Techniques de l’intelligence artificielle

Présentation au sujet: "Techniques de l’intelligence artificielle"— Transcription de la présentation:

1 Techniques de l’intelligence artificielle
11 Mars 2014 t oliviergeorgeon.com

2 Déroulement de l’UE Responsable de l’UE: Alain MILLE Evaluation:
11 mars Olivier Georgeon 18 mars INTELLIGENCE ARTIFICIELLE 25 mars DEVELOPPEMENTALE 1 avril 8 avril Alain Mille 15 avril RAISONNEMENT A PARTIR DE CAS Rendu projet 22 avril 29 avril Nadia Kabachi 6 mai VACANCES 13 mai 20 mai SYSTEMES MULTI AGENTS 1 27 mai Samir Aknine 3 juin SYSTEMES MULTI AGENTS 2 10 juin 17 juil 24 juin Exam Responsable de l’UE: Alain MILLE Evaluation: - Projets: 2/3 - Exam: 1/3 oliviergeorgeon.com

3 Initiation à l’intelligence artificielle développementale
11 Mars – 1 avril 2014 (10h) oliviergeorgeon.com

4 Vieux rêve de l’IA Instead of trying to produce a program to simulate the adult mind, why not rather try to produce one which simulates the child's? If this were then subjected to an appropriate course of education one would obtain the adult brain. Presumably, the child brain is something like a notebook […]. Rather little mechanism, and lots of blank sheets. […]. Our hope is that there is so little mechanism in the child brain that something like it can be easily programmed. The amount of work in the education we can assume, as a first approximation, to be much the same as for the human child. Computing machinery and intelligence (Alan Turing, 1950, Mind, philosophy journal). oliviergeorgeon.com

5 Est-ce même possible? Non ? Oui ?
Théories spiritualiste de la conscience. Théories de l’ouverture causale de la réalité physique. Trop complexe. … Théorie matérialiste de la conscience (Julien Offray de La Mettrie, ). La conscience comme processus computationnel (Chalmers 1994) oliviergeorgeon.com

6 Plan Exemple Outils théorique Travaux pratiques
Demo d’apprentissage développemental. Outils théorique Poser le problème. La question de l’auto-programmation. Travaux pratiques Développez votre agent auto-programmant. oliviergeorgeon.com

7 Couplage agent/environnement
6 “expériences” 2 résultats 10 Interactions (avec valeurs) i1 (5) i2 (-10) 0 1 i3 (-3) i4 (-3) i5 (-1) i6 (-1) 1 0 i7 (-1) i8 (-1) 0 1 i9 (-1) i10 (-1) 0 1 I existe des régularités séquentielles hiérarchiques d’interaction, par exemple: Après i , i peut à nouveau être effectué. Après i7 , tentatives de i1 or i2 provoque plus souvent i que i Après i , séquence i9, i3, i1 peut souvent être effectuée. Après i9, i3, i1, i8 , i4, i7, i1 peut souvent etre effectuée. oliviergeorgeon.com

8 Exemple 1: Avance / collision (5) (-10) Tournes gauche/droite (-3)
Touche droite/devant/gauche (-1) Bump: Touch: oliviergeorgeon.com

9 Outils théoriques Philosophie de l’esprit.
Epistémologie (théorie de la connaissance) Psychologie développementale. Biologie (autopoiese, enaction). Neurosciences. oliviergeorgeon.com

10 Philosophie : Est-ce possible?
John Locke (1632 – 1704) « Tabula Rasa » La Mettrie ( ). « La matière peut penser » David Chalmers A Computational Foundation for the Study of Cognition (1994) Daniel Dennett Consciousness explained (1991) Libre arbitre, choix individuel, motivation propre, déterminisme. oliviergeorgeon.com

11 Idées philosophiques clés pour l’IAD
La cognition comme computation au sens large. Dispositif causal Exemple: un réseau de neurone avec de la chimie (neurotransmetteurs, hormones etc). Le déterminisme n’est pas incompatible avec le libre arbitre. Ne pas confondre déterminisme et prédictibilité. Hervé Zwirn (Les systèmes complexes, 2006) oliviergeorgeon.com

12 Epistémologie (que puis-je connaître?)
Concept d’ontologie L'étude de l'être en tant qu'être Aristote (384 – 322 avant JC). Onto: « étant », Logos: discours. c'est-à-dire l'étude des propriétés générales de tout ce qui est. La réalité en tant que telle est inconnaissable Emmanuel Kant, (1724 – 1804) oliviergeorgeon.com

13 Idées épistémologiques clés pour l’IAD
Implémenter des systèmes sans présupposés ontologiques. Agents agnostics (Georgeon 2012). L’agent ne pourra jamais connaître son environnement tel que nous le voyons. Mais avec présupposés interactionnels Prédéfinir les possibilités d’interaction entre l’agent et son environnement Laisser l’agent construire sa propre ontologie de l’environnement au fur et à mesure de son expérience d’interaction. oliviergeorgeon.com

14 Psychologie développementale Comment puis-je connaitre?
Apprentissage développemental Jean Piaget (1896 – 1980) Téléologie / principes motivationnels ”l’individu s'auto-finalise de manière récursive”. Ne pas séparer perception et action a priori: Notion de schème sensorimoteur Epistémologie contructiviste Jean-Louis Le Moigne ( ) Ernst von Glasersfeld. La connaissance est une adaptation fonctionnelle. oliviergeorgeon.com

15 Etapes développementales indicatives
Mois 4: prédictions « Bayésiennes ». Mois 5: modèles des mouvements des mains. Mois 6: reconnaissance des objets et des visages. Mois 7: persistance des objets. Mois 8: modèles dynamiques des objets. Mois 9: usage d’outils (amène une tasse à la bouche) Comportements de pointage d’objets. Mois 10: Imite les mouvements, rampe. Mois 11: marche avec l’aide d’un adulte. Mois 15: marche seul. oliviergeorgeon.com

16 Idées psychologiques clés pour l’IAD
Raisonner sur les « intéractions » plutôt que séparer perception et action. Définir un niveau intermédiaire de l’intelligence: Cognition sémantique (Manzotti & Chella 2012) Raisonnement et langage Haut niveau Cognition sémantique Niveau intérmédiaire Adaptation stimulus-réponse Bas niveau oliviergeorgeon.com

17 Théorie de la vie (pourquoi connaître?)
Autopoiese auto: soi, poièse : création Maturana (1972) Couplage structurel agent/environnement. Domaine relationnel (espace des possibilités d’interaction) Homéostasie Régulation de l’état interne Motivation propre Théorie de l’enaction « to enact » mettre en œuvre. Auto organisation par interaction avec l’environnement. Enactive Artificial Intelligence. Froeze and Ziemke (2009). oliviergeorgeon.com

18 Idées Enactivistes clés pour l’IAD
L’autonomie constitutive est nécessaire pour la construction de sens. Evolution des possibilités d’interaction au cours de la vie du système. Individuation de la façon de voir le monde. Faire des systèmes capables de s’auto-programmer. Les données apprises ne sont pas de simples valeurs de paramètres ou de pondération, ce sont des données exécutables. oliviergeorgeon.com

19 Neurosciences Multiples niveaux d’analyse Beaucoup de plasticité
ET beaucoup de pré-câblage oliviergeorgeon.com

20 Neuroscience Connectome du C. Elegans: 302 neurones.
Connectome entièrement inné plutôt qu’acquis par l’expérience oliviergeorgeon.com

21 Human connectome http://www.humanconnectomeproject.org
oliviergeorgeon.com

22 Neurosciences Exemples de cerveaux de mammifères
Il n’y a pas de rupture qualitative: les fonctions cognitives humaines (langage raisonnement) sont basées sur des fonctions cérébrales également existantes chez d’autres mammifères. Mais il y a des différences innées. Le cerveau sert à organiser les comportements dans le temps et l’espace. oliviergeorgeon.com

23 Idées de neurosceinces clés pour l’IAD
Renoncer à l’espoir que ce sera simple. Commencer à un niveau assez élevé et descendre si ca ne marche pas ? Le vivant peut être source d’inspiration Architecture cognitive bio-inspirée. Importance de la capacité de simulation interne de comportements. oliviergeorgeon.com

24 Les idées clé des idées clé
Le but est d’apprendre (découvrir, organiser et exploiter) des régularités d’interaction dans le temps et l’espace pour favoriser des critères innés (survie, etc.). Sans encoder de connaissances ontologiques présupposées. En permettant une certaine autonomie constitutive (auto-programmation). oliviergeorgeon.com

25 Exemples oliviergeorgeon.com

26 Couplage agent/environnement
6 “expériences” 2 résultats 10 Interactions (value) i1 (5) i2 (-10) 0 1 i3 (-3) i4 (-3) i5 (-1) i6 (-1) 1 0 i7 (-1) i8 (-1) 0 1 i9 (-1) i10 (-1) 0 1 I existe des régularités séquentielles hiérarchiques d’interaction, par exemple: Après i , i peut à nouveau être effectué. Après i7 , tentatives de i1 or i2 provoque plus souvent i que i Après i , séquence i9, i3, i1 peut souvent être effectuée. Après i9, i3, i1, i8 , i4, i7, i1 peut souvent etre effectuée. oliviergeorgeon.com

27 Exemple 1: Avance / collision (5) (-10) Tournes gauche/droite (-3)
Touche droite/devant/gauche (-1) Bump: Touch: oliviergeorgeon.com

28 Exemple de trace oliviergeorgeon.com

29 Exemple 2 oliviergeorgeon.com

30 Travaux dirigés 1ere partie. Salles TP6 et TP6 Groupes de 2
oliviergeorgeon.com

31 Exercice Deux expériences possibles E = {e1,e2}
Deux résultats possibles R = {r1,r2} Quatre interactions possibles E x R = {i11, i12, i21, i22} Environnements env1: e1 -> r1 , e2 -> r2 (i12 et i21 ne se produisent jamais) env2: e1 -> r2 , e2 -> r1 (i11 et i22 ne se produisent jamais) Systèmes motivationnels : mot1: v(i11) = v(i12) = 1, v(i21) = v(i22) = -1 mot2: v(i11) = v(i12) = -1, v(i21) = v(i22) = 1 mot2: v(i11) = v(i21) = 1, v(i12) = v(i22) = -1 Implémenter un agent qui apprenne à effectuer les interactions positives sans connaître à priori son système motivationnel (mot1 ou mot2) ni son environnement (env1 ou env2). Produire un rapport d’analyse de comportement basés sur les traces. oliviergeorgeon.com

32 Pas de connaissance de l’environnement a priori
Agen{ … public Experience chooseExperience(){ If (env == env1 and mot == mot1) or (env == env2 and mot == mot2) return e1; else return e2; } oliviergeorgeon.com

33 Implémentation public static Experience e1 = new experience(); Experience e2 = new experience(); public static Result r1 = new result(); Result r2 = new result(); public static Interaction i11 = new Interaction(e1,r1, 1); etc. Public static void main() Agent agent = new Agent(); Environnement env = new Env1(); // Env2(); for(int i=0 ; i < 10 ; i++) e = agent.chooseExperience(r); r = env.giveResult(e); System.out.println(e, r, value); Class Agent public Experience chooseExperience(Result r) Class Environnement public Result giveResult(experience e) Class Env1 Class Env2 Class Experience Class Result Class Interaction(experience, result, value) public int getValue() oliviergeorgeon.com