La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Méthodes numériques dIntelligence Artificielle Cours de 5ème polytech Hugues Bersini + IRIDIA.

Présentations similaires


Présentation au sujet: "Méthodes numériques dIntelligence Artificielle Cours de 5ème polytech Hugues Bersini + IRIDIA."— Transcription de la présentation:

1 Méthodes numériques dIntelligence Artificielle Cours de 5ème polytech Hugues Bersini + IRIDIA

2 Introduction et plan du cours Quest ce que lIA ?? Cest le domaine de linformatique qui étudie comment faire faire à lordinateur des tâches pour lesquelles lhomme est encore aujourdhui le meilleur Cest donc une investigation à visage humain qui inclut dans son champ détude tous les processus mentaux et moteurs humains: –Perception, motricité, langage, créativité,apprentissage,raisonnement, émotion Cette définition ne résoud pas la tension existante entre lIA comme sciences cognitives et lIA comme science de lingénieur. Ces deux visions sinfluencent et salimentent mutuellement.

3 Cest une définition opérationnelle. Les performances doivent sobserver Le test de Turing Est-ce suffisant ?? Eliza, Searle, la chambre chinoise Cest une définition évolutive. LIA daujourdhui nest ni lIA dhier ni celle de demain. LIA symbolique: systèmes experts, base de connaissance, représentation, frame, scripts, les logiques, résolution de problèmes, plannification,… Aujourdhui, le retour à une IA de type biologique: réseaux de neurones, robotique, apprentissage par renforcement, algorithmes génétiques,… IA distribuée, multi-agents, intelligence collective, émergente

4 Bref historique 1956 – naissance de lexpression « Intelligence Artificielle » à la conférence de Dortmouth Avant Dortmouth: les courants dominants pour comprendre lintelligence: –La neurophysiologie: Mc Culloch, Rosenblat, Von Neuman intelligence = hardware neuronal sophistiqué, parallèle, adaptatif –La cybernétique: Wiener, Von Foester, Van Bertanlanfy. La systémique, la science du comportement moteur feedback et théorie du contrôle –Le behaviorisme en psychologie: Watson, Skinner, apprentissage par renforcement, conditionnement, « reward, punishment » –Mais un petit ilot de resistance symbolique: Boole (les lois de la pensée), Turing (la machine de Turing, la définition opérationnelle de lIA), Gödel et lincomplétude et la théorie de linformation de Shannon

5 A Dortmouth: –Newell et Simon présente le GPS qui démontre des théorèmes logiques –Samuel présente un logiciel capable dapprendre à jouer aux échecs –Grand enthousiasme pour lautomatisation des jeux –Mc Carthy présente le langage LISP pour la manipulation symbolique et propose lexpression: Intelligence Artificielle –Minsky critique très virulamment lapproche neuronale dans un livre intitulé le « perceptron » –La psychologie redécouvre le « cognitivisme » en alternative au « behaviorisme » avec des auteurs comme William James, Bartlett et Jean Piaget: Poussée très forte du « symbolisme »

6

7 Naissance de lIA symbolique Le support matériel de lintelligence nest pas important Il suffit dun système capable de manipulations symboliques: quil soit neuronal ou en sillicium, cest la logique de fonctionnement qui compte et non la matérialisation de cette logique Lintelligence est logique et déductive LIA devient essentiellement axèe sur la représentation et le traitement des connaissances et développe ses systèmes à partir dun principe fondamental: –Un système intelligent = Un moteur de raisonnement universel appliqué sur des connaissances diverses ( propres à lapplication) Systèmes experts, Prolog, représentation des connaissances, logique classique et non classique..

8 the water jugs The problem : There are two jugs of water but with no indication on quantity. One has a maximal capacity of four litres, the other of three litres. How to exactly get two litres in the four litres jug. How to resolve it: –First describing the states: (x,y) –The initial state is (0,0) and the final one (2,n) –Then a set of operators allowing to evolve the world:

9 The set of operators (x<4,y) (4,y) fill up the first (x,y<3) (x,3) fill up the second (x>0,y) (0,y) empy the first (x,y>0) (x,0) empty the second (x+y>4,x<4) (4,y-(4-x)) fill x with part of y (x+y>3,y<3) (x-(3-y),3) fill y with part of x (x+y 0) (x+y,0) empty y in x (x+y 0) (0,x+y) empty x in y

10 The inferential engine Find the operators that can be applied: their pre-conditions need to match the current state of the world Select one the control strategy: –In depth or in width, with heuristics or not Avoid looping Be able to backtrack Do that iteratively until to find the final state The solution in a planning problem is the sequence of operators. Often the shortest if you find several solutions.

11

12 (0,0) (0,3) (3,0) (3,3) (4,2) (0,2) (2,0) Operators

13 Les jeux et la stratégie min-max

14

15 Années 80 et les pierres dachoppement Lhomme nest pas quun cerveau pensant désincarné et « sorti » du monde Sa pensée et un processus actif, participatif, dans ses interactions au monde. La pensée prend souvent naissance dans un blocage comportemental, une rupture motrice innatendue. Lhomme est dabord agissant, interagissant puis pensant, dans son quotidien, dans sa vie et aussi dans « l histoire de lévolution ». La naissance des représentations est fortement ancrée dans les mécanismes sensori-moteurs ayant lieu dès la naissance et sont fortement conditionnés par ceux-ci. Il est difficile de capturer tout le sens dun concept sans une mise en pratique de ce concept ou de lobjet que ce concept désigne Se limiter aux seules facultés cognitives est soit une voie tronquée mais possible ou, pour les plus radicaux, une voie impossible

16 Réveil du neuronal, de la cybernétique, du biologique et du behaviorisme Retour de lIA davant Dortmouth Comprendre les interactions sensori-motrices au monde nest possible quau prix dune meilleur compréhension de nos « interfaces biologiques » A commencer par le support matériel des ces interfaces Ce support biologique a des aspects intrinsèques qui rendent ces interactions possibles: –Parallèlisme –Emergence: la coopération de multiples processus simples peut engendrer à un nouveau niveau dobservation des fonctionnalités « émergentes » intéressantes –Apprentissage: la complexité de ces systèmes est tel quils doivent pouvoir se cabler ou se coder deux même en résultat à leur fonctionnement.

17

18 Les nouveaux courants Réseaux de neurones Informatique évolutionniste: algorithme et programmation génétique Robotique autonome Robotique animale Apprentissage par renforcement Vie artificielle Intelligence collective Simulations biologiques

19 De nouvelles pratiques ingéniéristes Réseaux de neurones: data mining, traitement du signal, régulation non-linéaire Informatique évolutionniste: optimisation réelle et combinatoire, programmation automatique, créativité artistique Robotique autonome: robotique plus réaliste, dans un environnement moins contraint Intelligence collective: meilleures solutions, plus simples à mettre en œuvre pour des problèmes complexes (beaucoup dacteurs, non-stationnaire)

20 Examples of reinforcement learning Environment ActionsPerceptions For planning a reinforcement learning can discover the sequence of actions by trial-and-error

21 Learning Autonomous Agent Environment ActionsPerceptions

22 Learning Autonomous Agent Environment ActionsPerceptions Delayed Reward

23 Learning Autonomous Agent Environment ActionsPerceptions New behavior Delayed Reward

24 Le neuronal

25 Contenu du cours Introduction à la vie artificielle Apprentissage par renforcement Réseaux de neurones et réseaux biologiques Régulation floue Neuronal, flou ou lazy en identification et régulation adaptative Informatique évolutionniste Robotique autonome Intelligence collective Biologie et chimie artificielle

26 Introduction à la vie artificielle

27 La vie artificielle: Définition Reproduire dans des substrats artificiels (logiciels et robotiques) des mécanismes inhérents au vivant, à des fins: –De biologie théorique -> reproduire le vivant –Ingéniériste -> sinspirer du vivant Une vision essentiellement dématérialisée, fonctionnelle, du vivant.

28 A qui sadresse-t-elle ? Ingénieur Philosophe Biologiste Chimiste Physicien Interpeler Prédiction qualitative Prédiction quantitative Le joueur Et lenseignant

29 Ce nest pas de la bioinformatique !! La biologie et linformatique ont toujours fait bon ménage: –BioInformatique: séquençage, comparaison de séquence, prédiction de la structure 3D des protéines, data mining sur les microarrays… La Vie Artificielle, ce nest pas linformatique qui va à la bio mais linverse: la bio à linformatique

30 La biologie et linformatique se ressemble Ils fonctionnent à différents niveaux dabstractions Au niveaux ultimes, les mécanismes doivent être simples Ils ont une possibilité infinie dessais et derreurs Ils utilisent la « force brute » pour faire émerger ou trouver des solutions complexes.

31 Les différents niveaux dabstraction

32 Simplicité et force brute

33 Doù vient-t-elle ?? Une incapacité de lIA classique à traiter linterface de la cognition au monde sans sintéresser à la biologie. Lintérêt pour le monde du non-linéaire, des processus émergents, de lauto-organisation Des mécanismes inspirés de la biologie. Un « come back » de la cybernétique et systémique des années 50. De Santa Fe, 1ère conférence Alife 1988 A Paris premier ECAL – 1991 et Bruxelles 1993.

34

35 ECAL 2003 (European Conf. On Arti. Life) A universal framework for self-replication How to program artificial chemistry Conservation of genetic information with string-based artificial chemistry Group selection in artificial ants Neural nets for developmental agents Immune networks Growth of virtual plants Damage recovery of robot muscles Evolution of fault-tolerant self-replication structures Simulation of the Baldwin effect Conditions for stable vowels in a population Simulation of langage games Mesuring the dynamics of artificial evolution Generic model of ecosystems.

36 Des simulations de: auto-réplication et évolution darwinienne dynamique et apprentissage neuronaux écosystèmes sociétés animales: fourmis, abeilles, réacteurs chimiques et protocells réseaux biologiques: neuronaux, immunitaires, génétiques, … origine du langage

37 La vie artificielle en tant quingéniérie Toujours un tiraillement entre deux perspectives La vie artificielle en tant que biologie théorique

38 Une nouvelle forme dingéniérie Une ingéniérie qui affronte le complexe, à la manière du vivant, avec du simple itéré infiniment dans le temps et lespace. Une ingéniérie qui sadapte de manière autonome et qui accepte quelque peu de « perdre le contrôle ».

39 Quand elle interpelle, les 3 leçons du vivant - émergence - adaptation - environnement

40 Leçon I: Emergence 1: Lémergence: ou comment des processus nouveaux (souvent complexes) apparaissent à partir de règles simples mais sous-jacentes, itérées infiniment. Les sociétés dinsecte en sont un exemple frappant (voir programme)

41

42 Des fourmis aux paquets internets A IRIDIA, Marco Dorigo et ses collègues ont proposé un algorithme de choix probabiliste, qui évolue avec la qualité des solutions générées et des heuristiques locales. Cet algo est capable doptimiser des routes de transfert de paquet Internet de très bonne manière. Egalement, les vols doiseaux ou les essaims.. Hollywood. Un nouveau dialogue entre le simple et le complexe

43 Les automates cellulaires, lorigine de la vie artificielle Le jeu de la vie Le zèbre Lauto-réplication Si deux voisins sur quatre sont bleus alors je deviens rouge

44 Le jeu de la vie for (int i = 0; i < neighbours.length; i++) { sensi += neighbours[i].oldConcentration; } if ( (oldConcentration == 1) && ( (sensi == 2) || (sensi == 3))) { newConcentration = 1; } else { if ( (oldConcentration == 0) && (sensi == 3)) { newConcentration = 1; } else { newConcentration = 0; }

45 Le zèbre – Alan Turing J1 = 1; J2 = -0.1; for (int i = 0; i < neighbours.length; i++) { sensi1 += neighbours[i].oldConcentration; } for (int i=0; i< theCells.length; i++) { for (int j=0; j< theCells[i].length; j++) { if ((computeDistance(theCells[i][j]) > 1) && (computeDistance(theCells[i][j]) <6)) { sensi2 += theCells[i][j].oldConcentration; } } } if ((1 + J1*sensi1 + J2*sensi2) > 0) { newConcentration = 1; } else { newConcentration = 0;}}

46 La machine universelle

47 Lauto-réplicateur: Von Neuman En 1950, un génotype, un phénotype qui construit et recopie.

48 applications Aide à la simulation, la compréhension et la maîtrise des situations complexes: –Transport –Régulation biologique –Régulation de systèmes distribués –Propagation d épidémie –Etude des modes de communication –Simulation des vols doiseau (démo) –Robotique distribuée (film) - …

49 Emergence: épistémologie Le système Ses parties Lexploitant Le microscope informatique Bottom-up La nature Top-down Lingénieur

50 Leçon II: Interaction avec lenvironnement Le monde est son meilleur modèle: Il faut incarner la cognition dans les processus sensori-moteurs. Les concepts naissent à partir des interactions sensori- motrices et agissent en support de celles-ci.

51 Applications en robotique Robotique autonome: Softbots: agent autonome sur Internet, pour profiler les utilisateurs et les aider. Pathfinder sur mars

52 Leçon III: apprentissage et adaptation Les systèmes doivent sadapter de manière autonome: –Réseaux de neurones –Apprentissage par renforcement: Améliore des choix par feedback positif et négatif –Algorithme génétique: Optimise des structures complexes par une simple note attribuée à des individus générés par mutation et recombinaison.

53 Algorithme génétique et Dawkins

54

55 Les biomorphes de Dawkins Lhorloger aveugle

56

57 Evoluer des créatures nouvelles, voir la démo cellfish

58 Problème génotype/phénotype Trouver le bon codage Trouver le bon mapping Trouver le bon programme dévelopemental

59 Algorithmes génétiques: applications Obtention rapide et simple dune solution très satisfaisante Optimisation de lespace aérien Ordonnancement, horaire Problème de groupement et de répartition Optimisation réelle et combinatoire, voir la démo TSP Aide à la conception dobjet, aide à lart.

60 La belle boucle La bio a inspiré un ensemble doutils très utile à la bio Les réseaux de neurones pour les microarrays Les algorithmes génétiques pour la prédiction de la forme 3D des protéines …..

61 Applications a IRIDIA: réseaux de neurones et data mining Data Mining Prédiction des séries financières Régulation adaptative: –Moteur à injection directe, optimisation de régulateurs hybrides agissant simplement, localement contrôle du chaos Diagnostic médical automatique Modélisation de processus complexes

62 Emergence Interaction environnementale Apprentissage

63 Conclusions Naissance dun nouveau dialogue entre le simple et le complexe Recherche dune simplicité, souvent dissimulée, mais dont le défrichage, uniquement possible par linformatique, permet une meilleur compréhension et maîtrise des situations complexes Une science et une ingéniérie plus informatique, plus expérimentale, plus « hors contrôle ». Linformatique crée et cherche pour nous. Nous nous bornons à guider et à sélectionner.

64 Pour le philosophe: Tous ces artefacts sont-ils réellement « vivants »


Télécharger ppt "Méthodes numériques dIntelligence Artificielle Cours de 5ème polytech Hugues Bersini + IRIDIA."

Présentations similaires


Annonces Google