GPA-759 Réseaux de neurones et intelligence artificielle
Introduction à l intelligence artificielle
Définition de l intelligence artificielle L Intelligence Artificielle est l étude des moyens pour que l ordinateur : accomplisse des tâches qui sont présentement mieux réalisées par les humains. acquiert des capacités intellectuelles comparables à celles des êtres humains. extrait du livre «Manuel d intelligence artificielle» de Frécon & Kazar, PI Poly, 2009.
Domaines d application de l IA Tâches routinières Robotique Vision Perception Parole Tâches formelles Langages naturels Réseaux neuroniques Systèmes experts Sens commun
Domaines de l intelligence artificielle Tâches routinières Perception Vision Parole Langage naturel Compréhension Génération Traduction Sens commun Robotique
Tâches formelles Jeux Échecs Backgammon Dames Mathématiques Géométrie Logique Calcul intégral Preuves de théorèmes
Systèmes experts Ingénierie Conception Réparation, déverminage Planification industrielle Analyse scientifique Diagnostique médical Analyse financière
Réseaux de neurones artificiels Classification Apprentissage supervisé et non-supervisé Perceptron multicouche Réseaux auto-organisés Simulations biologiques Imagerie et reconnaissance de formes
Corrolaire à la définition de l IA Domaines où l ordinateur surclasse l humain : Calculs numériques Mémorisation Tâches répétitives Caractéristiques Pas d intelligence Activités mécaniques
But de l Intelligence artificielle Accroître les performances de l ordinateur dans des activités où l humain réussit mieux
Éléments d un système à base de connaissance Connaissances État initial But
Exemple: jeu de tic-tac-toe
Exemple: jeu d échecs
Recherche en IA Connaissances Représentation script règles poids de connexion Acquisition expertise humaine apprentissage supervisé, par l exemple apprentissage non-supervisé
Recherche dans l espace d états Profondeur d abord Ventilation d abord Minimisation d erreur Activation synchrone Activation asynchrone
Approches en IA 1. Symbolique 2. Connexioniste
L hypothèse symbolique (Newell et Simons, ~1976) Assomption Un système physique symbolique est constitué d un ensemble d unités, appelés symboles, qui sont des formes physiques qui peuvent être des composantes d un autre type d unité, appelé expression ou structure de symboles. Une expression est donc composée d instances de symboles reliés physiquement les uns aux autres. À tout moment, le système contient une collection de processus qui opèrent sur ces expressions pour en produire d autres: on aura des processus de création, de modification, de reproduction et de destruction. Un système physique symbolique est une machine qui produit dans le temps une collection évolutive de structures de symboles. Un tel système existe dans un monde d objets qui englobe les expressions symboliques elles-mêmes.
Hypothèse Un système physique symbolique possède tous les moyens nécessaires et suffisants pour produire des actions générales intelligentes.
Test de Turing A B
Architecture d un système expert Usager Faits Expertise Base de connaissances Machine d inférence
Avantages des systèmes experts Accessible Coût réduit Permanence Expertise multiple Sureté Explications du raisonnement Réponse rapide Non-émotivité Tuteur intelligent Base de données intelligente
Approche connexioniste Paradigme du cerveau Parallélisme massif Connaissance Distribuée Poids des connexions Recherche de solution Activation synchrone ou asynchrone des neurones Voie de recherche de solutions pour des problèmes faciles pour un humain mais très difficiles pour un ordinateur Reconnaître un visage Conduire sous la pluie
Avantages des systèmes connexionistes Stockage réparti (tolérance aux fautes) Dégradation graduelle des performances Mémorisation associative (par contenu). Rappel partiel. Extrapolation et interpolation des données Plasticité Portion de réseau détruite transfert dans une autre partie par apprentissage.