2. Notion de modèle ; métrique pour le traitement d information et pour la cognitique

Dimension: px

Commencer à balayer dès la page:

Download "2. Notion de modèle ; métrique pour le traitement d information et pour la cognitique"

Georgette Catherine Milot
il y a 7 ans
Total affichages :

1 AIC-Automatisation avancée, intelligence artiicielle et cognitique. Notion de modèle ; métrique pour le traitement d inormation et pour la cognitique Jean-Daniel Dessimoz HEO.HEIG-VD, J.-D. Dessimoz, AIC-Automatisation avancée, intelligence artiicielle et cognitique Contenu Introduction Notion de modèle ; métrique pour le traitement d inormation et pour la cognitique Choix d une structure de commande Intelligence artiicielle Commande à logique loue Commande neuronale Commande multimodale Commande à algorithme génétique Robots mobiles autonomes Conclusion HEO.HEIG-VD, J.-D. Dessimoz, 4.0.0

2 Contenu des Exposés et exercices Notion de modèle ; métrique pour le traitement d inormation et pour la cognitique Choix d une structure de commande Intelligence artiicielle Commande à logique loue Commande neuronale Commande multimodale Commande à algorithme génétique Robots mobiles autonomes Réserve et contrôle continu (TE, corr.) 4p p p p p p p 4p 6p HEO.HEIG-VD, J.-D. Dessimoz, Travaux de laboratoire associés Estimation de grandeurs cognitives (essais en simulation avec programmes d évitement d obstacles) Test d intelligence artiicielle selon Turing et utilisation d Eliza Commande neuronale Commande à logique loue Commande à algorithme génétique Commande multimodale Robot mobile autonome AIC- AIC- AIC-3 AIC-4 AIC-5 AIC-6 AIC-7 ur demande, l étudiant peut échanger l une des manipulations ci-dessus par un autre sujet (c. manipulations LaRA) HEO.HEIG-VD, J.-D. Dessimoz,

3 AIC-Automatisation avancée, intelligence artiicielle et cognitique Contenu Introduction Notion de modèle ; métrique pour le traitement d inormation et pour la cognitique Choix d une structure de commande Intelligence artiicielle Commande à logique loue Commande neuronale Commande multimodale Commande à algorithme génétique Robots mobiles autonomes Conclusion HEO.HEIG-VD, J.-D. Dessimoz, Déinition de la notion de modèle Modèle Réalité Un modèle, c est généralement une représentation simpliiée de la réalité ; typiquement élaborée pour atteindre un certain but. M M Mn But But But n Diode réelle Exemple : diode au cours d électricité En comptabilité En art HEO.HEIG-VD, J.-D. Dessimoz,

4 Déinition de la notion de modèle Un modèle est une structure simple en termes cognitis. Lorsqu il représente la réalité, il est toujours très incomplet, même si l on se ocalise sur un domaine limité. HEO.HEIG-VD, J.-D. Dessimoz, Déinition de la notion d inormation sens modèle Domaine émetteur message récepteur L inormation (transmise sous orme de messages) permet à un récepteur de se construire une représentation (modèle) de la réalité (domaine) et de la mettre à jour. HEO.HEIG-VD, J.-D. Dessimoz,

5 Estimation de la quantité d inormation Quantité d'inormation contenue dans un message (le message j), de probabilité connue, p j : Q j = log (/ p j ) [bit] Binary digit Quantité moyenne d'inormation contenue dans N messages: Q moyen = j= à N (p j log (/ p j )) [bit] Equiprobabilité: Q = log ( N) [ bit] HEO.HEIG-VD, J.-D. Dessimoz, Remarques ouvent, la ormule inverse le signe du logarithme au lieu d inverser la probabilité : Q j = log (/ p j ) = - log (p j ) [bit] Changement de base pour logarithme : log log N = log ( ) 0 0 ( N) ( ) HEO.HEIG-VD, J.-D. Dessimoz,

6 Exemple: Pile ou ace Quelle est la quantité moyenne d inormation par lancer dans le cas d une pièce (pile ou ace)? HEO.HEIG-VD, J.-D. Dessimoz, Exemple du pile ou ace CORR de Quelle est la quantité moyenne d inormation par lancer dans le cas du dé à 6 aces? olution, Equiprobabilité: ( N) = log ( ) [ bit] Q = log = HEO.HEIG-VD, J.-D. Dessimoz,

7 Exemple du pile ou ace CORR de olution, Formule générale: N Q = N log & $ $ $ % N #!! =! " log ( ) + log ( ) = [ bit] HEO.HEIG-VD, J.-D. Dessimoz, Cas du signal analogique Quantiication: Echantillonage: N V = Br e > max HEO.HEIG-VD, J.-D. Dessimoz,

8 Du continu au discret Quantiication: NV = Br Q courbe 0*6 = 60 bit Echantillonage: e > max HEO.HEIG-VD, J.-D. Dessimoz, Théorie - cas normal pectre d un signal éch. analogique, 0 max e e échantillonné, éch. 0 max e e paraitement reconstruit. HEO.HEIG-VD, J.-D. Dessimoz,

9 Théorie - ous-échantillonnage pectre d un signal analogique, éch. 0 max e e échantillonné correctement souséchantillonné. HEO.HEIG-VD, J.-D. Dessimoz, Théorie Reconstruction bonne ou simpliste éch. pectre d un signal analogique, 0 max e e échantilloné, éch. 0 max e e paraitement reconstruit, éch. 0 max e e reconstruit avec simple maintien HEO.HEIG-VD, J.-D. Dessimoz,

10 Reconstruction bonne ou simpliste? ignal numérique plus* ou moins** bien reconstruit * à droite ** à gauche et au centre A. Imgrut et D. chmidt, EIT5-003 HEO.HEIG-VD, J.-D. Dessimoz, Débit d'inormation D = Q /dt [bit/s] D = ' % & Br ( N ) = log % " [ bit s] e log v max / $ " # HEO.HEIG-VD, J.-D. Dessimoz,

11 Cognition - La cognition décrit la aculté générale d un système à générer l inormation pertinente de açon dynamique, à la demande (cas de droite), sans l avoir «toute aite», «prémâchée», déjà disponible au préalable en mémoire (cas de gauche). - Le terme désigne aussi l ensemble des processus concernés.! HEO.HEIG-VD, J.-D. Dessimoz, Déinition des grandeurs cognitives HEO.HEIG-VD, J.-D. Dessimoz, 4.0.0

12 Déinition des grandeurs cognitives HEO.HEIG-VD, J.-D. Dessimoz, Modèle comportemental ou «boîte noire» des systèmes cognitis I in système cogniti I out - physico-chimique - électronique - mécanique - etc. Le modèle comportemental, ou «boîte noire», se caractérise essentiellement par les lux d inormation en entrée et en sortie; le modèle est applicable à diérents niveaux de détails HEO.HEIG-VD, J.-D. Dessimoz, !

13 Exemple de systèmes cognitis Q A x x IF (high ever and low blood pressure and Vx virus detected) or (previous diagnosis Dp) THEN - Proceed with analysis An - Ask or availability o medicine Md - Update patient's ile +PC HEO.HEIG-VD, J.-D. Dessimoz, ystème cogniti - ystème capable de générer de l inormation (spontanément ou en onction d une inormation incidente) - La quantité de connaissance s estime en onction de la taille d une mémoire (virtuelle) contenant tous les messages pouvant être générés! HEO.HEIG-VD, J.-D. Dessimoz,

14 Estimation des grandeurs cognitives La connaissance, c est la propriété spéciique d un système capable de générer l inormation pertinente, de «aire juste». Quantité de connaissances, K: K ( i n n )[ lin] = log + out lin: Logarithme de l'inormation HEO.HEIG-VD, J.-D. Dessimoz, Estimation des grandeurs cognitives L expertise, c est la propriété d un système capable de générer rapidement l inormation pertinente, de «aire vite (et juste)». Quantité d expertise, E : E = K [lin/s], E = K /dt [lin/s] HEO.HEIG-VD, J.-D. Dessimoz,

15 Estimation des grandeurs cognitives La capacité d apprentissage, c est la propriété d un système capable d augmenter sa quantité d expertise Quantité apprise, L: L = E(t)-E(t0) = E(r)-E(r0) [lin/s] HEO.HEIG-VD, J.-D. Dessimoz, Estimation des grandeurs cognitives L intelligence, c est la capacité d apprendre. Quantitativement, elle peut s estimer selon indices : i [ lin / s ] t = i q = [ lin /( s bit] de dt de dq Dans le premier cas la variable libre est le temps, et dans le second, c est la quantité d inormation expérimentée: N Q = ( nin + nout ) [ bit] où N est le nombre d associations entrées-sorties (décisions) passées HEO.HEIG-VD, J.-D. Dessimoz,

16 Exemple: Labyrinthe HEO.HEIG-VD, J.-D. Dessimoz, En résumé (Conclusion de 3) HEO.HEIG-VD, J.-D. Dessimoz,

17 CogniMeasure - Aide à l'estimation quantitative des grandeurs cognitives ( de ) Les grandeurs cognitives peuvent se calculer et se tester interactivement dans l environnement Piaget HEO.HEIG-VD, J.-D. Dessimoz, CogniMeasure - Aide à l'estimation quantitative des grandeurs cognitives ( de ) Détail des multiples possibilités de calculer une quantité d inormation (à gauche) et les grandeurs cognitives principales (à droite) HEO.HEIG-VD, J.-D. Dessimoz,

Documents pareils

intelligence artificielle et cognitique"

Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014