Présentation
EnglishRÉSUMÉ
L'intelligence artificielle (IA) a vu son importance économique s'accroître considérablement. Ce sujet relève d'activités humaines communément liées à l'intelligence (perception, prise de décision, interprétation de données, compréhension du langage…) et met en jeu l’exploitation d'une grande quantité de connaissances. Les trois grandes approches (symbolique, connexionniste et statistique) sont à la base des systèmes actuels. La conception de systèmes à bases de connaissances (SBC) capables de réaliser des fonctions de raisonnement symbolique semble actuellement focaliser une part importante des recherches. De tels systèmes nécessitent en particulier un mode de représentation adéquat des connaissances utiles ainsi que des mécanismes efficaces d'exploitation de ces connaissances ou de raisonnement.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Jean-Paul HATON : Professeur à l'Université de Lorraine - LORIA/INRIA - Membre de l'Institut universitaire de France
-
Marie-Christine HATON : Professeur à l'Université de Lorraine - LORIA/INRIA
INTRODUCTION
L'intelligence artificielle (IA), par sa capacité à s'attaquer à des classes de problèmes différents de ceux traités par l'informatique classique, a vu son importance économique s'accroître considérablement. Ces problèmes relèvent d'activités humaines communément liées à l'intelligence (perception, prise de décision, planification, diagnostic, interprétation de données, compréhension du langage, conception) et présentent la particularité commune de mettre en jeu une exploitation raisonnée d'une grande quantité de connaissances, pour l'essentiel spécifiques du domaine étudié et acquises auprès d'experts.
Parallèlement, l'IA est entrée dans la culture populaire, à travers notamment de nombreux ouvrages et films de fiction et des jeux se situant souvent dans des mondes virtuels. De même, quelques succès récents, notamment la victoire du programme de jeu d'échecs Deep Blue contre le champion du monde G. Kasparov et la mission du robot martien Mars Rover, ont médiatisé certains aspects de l'IA.
Dès l'apparition de l'ordinateur, Alan Turing et d'autres chercheurs émirent l'hypothèse qu'il était possible d'automatiser des raisonnements à l'aide d'algorithmes généraux fondés sur un ensemble de règles logiques appliquées à des structures symboliques, à la suite des travaux sur la logique mathématique. Les systèmes formels ont montré leurs limites intrinsèques (en particulier avec les travaux de Gödel et de Church) pour la modélisation du raisonnement. La nécessité de restreindre un raisonnement à un champ d'application bien délimité et d'appuyer ce raisonnement sur des connaissances de nature diverse est ainsi apparue très tôt en IA. Cette approche symbolique de l'IA a donné lieu aux systèmes à bases de connaissances.
Une autre approche, que l'on peut qualifier de connexionniste, est apparue de façon concomitante dès le début de l'IA au cours des années 1950. Elle revient à s'inspirer du fonctionnement du cortex cérébral. L'entité de base est un modèle du neurone, un système étant formé par l'interconnexion d'un grand nombre de tels « neurones » (le modèle le plus couramment utilisé est le neurone formel proposé par McCulloch et Pitts en 1943). Il s'agit d'une modélisation très rudimentaire du fonctionnement du neurone, dans laquelle l'accumulation des activités synaptiques du neurone est assurée par une simple sommation pondérée. L'interconnexion d'un ensemble de telles unités fournit un système connexionniste neuromimétique, appelé aussi réseau neuronal, qui présente des propriétés intéressantes. La principale de ces propriétés est certainement la capacité qu'a le réseau d'apprendre à partir d'exemples. De tels réseaux sont utilisés dans divers domaines : lecture optique de textes, de codes postaux ou de signatures, diagnostic de pannes, contrôle qualité, réglage de procédés industriels, estimations boursières, prévision du temps en météorologie, etc.
Par ailleurs, des modèles probabilistes et statistiques sont de plus en plus souvent mis à profit pour rendre compte de la variabilité des phénomènes étudiés. C'est notamment le cas en reconnaissance automatique de formes (parole, caractères écrits…), mais aussi en raisonnement, notamment avec les modèles markoviens et les réseaux bayésiens. Ces modèles, tout comme les modèles neuromimétiques, sont capables d'apprendre à partir d'exemples, mais l'apprentissage consiste ici à mémoriser des distributions de probabilité à l'aide d'algorithmes souvent complexes mais dont les propriétés sont parfaitement connues.
Ces trois grandes approches (symbolique, connexionniste et statistique) sont à la base des systèmes actuels. La conception de systèmes à bases de connaissances (SBC) capables de réaliser des fonctions de raisonnement symbolique constitue ainsi une part importante des recherches et des développements en IA. De tels systèmes nécessitent en particulier une représentation adéquate des connaissances utiles ainsi que des mécanismes efficaces d'exploitation de ces connaissances ou de raisonnement. C'est cet aspect de l'IA qui est traité dans ce dossier.
Dans un premier temps sont envisagés les modes de représentation des connaissances utilisés dans les SBC : représentations logiques, réseaux sémantiques, règles de production, objets structurés, modèles, graphes causaux, ontologies.
Le paragraphe suivant est consacré à la démarche de résolution de problèmes complètement formalisés, tout d'abord dans une approche générale puis dans le cadre des problèmes avec contraintes. La fin de ce paragraphe traite du problème de la planification qui requiert des techniques particulières.
Sont ensuite présentés divers modes de raisonnement.
La coopération et la concurrence entre agents, qui constituent un univers de recherche et de développement important, sont ensuite développées.
Un domaine important pour le monde économique est celui de la capitalisation des connaissances et de la mémoire d'entreprise. À ce propos, nous traitons de méthodes comme la fouille de données et l'apprentissage automatique.
Nous envisageons ensuite les outils pour le développement de systèmes à bases de connaissances, avant de donner des indications sur les développements actuels puis quelques perspectives et conclusions.
VERSIONS
- Version archivée 1 de févr. 2000 par Jean-Paul HATON, Marie-Christine HATON
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Bases de données > Systèmes à bases de connaissances
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Systèmes à bases de connaissances
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Big Data > Systèmes à bases de connaissances
Cet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Cet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
BIBLIOGRAPHIE
-
(1) - CHEN (C.H.) - Fuzzy logic and neural network handbook. - McGraw Hill (1996).
-
(2) - DUCOURNAU (R.) et al - Langages et modèles à objets. - INRIA, Collection Didactique (1998).
-
(3) - FERBER (J.) - Les systèmes multi-agents : vers une intelligence collective. - InterEditions (1995).
-
(4) - GANASCIA (J.-G.) - L'intelligence artificielle. - Le cavalier bleu (2007).
-
(5) - GHALLAB (M.), MILANI (A.), eds - New directions in AI planning. - IOS Press (1996).
-
(6) - HATON (J.P.) et coll - Le raisonnement en intelligence artificielle – Modèles, techniques et architectures pour les systèmes à bases deconnaissances. - InterEditions, Paris (1991).
-
...
ANNEXES
Logic Theorist https://history-computer.com/logic-theorist/
HAUT DE PAGE
AFIA Association Française d'IA (très riche et donnant en particulier des thèses récentes en IA) http://www.afia.asso.fr
ECCAI European Coordinating Committee for Artificial Intelligence (permet d'accéder aux sites de toutes les associations d'IA des pays européens) http://www.eccai.org/
Interstices (site géré par l'INRIA proposant des articles dans tous les domaines des STIC et pas seulement en IA) http://interstices.info/jcms/jalios_5127/accueil
AAAI Association for the Advancement of Artificial Intelligence (également très riche) http://www.aaai.org
HAUT DE PAGECet article fait partie de l’offre
Documents numériques Gestion de contenu
(76 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive