antoine et le saxophoniste aiment les chats ; Le violoniste habite l’appartement 13 au 13ième étage. Qui est qui ?

Exemple de problèmes Les tours de Hanoi L’univers du problème consiste en un ensemble de trois piliers notés de la gauche vers la droite, p1, p2 et p3, et de deux disques, notés d1 et d2, où le premier est plus petit et posé sur le second. Le problème consiste à faire passer les deux disques, d1 et d2, du pilier p1 au pilier p3 en se servant du pilier intermédiaire p2 en respectant la règle ci-dessous : Le petit disque d1 ne peut jamais être sous la grand disque d2. Le problème se généralise à un nombre quelconque de disques.

Architecture d’un SBC Interface Base de connaissances Moteur d’inférence Utilisateur Expliquer l’archi Base de faits

Architecture d’un SBC

Caractéristiques majeures Séparation de la connaissance et du raisonnement Contient de la connaissance experte Se focalise sur une expertise donnée Raisonne avec des symboles Raisonne avec des heuristiques Permet le raisonnement « incertain » Résout des problèmes pour lesquels il existe des experts

Représentation des connaissances

Donnée  information  connaissance La représentation des connaissances est le problème clé en IA. Les objets, actions, concepts, situations, relations, etc. sont représentés selon certains formalismes (cerveau vs. mémoire de l’ordinateur).

Représentation des connaissances C’est le transfert des connaissances d’un expert vers une machine  Psychologie cognitive Changement de media Changement de forme de représentation C’est une tâche de modélisation linguistique : puissance expressive applicable pour le raisonnement efficace

Types de connaissance Détail de chaque type

Représentation des connaissances Triplets <objet, attribut, valeur> Réseaux sémantiques Frames Logique Règles

Triplets <objet, attribut, valeur> Syntaxe Objet (sujet) = la ressource (URL ou nœud local) Attribut (prédicat) = la propriété Valeur (objet) Exemple. la ressource a un propriété titre dont la valeur est World Wide Web consortium. titre World Wide Web Consortium

Réseaux sémantiques Il s'agit de réseaux dont les nœuds représentent les concepts et les arcs représentent les relations. Le but des réseaux sémantiques est de fournir une représentation souple des connaissances. Moyen de transport sorte-de possède sorte-de Avion Aile sorte-de Voiture est-un Avion de chasse est-un Citroën C4 Airbus A380

Frames L’origine des langages de frames peut être trouvée dans les RS. En fixant une relation hiérarchique de base (est-un) et une relation d'appartenance (appartient-à), on a la structure d'un langage de frames. Les autres relations se cachent dans les attributs des entités. Les entités hiérarchisées sont les classes (avec au sommet une classe racine souvent appelée OBJET). Les autres entités, les objets proprement dits, appartiennent aux différentes classes.

Logique (Calcul des propositions et prédicats) On peut représenter la situation de la figure de la manière suivante en utilisant les prédicats 'sur', 'surtable', 'libre‘ : sur(C,A) surtable(A) surtable(B) libre(C) libre(B) Par ailleurs, à l'aide d'opérateurs de la logique du premier ordre, il est possible de définir de nouveaux prédicats: ‘ôter', 'empiler' et de donner des équivalences : 1) libre(x)  ¬ (y sur(y,x)) (il n'existe pas de y sur x) 2) sur(y,x)  oter(y,x)  libre(x)  ¬ sur(y,x) 3) libre(x)  libre(y)  empiler(x,y)  sur(x,y) Il est possible de donner un but à atteindre (par un robot) de la même façon.

Règles Connaissance servant à faire le lien entre des informations connues et d’autres informations que l’on peut déduire ou inférer. Exemple. Si <balle, couleur, rouge> alors j’aime la balle Si j’aime la balle alors j’achète la balle Peut exécuter des procédures. Si délai<30 et âge_étudiant<28 ="oui" et présent_communication = "oui" alors réduction_congrés = 50%

Règles Représentent des formes de connaissances variées : Relation Recommandation Directive Stratégie Heuristique Si batterie morte alors l’auto ne démarrera pas Si l’auto ne démarre pas alors prendre un taxi Si l’auto ne démarre pas & le système d’alimentation en essence est ok alors vérifier le système électrique Si l’auto ne démarre pas alors vérifier le système d’alim. en essence puis le système électrique Si l’auto ne démarre pas & l’auto est une Ford de 1962 alors vérifier le radiateur

Règles avec variables Réaliser la même opération sur un ensemble d’objets. Exemple. Si Toto est employé & Toto âge > 65 alors Toto peut prendre sa retraite

Règles incertaines Traduisent des associations incertaines entre prémisses et conclusions. Exemple. Si inflation élevée alors taux d’intérêt élevé

Méta-règles Traduisent une connaissance sur l’utilisation et le contrôle de la connaissance du domaine. Disent comment utiliser les autres règles. Exemple. Si auto ne démarre pas & système électrique normal alors exploiter les règles concernant le système d ’alim. en ess.

Ensemble de règles Les règles sont divisées en ensembles. Chaque ensemble est applicable à un problème donné. Panne auto Système électrique Système alim. en essence

Raisonnement dans les SBCs

Architecture d’un SBC

Raisonnement = processus de Faire coopérer connaissances, faits, et stratégies de résolution de problèmes, dans le but d’atteindre des conclusions. Comprendre comment un expert humain raisonne lors de la résolution d’un problème.

Types de raisonnements Raisonnement Déductif Inductif Du sens commun Abductif Analogique

Types de raisonnements Raisonnement A est vrai A  B est vrai On en déduit que : B est vrai Un ensemble d’objets {a, b, c, d, …} Une propriété P vraie pour les objets a, b, c, … de l’ensemble On induit que P est vraie pour tout x de l’ensemble C’est une inférence plausible. B est vrai on abduit que A est vrai Déductif Inductif Abductif

Types de raisonnements Raisonnement Faire une analogie entre 2 situations, rechercher les similarités et différences, etc. Exploite par exemple la notion de frame pour raisonner. S’appuie sur l’expérience de l’expert, sur la notion de « bon » jugement, plus que sur la logique. Notion d’heuristique. Heuristique : Technique consistant à apprendre petit à petit, en tenant compte de ce que l'on a fait précédemment pour tendre vers la solution d'un problème. Analogique Du sens commun Heuristique : Technique consistant à apprendre petit à petit, en tenant compte de ce que l'on a fait précédemment pour tendre vers la solution d'un problème.

Raisonnement à base de règle 3 composants essentiels : un ensemble de règles ; un ensemble de faits ; un moteur d’inférence ; Avantages : Facile à comprendre, naturel, modulaire. Base de faits initiale Moteur d’inférence Base de connaissance Base de faits enrichie

Raisonnement à base de règle Principe de fonctionnement : Trouver parmi les règles celles candidates Choisir une de ces règles Exécuter la règle Résolution de conflits Si plusieurs règles satisfaites, choisir laquelle déclenchée Critère d’arrêt Pour déterminer la fin du processus d’inférence (plus aucune règle n’est déclenchée, une solution acceptable a été trouvée, impossibilité de trouver une solution, etc.)

Base de règles La base de règles rassemble la connaissance et le savoir-faire de l’expert. Elle n’évolue donc pas au cours d’une session de travail. Une règle se présente sous la forme : si X alors Y X est la prémisse C’est une conjonction de conditions, i.e. une suite de comparaison d’attributs et de valeurs à l’aide d’opérateurs. Y est la conclusion La conclusion est une affectation. Exemple base de règles si l’âge du patient < 18 et si il a de la fièvre > 39° et si présence d’un germe X alors le patient a peut-être une méningite

Base de faits La base de faits constitue la mémoire de travail du SBC. Elle est variable au cours de l’exécution et vidée lorsque l’exécution se termine. Au début de la session, elle contient tout ce qu’on sait à propos du cas examiné avant toute intervention du moteur d’inférence. A la fin, elle est complétée par les faits déduits par le moteur ou demandés à l’utilisateur. Exemple base de faits Âge est 6 Fièvre est 40° Germe X Sexe féminin

Moteurs d’inférence Il existe de nombreux types de moteurs, capables de traiter différentes formes de règles logiques pour déduire de nouveaux faits à partir de la base de connaissance. On distingue 3 catégories, basées sur la manière dont les problèmes sont résolus : les moteurs à « chaînage avant » les moteurs à « chaînage arrière » les moteurs à « chaînage mixte » Certains moteurs d’inférence peuvent être partiellement pilotés ou contrôlés par des méta-règles qui modifient leur fonctionnement et leurs modalités de raisonnement. Les moteurs à « chaînage avant » - qui partent des faits et règles de la base de connaissance, et tentent de s'approcher des faits recherchés par le problème. Les moteurs à « chaînage arrière » - qui partent des faits recherchés par le problème, et tentent par l'intermédiaire des règles, de « remonter » à des faits connus. Les moteurs à « chaînage mixte » - qui utilisent une combinaison de ces deux approches chaînage avant et chaînage arrière.

Chaînage avant Base de faits initiale Considérer la première règle Appariement base de faits – prémisses ? Ajouter la conclusion à la base de faits Il reste des règles ? STOP Considérer la règle suivante T F Mécanisme simple : pour déduire un fait particulier, on déclenche les règles dont les prémisses sont connues jusqu’à ce que le fait à déduire soit également connu ou qu’aucune règle ne puisse être déclenchée.

Chaînage avant Base de faits initiale Considérer la première règle Appariement base de faits – prémisses ? Ajouter la conclusion à la base de faits Il reste des règles ? STOP Considérer la règle suivante T F On va analyser chaque fait, et on va examiner toutes les règles où ce fait apparaît en prémisse. Pour les règles déclenchées, on va affecter les attributs en conclusion des valeurs qui leur correspondent. Ces attributs affectés feront partie du résultat final de l’expertise, et en même temps, ils seront eux-mêmes propagés. On fait cela jusqu’à l’épuisement des faits, et on communique le résultat à l’utilisateur. - Stratégies de résolution de conflits : Première règle qui s’apparie avec les faits avérés ; Règle ayant la plus haute priorité ; Règle la plus spécifique ; Règle faisant référence aux faits les plus récemment introduits dans la base de faits ; Ne pas déclencher à nouveau une règle l’ayant déjà été ; etc. PRECISION

Chaînage arrière 11 8 9 10 7 Infection streptocoque de la gorge ? Signes d’infection de la gorge Organisme = streptocoque Gorge rouge Tâche en Grampos Morphologie coccidie Croissance en chaîne 1 2 3 4 5 6 12 Mécanisme consistant à partir du fait que l’on souhaite établir, à rechercher toutes les règles qui concluent sur ce fait, à établir la liste des faits qu’il suffit de prouver pour qu’elles puissent se déclencher, puis à appliquer récursivement le même mécanisme aux faits contenus dans ces listes. Le chaînage arrière est clairement un mécanisme d’induction : on vérifie les hypothèses en remontant depuis l’objectif. On cherche ainsi à vérifier si un fait est possible. Exemple. MYCIN

Chaînage arrière 11 8 9 10 7 Infection streptocoque de la gorge ? Signes d’infection de la gorge Organisme = streptocoque Gorge rouge Tâche en Grampos Morphologie coccidie Croissance en chaîne 1 2 3 4 5 6 12 Pour prouver une hypothèse en recherchant les informations pouvant la supporter. On sélectionne alors les règles ayant ce but comme conclusion, et on vérifie si les prémisses de ces règles font partie de la base des faits. Les prémisses n’appartenant pas à la base de faits deviennent à leur tour des buts à prouver de la même façon. Le raisonnement se fait des solutions vers les faits initiaux. Exemple. MYCIN

Comparaison

Chaînage mixte Les mêmes règles sont utilisées an chaînage avant et arrière, selon que des faits nouveaux arrivent ou que l’on ait des faits à établir. On peut alors aussi bien raisonner à partir des faits que l’on connaît comme prédicats ou comme objectifs. Faits initiaux Solutions possibles

Quel chaînage utiliser ? Ce sont les caractéristiques du problème qui vont conditionner le chaînage qu’il est judicieux d’utiliser. Ainsi, lorsque les faits sont peu nombreux ou que le but est inconnu  chaînage avant. Par contre, dans les cas où les buts sont peu nombreux ou précis  chaînage arrière.

Raisonnement monotone vs. non monotone Non monotone Monotone information dynamique ; l’état de véracité de l’information change. Sauvegarder les dépendances logiques entre faits. Si on retire un fait A dont dépend un autre fait B, on doit retirer aussi le fait B. information statique ; l’état de véracité de l’information ne change pas. Exemple. Si Il pleut alors j’ouvre mon parapluie

Stratégies de parcours d’arbre Problème C1 C2 P1 P5 P6 P7 P9 P2 P3 P4 P8 Notion de réseau d’inférences et de parcours dans le réseau. Exemple. Si P1 alors C1 ; Si P2 alors C2 ; Si P3 & P4 alors P2 ; Si P5 & P6 alors P1 ; Si P7 alors P6 ; Si P8 alors P4 ; Si P9 alors C2 ; Différentes stratégies de parcours de l’espace !

Stratégies de parcours d’arbre Problème C1 C2 P1 P5 P6 P7 P9 P2 P3 P4 P8 Parcours en profondeur d ’abord Parcourir le graphe verticalement d’abord, pour ensuite explorer d’autres nœuds (de gauche à droite). Lorsqu’il est connu que l’espace de recherche est profond, la stratégie en profondeur d’abord est un bon choix. De plus, cette stratégie se focalise sur une solution et est donc à même d’être comprise par un utilisateur qui interagit avec le système, car les questions sont relatives à un même chemin.

Stratégies de parcours d’arbre Problème C1 C2 P1 P5 P6 P7 P9 P2 P3 P4 P8 Parcours en largeur d’abord Parcourir d’abord les nœuds d’un même niveau, avant de considérer les nœuds du niveau inférieur. Si la solution se situe profondément dans l’espace de recherche, cette stratégie n’est pas payante. Les interactions avec un utilisateur sont difficiles en raison de l’exploration de chemins nombreux (manque de focalisation).

Stratégies de parcours d’arbre Exemples d ’heuristiques Ordonner les buts Ordonner les prémisses Utiliser des méta-règles Attribuer des priorités aux règles Utiliser des facteurs de confiance etc. Parcours « meilleur » d’abord C’est une solution non aveugle. Elle exploite des connaissances du problème pour guider la recherche. À chaque nœud, la technique juge du meilleur chemin à emprunter, suivant une heuristique donnée.

Bibliographie L’IA Arsac, Jacques : Les machines à penser, Le Seuil, Paris, 1987. Crevier, Daniel : A la recherche de l'IA, Flammarion, collection «champs», Paris, 1999. Les SBC C. L. Paris. Systèmes Experts Explicatifs. In EXPL 92 pp 3-23. D. Kayser, La représentation des connaissances, Hermès (Paris), 1997. J.L. Laurière, Intelligence Artificielle (résolution de problèmes par l’homme et la machine), Eyrolles, Paris, 1987. M. Stefik, Introduction to Knowledge Systems, Morgan Kaufmann Publishers, San Francisco (CA), 1995. A. Thayse et al., Approche logique de l’Intelligence Artificielle (5 tomes), Dunod Informatique (Paris), 1988. P.H. Winston, Artificial Intelligence, Addison-Wesley, Reading (MA), 1982. E. Rich, Artificial Intelligence, Mac Graw Hill (New York), 1983. Systèmes Experts : Méthodes et outils", J.M. Chatain et A. Dussauchoy. Eyrolles 1987

EXEMPLE Soit la base de connaissances :
• R1 : si B et D et E alors F • R6 : si A et X alors H • R2 : si D et G alors A • R7 : si C alors D • R3 : si C et F alors A • R8 : si X et C alors A • R4 : si B alors X • R9 : si X et B alors D • R5 : si D alors E Base de faits : B, C But : H

Système à base de connaissance.

Présentations similaires

Présentation au sujet: "Système à base de connaissance."— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back

Entrer

S'autoriser via un réseau social:

Système à base de connaissance.

Présentations similaires

Présentation au sujet: "Système à base de connaissance."— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back