BIAD Bases de l’Intelligence Artificielle Distribuée Historique de l’IAD et des SMA 8-10-2012

L’Intelligence La notion d’intelligence est une notion ambiguë, source de nombreuses disputes. Qu’est ce que l'intelligence ? Est-ce une caractéristique propre à l’homme? Est-ce la faculté de raisonner, celle d'apprendre et d'exploiter un savoir où celle de percevoir et de manipuler des objets du monde réel ? Comment distinguer intelligence et instinct? Quelle est la part de l’inné et de L’acquis?

L’Intelligence Intelligence vient du latin intellegere, dont le préfixe inter (entre), et le radical legere (lier) suggèrent essentiellement l'aptitude à relier des éléments qui sans elle resteraient séparés. C'est donc la capacité à saisir (et savoir utiliser) des liens entre des éléments disparates, c'est savoir lire au sens le plus large : lire les signes écrits par l'homme (sur le papier ou sur un écran d'ordinateur), mais aussi les signes inscrits dans la nature, voire même des signes au-delà de la nature (intelligence métaphysique),qui sont les éléments constitutifs du langage.

L’Intelligence L'intelligence est la capacité de : réagir avec souplesse aux situations qui se présentent. tirer profit de circonstances fortuites discerner le sens de messages ambigus ou contradictoires juger de l'importance relative de différents éléments d'une situation

L’Intelligence L'intelligence est la capacité de (suit): trouver des similitudes entre des situations malgré les différences qui peuvent les séparer établir des distinctions entre des situations malgré les similitudes qui les rapprochent synthétiser de nouveaux concepts à partir d'anciens concepts assemblés différemment trouver des idées nouvelles

L’Intelligence Artificielle  Le terme d'Intelligence Artificielle (I.A) est apparu pour la première fois en août 1956 au collège de Dortmounth (USA) lors d'une conférence portant sur l'intelligence des ordinateurs et qui a réuni de grands scientifiques tels que J.McCarthy, M. Minsky, C.Shannon, A.Newell, et H.Simon prendre en compte les différents types de représentation de connaissances, Joe Marvin Lee Minsky Claude Elwood Shannon Allen newell Herbert

Artificielle définition C’est à l’occasion de cette conférence que John McCARTHY invente le terme artificial intelligence pour remplacer les terme complex information processing heuristic programming. Durant la conférence, certaines idées maîtresses de ce qui allait devenir l’intelligence artificielle ont été énoncées.

L’Intelligence Artificielle Postulat 1 : chaque aspect de l’apprentissage ou de l’intelligence peut être décrit avec une telle précision qu’une machine pourrait le simuler Postulat 2 : l’esprit humain n’a pas accès direct au monde extérieur, mais ne peut qu’agir grâce à une représentation interne du monde, correspondant à une série de structures symboliques (hypothèse des systèmes de symboles physiques)

L’Intelligence Artificielle Postulat 3 : la pensée consisterait à étendre les structures de symboles, à les briser, à les détruire, à les réorganiser et à en créer de nouvelles. Postulat 4 : l’intelligence est la capacité de manipuler des symboles. Divers supports matériels peuvent donner naissance à de l’intelligence.

Définition Le dictionnaire le Petit Robert en propose une : « I.A., partie de l’informatique qui a pour but la simulation de facultés cognitives afin de suppléer l’être humain pour assurer des fonctions dont on convient, dans un contexte donné, qu’elles requièrent de l’intelligence. »

définition L’I.A en tant que discipline informatique, s’intéresse à rendre l’ordinateur plus habile, avec une intégration de certaines facultés de raisonnement qui sont jusqu’à présent le privilège des êtres humains. On peut définir l’IA comme étant l’ensemble de techniques informatiques qui apportent à l’ordinateur une certaine compétence à résoudre des problèmes qui n’ont pas de solution algorithmique.

Caractéristiques L'I.A investit les nombreux domaines où l'informatique classique n'est pas applicable. Ses caractéristiques majeurs sont : 1- Un programme d'I.A manipule des informations symboliques sous forme de concepts, d'objets ou de règles. En informatique classique on ne traite que des données de type numérique.

Caractéristiques 2- Les systèmes d'I.A utilisent des méthodes heuristiques par opposition aux méthodes algorithmiques classiques. L'utilisation d'heuristiques permet d'aborder les problèmes sans solution algorithmique telle que la perception, la conception ou la prise de décision et les problèmes dont la solution algorithmique est très complexe (exemple les jeux d'échecs).

Caractéristiques 3- Une conséquence de la caractéristique précédente : les systèmes d'I.A emprunte des voies non déterministes dont le succès n'est pas garanti mais que lorsqu'elle marche permet un gain important en temps de calcul. A l'inverse, un algorithme consiste en une description exhaustive de la séquence d'opération à mener pour résoudre un problème donné.

Caractéristiques 4- L'I.A permet le traitement des informations incomplètes et inexactes par le biais de techniques de raisonnement particuliers (approximatif, non monotone, etc.). 5- L'I.A est pluridisciplinaire, elle fait appel aux techniques avancées de l'informatique mais elle puise également des ressources dans la logique, la psychologie cognitives, la linguistique, l'ergonomie, la philosophie, les neurosciences et la biologie.

Caractéristiques L'I.A devrait être caractérise partiellement par: Une aptitude à pouvoir comprendre et raisonner. Une aptitude à acquérir et utiliser des connaissances. Une aptitude de s'adapter à des situations imprévues. Un système d'I.A doit s'exprimer dans le langage de son utilisateur et non dans un langage de l'intelligence artificielle.

Test de Turing(1950) Les machines sont-elles capables de raisonner (penser)?" Est-ce qu'une machine peut avoir un comportement intelligent?" Test : Le jeu d'imitation

Test de Turing(1950) Est-ce que une machine peut Un utilisateur humain ne peut savoir si c'est un humain ou un programme qui répond a une question posée(en écrit). On a prédit qu'en 2000,une machine pourrait avoir 30% de Chance d'erroner un homme pendant 5 minutes Cet argument a anticipe tous les arguments majeurs contre l'IA des 50 années suivantes. Il a aussi prédit que l'acquisition par apprentissage des ordinateurs serait aussi importante pour construire des ordinateurs performants En 2007 aucun ordinateur n'a passé le test de Turing. (Malgré ELIZA…)

Test de Turing(1950) Problème: Le test de Turing n'est ni reproductible ni Constructif ni accessible a l'analyse mathématique

Test de Turing(1950) caractéristiques du programme: Traitement de la langue Compréhension de texte (analyse) Génération de textes (production) Représentation des connaissances Raisonnement Inférences Apprentissage

Schéma simplifié d’un système à bases de connaissances Système à base de connaissances De tels systèmes nécessitent: une représentation adéquate des connaissances des mécanismes efficaces d’exploitation de ces connaissances, ou de raisonnement Mécanisme(s) d’exploitation (raisonnement) Base(s) de connaissances Schéma simplifié d’un système à bases de connaissances

Système à base de connaissances Les connaissances peuvent être : les objets du monde réel; les assertions et les définitions sur ces objets; les concepts qui sont des agrégations ou généralisations des objets; les relations entre les objets ou les concepts; les théorèmes et les règles de réécriture (qui possèdent la particularité d'être sûrs);

Système à base de connaissances les méthodes de résolution; les stratégies et les heuristiques: règles de comportement innées ou acquises; la méta connaissance : la connaissance sur la connaissance d'un problème donné.

les catégories des connaissances 6 catégories des connaissances qui sont : Connaissances de définition Exemple : "Un triangle est un polygone ayant exactement trois cotés ". Connaissances évolutives Exemple : " Pierre est de 80 cm de taille " (aujourd'hui). Connaissances incertaines Exemple : " Clovis est né en 465 après J.C ". après Jésus-Christ

les catégories des connaissances Connaissances vagues Exemple : " les jeunes élèves sont turbulents ". (Jeunes =? turbulents = ?). Connaissances typiques Exemple : " habituellement, chaque période d'enseignement est consacrée à une seule matière". Connaissances ambiguës Exemple : "Avant le conseil de classe, le professeur savait que trois élèves redoubleraient". Est-ce le nombre global, ou bien 3 cas particuliers connus individuellement ? Est-ce trois exactement, ou au moins trois ? après Jésus-Christ

Modes de représentation des connaissances Les représentations logiques  Les réseaux sémantiques Les règles de production  Les objets structurés  Logique propositionnelle Logique des prédicats Les Frames Le script

I.3. Paradigmes de Représentation des connaissances Modes de représentation des connaissances Logique propositionnelle (ordre 0) I.3. Paradigmes de Représentation des connaissances L’assertion 3 est supérieur à 2 est une proposition logique ayant la valeur vraie. Plusieurs connecteurs logiques sont utilisés pour combiner des propositions élémentaires, tel que : ET, OU, NON, , . La règle utilisée pour exploiter une base de connaissances en logique propositionnelle est dite « règles de MODUS PONENS ». Elle déclare que : Si x est vrai et si l’implication x  y est vrai, alors y est vrai. Cela se traduit formellement par: (x, (x y)) y. Exemple  Quand le ciel est bleu, le soleil brille (x  y) Or le ciel est bleu ( x ) Donc le soleil brille ( y ).

I.3. Paradigmes de Représentation des connaissances Modes de représentation des connaissances Logique des prédicats (ordre 1) I.3. Paradigmes de Représentation des connaissances Certaines insuffisances exprimées par la logique des propositions telles que les relations entre les objets, la précision de la portée de certaines assertions (généralisation des relations), particularisation des objets sont prises en considération par la logique des prédicats. Exemple Assertion : si x est père de y et y est père de z alors x est grand-père de z. La Formule Bien Formée :  x, z, y [père (y, x) et père (z, y) ] grand-père (z, x) Une base de connaissances est un ensemble de formules bien formées (FBF) ainsi que des règles sémantiques qui relient ces FBF aux domaines d’application. Parmi les règles d’inférences utilisées il y a : La règle de détachement ou MODUS PONENS donnée par : Si ( P = Q) et ( P ) alors Q La spécialisation universelle ou substitution qui à partir d’une FBF de la forme : (x) (F(x)) et de n’importe quel terme « a » permet d’obtenir la FBF (F(a)). En d’autres termes, toutes les occurrences de x dans F sont remplacées par « a » (x F(x)) = F(a)

Modes de représentation des connaissances Les réseaux sémantiques Étudiant L'université Humain Marche L’eau Est_inscrit_à Est-un boit Se-déplace

Modes de représentation des connaissances Le Frame L’idée générale de cette nouvelle approche est résumée par Minsky : «  Lorsqu’on rencontre une situation nouvelle, on sélectionne dans la mémoire une structure réelle qui est un frame (cadre ). FRAME : Chaise HERITAGE :Meuble ATTRIBUT: Style -du -dossier : doit- être : droit, rembourré Nombre -de-pieds : doit- être : entier Par- défaut : 4 Nombre -de-bras : doit- être : 0,1,2 FIN.

Modes de représentation des connaissances Le Script La théorie des scripts (scénarios) a été proposée par SCHANCK et ABELSON comme une spécialisation des frames pour décrire non pas des objets mais des scènes de la vie courante. SCRIPT " manger- au- restaurant" ELEMENTS: (restaurant, agent, nourriture, menu, tables, chaises) ROLES: (clients, serveur, chefs) POINT- DE- VUE: clients MOMENT : (heure d’ouverture du restaurant) LIEU : (emplacement du restaurant) Scénario: D’abord : script « Entrer restaurant » Puis : script « Attirer -l’attention -du –client- de- restaurant » Puis : script « Prendre- place- à- table » Puis : script « Passer- commande » Puis : script « Manger » sauf si (longue attente) alors script « Sortie- en- colère » Puis : si qualité nourriture >convenable) alors script « Féliciter- le chef » Puis : script « Payer- l’addition » Enfin : script « Quitter-restaurant ».

Comment choisir une bonne représentation ? En fonction de l’application, le concepteur de système prend en compte un certain nombre de critères parmi les suivants: Transparence : se caractérise par la facilité à éditer et vérifier la connaissance à développer, Conceptualisation : Il s’agit d'établir un morphisme entre ce que l’on veut représenter et ce que l’on a effectivement représenté. Efficacité de programmation : l’efficacité de programmation consiste à minimiser la place mémoire et le temps de traitement.

Comment choisir une bonne représentation ? Combinatoire : chercher à proposer une représentation qui ne génère pas un nombre trop grand. Modularité : c'est la facilité à changer des parties de la connaissance sans avoir à changer le reste. Equilibre déclaratif / procédural : il est souvent utile de pouvoir repérer où sont les données et où sont les programmes. Equilibre implicite/explicite : il est parfois nécessaire de bien cerner ce qui est à stocker en mémoire et ce qui est à calculer.

Comment choisir une bonne représentation ? Etendu de la représentation : la représentation choisie sera utilisable sur une étendue de connaissances qu’il est important de bien identifier (domaine d'application). Imprécision, incertitude et incomplétude : comment représenter la connaissance imprécise, incertaine et/ou incomplète ? Niveau de granularité : est ce que les symboles ou les expressions sont au bon niveau de détail? Une coopération étroite entre l’expert et l’informaticien est absolument nécessaire.

Comment choisir une bonne représentation ? Généralité : peut-on générer des extensions naturelles du problème initial ? En d’autres termes, peut-on généraliser la résolution d’un problème particulier.

Le raisonnement en Intelligence artificielle Le raisonnement dans un système à bases de connaissances peut être schématisé comme un enchaînement de découvertes d’éléments de connaissances s’appuyant sur les informations connues, menant au but recherché. Un mode de représentation est en général restreint à un ou à un nombre limité de types de raisonnement.

Aspects du raisonnement Raisonnement logique Raisonnement Approximatif Raisonnement Temporel Raisonnement hypothétique et maintien de vérité Raisonnement qualitatif Raisonnement par classification Raisonnement par analogie Raisonnement par cas Raisonnement distribué Flou Le raisonnement qualitatif est une branche de l’I A visant à prédire et à expliquer le comportement d’un système en l’absence d’informations numériques complètes caractérisant ce système.

Une nouvelle IA: l’IA Distribuée 1970 : Création de l’Intelligence Artificielle Distribuée Objectif : Créer une société d’agents autonomes travaillant ensemble pour aboutir à un objectif global

Intelligence Artificielle Distribuée L'IAD s’intéresse à des systèmes dans lesquels des agents artificiels opèrent collectivement et de façon décentralisée pour accomplir une tâche

Résolution distribuée Causes d’apparition de ’I.A.D Résolution distribuée de problèmes Résolution de problèmes distribués Résolution par coordination Distribuer L’I.A I.A.D

Pourquoi distribuer l’I.A ? Les raisons de la distribution de l'intelligence artificielle peuvent répondre aux investigations suivantes: Simplifier les applications informatiques distribuées Résolution distribuée de problèmes Résolution d’une tâche complexe par un ensemble de spécialistes ayant des compétences complémentaires, L’expertise est distribuée mais le domaine ne l’est pas, Ex : diagnostic médical, conception de produit, reconnaissance de formes…

Pourquoi distribuer l’I.A ? Résolution de problèmes distribués Le domaine est distribué, Analyse, identification, contrôle de systèmes physiquement distribués, Ex : contrôle de réseau de communication, contrôle d’un réseau routier. Résolution par coordination L’expertise par coordination, Surmonter des problèmes d’interface utilisateur, Ex : affectation de tâches dans un atelier.

Pourquoi distribuer l’I.A ? Un paradigme de recherche en intelligence artificielle Cette une motivation importante portée à la recherche sur les agents: convergence en I.A qui bénéficie de l’orientation vers l’I.A.D suite à l’échec de l’approche centralisée de l’I.A classique [WOO 94].

II.3 Thèmes de recherche de l’IAD Trois Axes Fondamentaux : II.3 Thèmes de recherche de l’IAD 1. L’Intelligence Artificielle Parallèle (IAP) 2. La Résolution Distribuée des Problèmes (RDP) 3. Les Systèmes Multi-Agents (SMA) Approche IA classique Approche IA distribuée -SMA Multiple interaction système avec le problème multi agents Système intelligent monolithique Problème complexe

L’IAD Contrairement à L’IA classique qui s’appuie sur la concentration de l’expertise et du raisonnement à un système simulant un raisonnement humain L’IAD considère que la résolution des problèmes complexes nécessite : la distribution du contrôle la distributions des connaissances la distributions des informations nécessaires parmi une communauté d’acteurs (Agents).

Thèmes de recherche de l’IAD Trois Axes Fondamentaux : 1. Les Systèmes Multi-Agents (SMA) Faire coopérer un ensemble d’agents dotés d’un comportement intelligent et de coordonner leurs buts et leurs plans d’actions pour la résolution d’un problème. 2. La Résolution Distribuée des Problèmes (RDP) Comment diviser un problème particulier sur un ensemble d’entités distribuées et coopérantes et comment partager la connaissance du problème et d’en obtenir la solution. 3. L ’Intelligence Artificielle Parallèle (IAP) Concerne le développement de langages et d ’algorithmes parallèles pour l ’IAD.

Problèmes de base en IAD (1) Six Problèmes essentiels (Bond et Gasser en 88, 91) : 1. Comment formuler, décrire, décomposer, allouer des problèmes et synthétiser les résultats parmi un groupe d’agents. 2. Comment permettre aux agents de communiquer et d ’interagir quels langages ou protocoles de communication utiliser, quoi et quand communiquer. 3. Comment s’assurer que les agents agissent d’une manière cohérente dans la phase de prise de décisions ou d’exécution d’actions en évitant les interactions nuisibles.

Problèmes de base en IAD (2) 4. Comment s’assurer que les agents individuels représentent et raisonnent au sujet des actions, des plans et de la connaissances des autres agents afin qu’ils puissent être coordonnées entre eux. 5. Comment reconnaître et réconcilier des points de vue dispersés et des intentions conflictuelles parmi une collection d’agents qui essayent de coordonner leurs actions. 6. Comment construire des systèmes d’IAD pratiques; comment créer des plates-formes et des méthodologies de développement pour l’IAD.

Définition de système multi-agents Un système multi-agents est une communauté d’agents autonomes travaillant en commun, selon des modes parfois complexes de coopération, conflit, concurrence, pour aboutir à un objectif global : la résolution d’un problème, l’établissement d’un diagnostic

L’Intelligence Artificielle définition Relations Agent Opérations Objets Opérateur