Présentation

Article

1 - CONNAISSANCES

2 - RÉSOLUTION DE PROBLÈMES

3 - RAISONNEMENT

4 - AGENTS ET SYSTÈMES MULTIAGENTS

5 - CAPITALISATION ET GESTION DES CONNAISSANCES

6 - MÉTHODES ET OUTILS POUR LE DÉVELOPPEMENT DE SBC

7 - EXEMPLES

  • 7.1 - Domaines d'application
  • 7.2 - Exemples dans l'aide à la conduite de procédés

8 - PERSPECTIVES ET CONCLUSION

Article de référence | Réf : H3740 v2

Agents et systèmes multiagents
Systèmes à bases de connaissances

Auteur(s) : Jean-Paul HATON, Marie-Christine HATON

Relu et validé le 01 mars 2023

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

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’article

ABSTRACT

Knowledge-based systems

The economic importance of artificial intelligence (AI) has increased significantly. This field is related to human activities which are commonly linked to intelligence (perception, decision making, interpreting data, understanding language, etc.) and involves the exploitation of an extensive amount of knowledge. The existing systems are based upon the three main approaches (symbolic, connectionist and statistic). A significant amount of resarch appears to be focused on conceiving knowledge-based systems (KBS) which are able to perform symbolic reasoning. Such systems notably require an appropriate representation mode of useful knowledge as well as efficient systems for the exploitation of such knowledge or reasoning .

Auteur(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.

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

VERSIONS

Il existe d'autres versions de cet article :

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v2-h3740


Cet article fait partie de l’offre

Documents numériques Gestion de contenu

(75 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

ABONNEZ-VOUS

Version en anglais En anglais

4. Agents et systèmes multiagents

La résolution distribuée de problèmes et, plus généralement, l'IA distribuée est un courant de pensée déjà ancien. L'idée de résolution distribuée de problèmes remonte au milieu des années 1970 avec d'une part, les langages d'acteurs et d'autre part, le modèle d'architecture de tableau noir ou blackboard, initialement proposé pour la compréhension automatique de la parole et largement repris par la suite. Dans un système d'IA distribuée, un ensemble d'entités autonomes, appelées agents, interagissent pour mener à bien une tâche contribuant à la résolution d'un problème complexe. Le concept d'agent a été l'objet d'étude, non seulement en IA, mais aussi en philosophie ou en psychologie. Avec le développement actuel de l'Internet, on assiste à l'apparition de nombreuses dénominations, françaises ou anglaises : agent ressource, agent courtier, assistant personnel, agent mobile, agent web, agent interface, chatterbot, softbot, knowbot, avatar, etc.

De façon générale, un agent est une entité informatique, située dans un environnement, et qui agit d'une façon autonome pour atteindre les objectifs pour lesquels elle a été conçue. Ces agents peuvent être aussi des entités physiques (machines, robots manipulateurs, etc.) : le domaine est alors celui des systèmes multirobots.

On peut définir deux grandes catégories d'agents :

  • les agents réactifs dotés de simples réflexes stimulus-action. Dans ce modèle, d'inspiration notamment biologique (abeilles, fourmis, termites, araignées sociales...), des comportements intelligents peuvent émerger des interactions par échanges de signaux entre les agents d'un système ;

  • les agents cognitifs, plus complexes et dotés de capacités de raisonnement sur une base de connaissances (représentation du monde, des autres agents, etc.) et de mécanismes élaborés d'interaction entre agents. Nous nous limitons ici à ce type d'agents.

La figure 5 montre la structure d'un agent cognitif. Un tel agent doit posséder les propriétés suivantes :

  • l'autonomie, la capacité à prendre des initiatives et à agir sans intervention de l'utilisateur final ;

  • la perception de l'environnement ;

  • l'aptitude à communiquer, à échanger et à...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Documents numériques Gestion de contenu

(75 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

ABONNEZ-VOUS

Lecture en cours
Agents et systèmes multiagents
Sommaire
Sommaire

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).

  • ...

1 Outils logiciels

Logic Theorist https://history-computer.com/logic-theorist/

HAUT DE PAGE

2 Sites Internet

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 PAGE

3 Annuaire

HAUT DE PAGE

3.1 Documentation – Formation – Séminaires...

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Documents numériques Gestion de contenu

(75 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

ABONNEZ-VOUS