Aspects du Raisonnement

21

Aspects du Raisonnement

3. Le temps dans les Rs

Remplissage Cuve

touche

Débordement cuve

terminé-par

Fermeture vanne

recouvre

Sonnerie Alarme

touche

Un exemple de graphe temporel dans la théorie de J. F. Allen

Raisonnement en I. A.

22

Aspects du Raisonnement

3. Le temps dans les Rs

Problèmes de satisfaction de contraintes

Exemple x, y, z ∈ {a, b, c}

{(a, b); (a, c); (b, b); (b, c)}

x

y

{(a, b); (b, c); (c, a)}

{(a, c); (b, b); (c, b); (c, c)}

z

x ∈ {a, b} ; y et z ∈ {b, c}

Raisonnement en I. A.

23

Aspects du Raisonnement

3. Le temps dans les Rs

• Problème d’existence NP-Complet • Approche par propagation locale de contraintes :

1. consistance de sommets

2. consistance d’arcs

3. consistance de chemins

. . . k consistance

Raisonnement en I. A.

24

Aspects du Raisonnement

3. Le temps dans les Rs

d- Conclusion ➞ logiques modales temporelles ➞ solution importante

∃ ➚ de logiciels ➞ représenter les infos et contraintes temporelles SBC fonctionnant en temps réel ➞ enjeu majeur dans l’industrie ➞ ➚ de Pbs encore mal résolus

Raisonnement en I. A.

25

Aspects du Raisonnement

4. R. par Analogie

4. Raisonnement par Analogie

C’est un raisonnement courant chez l’homme

Mise en correspondance de 2 situations ➞ Déduire un comportement d’une situation nouvelle en fonction d’une autre déjà rencontrée (notion de similitude ou de « distance » ➞ peu utilisé (se développe beaucoup ces dernières années ) ➞ utilisé comme recours ( en cas de nécessité)

Cas particulier (du R par analogie) = R fondé sur des cas (case-based reasoning) • La R. de Pb ≡ Accès à des informations mémorisées

lors d’expériences

• L’expertise n’est pas un ensemble de règles

Mais = un grand nombres d’épisodes (à généraliser)

Raisonnement en I. A.

26

Aspects du Raisonnement

4. R. par Analogie

✎ Remarque

1. Lien avec Rep par Frames et R. par classification

2. Analogie ≡ un outil d’apprentissage symbolique

⇒ découvrir de nouvelles Cs avec généralisation inductive

Raisonnement en I. A.

27

Aspects du Raisonnement

4. R. par Analogie

But Interpréter une situation nouvelle par comparaison à une situation

voisine déjà rencontrée pour : — guider un raisonnement ou la résolution d’un problème — émettre des hypothèses sur un domaine peu familier — généraliser l’expérience acquise

Objet d’étude privilégié pour les sciences cognitives de l’IA

Pour l’instant peu implanté dans les systèmes à base de

connaissances

(sauf raisonnement par cas ou par classification)

Intervient aussi dans d’autres champs de l’IA :

— compréhension des langues naturelles — résolution de problèmes — apprentissage — planification

Raisonnement en I. A.

28

Aspects du Raisonnement

4. R. par Analogie

— etc.

Caractère multiforme du raisonnement par analogie Premières réalisations pratiques : ANALOGY (Evans, 1968), JCM (Becker, 1969), ZORBA-1 (Kling, 1971)

Nombreux projets :

— vers une meilleurs compréhension des mécanismes de l’analogie sous

ses différents aspects

— vers l’utilisation de l’analogie pour la résolution de problèmes, la

compréhension du langage naturel, l’apprentissage, etc.

Raisonnement en I. A.

29

Aspects du Raisonnement

4. R. par Analogie

Principe du raisonnement par cas

Mémoire de cas

Méthode de recherche

Recherche du cas le plus pertinent

Amélioration de la méthode

Description du problème

Résolution du problème à l’aide du cas retenu

Examen de la solution

Raisonnement en I. A.

30

Aspects du Raisonnement

4. R. par Analogie

Principe du raisonnement à partir de cas

Entrée : problème p

Recherche d’un cas (pk,Sk) (pk « analogue »à p)

Adaptation :

pk

p

Sk

S= ?

Base des cas : {(p1, S1), (p2,S2), ...

(pn,Sn)} structurée

(p, S*)

Stockage

Tests, corrections

Sortie : Solution S*

Raisonnement en I. A.

31

Aspects du Raisonnement

5. R. par classification

5. Raisonnement par classification

a- Introduction

2 cas possibles :

— Un ensemble d’objets ➞ les répartir en classes (catégorisation) — Dans la représentation par objets structurés : trouver la place d’un

objet (classification)

L’homme utilise beaucoup de R. difficile à formaliser (exp : avec des

Cs typiques) ⇓ Le R. par classification : — utiliser une situation connue pour appréhender une nouvelle — ou reconnaître un objet en cherchant

la classe à laquelle il appartient

Utilisation :

➞ ce R. est utilisé dans les systèmes à héritages Raisonnement en I. A.

32

Aspects du Raisonnement

5. R. par classification

(exp : langage de représentation des Cs en hiérarchie : KL-ONE)

➞ connaître un objet ≡ appariement de ses propriétés avec celles

d’objets connues (pour le classer)

✎Remarque Catégorisation ≡ technique d’apprentissage et d’acquisition de Cs

b- Le langage KL-ONE

Entre les Réseaux Sémantiques et les langages de Frames

Représente les objets d’un domaine (appelés Concepts)

Concept est muni d’attributs ou rôles ➞ les relations que le concept entretient avec les autres

une cardinalité est associé au rôle

L’ensemble des concepts est un graphe d’héritage multiple de racine

THING Raisonnement en I. A.

33

Aspects du Raisonnement

5. R. par classification

2 types de concepts : ➞ Concept primitif (dénote les grandes catégories naturelles)

qui servent à construire

➞ des Concepts définis

Exp :

Raisonnement en I. A.

34

Aspects du Raisonnement

5. R. par classification

*

Thing

* Mammifères

*

Personne

Parent

Grand-Parent

Date-de X Naissance (1,1) Enfants X (1,∞)

Enfants X (1,∞)

*

*

Date

Personne

Parent

Raisonnement en I. A.

35

Aspects du Raisonnement

5. R. par classification

La subsumption en KL-ONE

Un concept Super subsume un Sub si « l’ensemble » dénoté par Super contient « l’ensemble » dénoté par Sub

Un concept Super subsume un concept Sub si :

— Tous les concepts qui sont des ancêtres de Super sont aussi des

ancêtres de Sub

— Pour chaque rôle de Super, il existe un rôle de Sub qui dénote la

même relation

— Les contraintes spécifiées pour chaque rôle de super sont vérifiées

par les rôles correspondants de Sub : — La cardinalité de chaque rôle de Super subsume la cardinalité du

rôle correspondant dans Sub

— Le type de la valeur de chaque rôle de Super subsume le type de

la valeur du rôle correspondant de Sub

Raisonnement en I. A.

36

Aspects du Raisonnement

5. R. par classification

L’algorithme de classification de KL-ONE

Soit C le concept à classer Pour chaque nœud N (non marqué) du graphe d’héritage faire:

Si N ne subsume pas C

Alors aucun des successeurs de N ne subsume C (le sous

graphe de racine N est élagué, les nœuds faisant partie de ce sous graphe sont marqués et ne seront plus considérés)

Sinon N est un « subsumeur »

continuer la classification à partir du premier successeur

de N

Si aucun des successeurs de N ne subsume C

Alors N est le « subsumeur » le plus spécifique Établir un lien « est-un » entre C et N

finSi

finSi

finPour

Raisonnement en I. A.

37

Aspects du Raisonnement

6. Révision d’un R

6. Révision d’un R : Le R hypothétique

a Introduction

L’incomplétude et l’évolution des Cs est possible (en + de l’incertain)

Faire des suppositions sur les connaissances manquantes

⇓ gestion d’hypothèses

Exp : ➞ Hyp : on suppose qu’un oiseau vole

➞ Réviser cette Hyp si la C. se complète (autruche)

Les suppositions ≡ valeurs par défaut provenant : ➞ hyp. du monde clos ➞ valeurs prototypiques (représentation par objets) ➞ hyp. liée au frame problem ➞ le context du R. qui devine des infos manquantes

(un mot mal reconnu en compréhension)

Raisonnement en I. A.

38

Aspects du Raisonnement

6. Révision d’un R

Une mise à jour dans un Sys de R. revient à remettre en cause des Cs C’est un problème de R. révisable : il faut

des méthodes pour gérer les hypothèse engendrées ➞ Pb de maintien de vérité

ou de maintien de cohérence (Truth maintenance)

Il exite 2 solution (TMS et ATMS)

✎Remarques Il existe une différence entre : 1. le concept d’évolution 2. le concept de non monotonie

Dans 1. : ➞ Faits viennent contredire des faits acquis Dans 2. : ➞ Connaissancess viennent modifier des hyp formulées

➞ 6= formalismes (pour implanter un R non-monotone) :

1. La complétion de prédicats 2. Le R par défaut (assurer par différents mécanismes)

➞ logique des défauts ➞ règles de déduction (avec quantificateurs flous)

3. La circonscription

Raisonnement en I. A.

39

Aspects du Raisonnement

6. Révision d’un R

4. Les logiques modales non monotones

5. Coef numériques (confiance aux hyp)

Raisonnement en I. A.

40

Aspects du Raisonnement

6. Révision d’un R

b Principe

Les SBC : utilisés dans les applications de plus en plus complexes

Difficultés : prendre en compte la nature évolutive

Des connaissances sont incomplètes, approximatives et sujettes à révision ➔ On fait recours à la notion d’Hypothèse pour contourner ces Pbs

Un R. fondé sur des Hyp permet : de completer une BC (si elle est incomplète et inapte à produire des résultats) ⇓ Une Hyp est révisable et peut représenter des infos évolutives ou incertaines

Les Sys de maintient de vérité (MV) ≡ une approche pour gérer des Hyp ➞ Un de leur objectif : assurer la cohérence d’une BC

(en révisant les déductions sensibles à l’évolution de la BF)

Ils utilisent et gèrent le concept d’Hyp

Déf :

Hyp :

Une proposition ayant une indéterminée que l’on veut pouvoir fixer

valeur de

vérité

Les inférences du module de R (M. R.) dépendant du choix de la valeur de vérité des Hyp

Raisonnement en I. A.

41

Aspects du Raisonnement

6. Révision d’un R

• ⇓ Un R. hypothétique doit pouvoir en examiner les répercussions

Ainsi :

➞ Pour une configuration d’hypothèses ➞ il doit dériver des données déductibles par le MR ➞ pour former un contexte

Si le nœud Faux est dérivé dans un CONTEXTE

• ⇓ le context devient incohérent

Une mise à jour doit rétablir la cohérence

• ⇓ en invalidant l’ensemble des Hyp (et ses conséquences) qui ont

donné ce nœud

Le Sys de MV permet de gérer la dimension hypothétique d’un R

Raisonnement en I. A.

42

Aspects du Raisonnement

6. Révision d’un R

c Intérêt des Sys de MV

Capacité à traiter les Hyp ➞ avec examen d’une trace des inférences produites par le MR

Une trace ≡ données initiales du PB

— des Hyp — des contraintes de cohérence entre ces Hyp — des inférences du MR

Ces éléments sont représentés par des JUSTIFICATIONS

En retour le module de MV : ➞ tient à jour les déductions à partir desquelles le MR va produire de nouvelles inférences

➞ il fournit au MR les seules déductions compatibles avec son contexte

Raisonnement en I. A.

43

Aspects du Raisonnement

6. Révision d’un R

figure explicite ce mécanisme :

Module de raisonnement

Requêtes

Réponses

Justifications

Hypothèses

Système de maintien de vérité

Échange entre le système de maintient de vérité et le MR

Raisonnement en I. A.

44

Aspects du Raisonnement

6. Révision d’un R

d Approches Plusieurs approches existent dépendant de :

1. la capacité du module de maintien de vérité à traiter un ou plusieurs contextes

2. la nature monotone ou non monotone des justifications

3. l’utilisation implicite ou explicite des hypothèses

4. l’ensemble des valeurs de vérités que peut prendre une information :

{vrai, faux} ou {vrai, inconnu}

5. la capacité à effectuer des inférences non monotones

le (1) permet une classification en 2 classes : ➞ -A- les TMS (Truth Maintenance Systems) Doyle 1979 ➞ -B- les ATMS (Assumption-Based TMS) Kleer 1986

Raisonnement en I. A.

45

Aspects du Raisonnement

6. Révision d’un R

-A-

Ne permettent de construire qu’un contexte

Les hypothèses sont non typées

Si les justifications sont monotones on parle : −→ de JTMS (Justification-based TMS) si valeurs de vérités ∈ {V, inconnu}

−→ de LTMS (Logic-based TMS) si valeurs de vérités ∈ {V, F}

Si le TMS manipule des justifications non monotones on parle −→ de NMJTMS (Non-Monotone-Justification-based TMS)

-B-

Dans les ATMS plusieurs contextes sont : −→ manipulables −→ et les données sont partagées en 2 classes :

(classe hypos, classe non-hypos)

Les justifications sont toujours monotones

Raisonnement en I. A.

46

Aspects du Raisonnement

6. Révision d’un R

2 familles : −→ Les CMS (Clause Management System) REITER 87

valeurs de vérité ∈ {V, F}

−→ Les ATMS

valeurs de vérité ∈ {V, inconnu}

e Conclusion

Le domaine de sy. de MV est en plein essort

Les applications industrielles sont opérationnelles (les générateurs de S. E KEE et PART l’ont permis)

Voies de développement dans 2 directions : −→ Sy de MV avec des logiques non classiques −→ Sy de MV avec d’autres Rs

Raisonnement en I. A.

47

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

7. Modèles et R : R Qualitatif

a

Introduction En contraste avec SE de 1ère génération (Faits, Règles, ...) ➡ on parle de R

associatif ⇓ Le R. Qualitatif a été étudié fin des années 70 ➥ nouveau R pour les problèmes de diagnostic Le R. Qualitatif s’appuie sur un modèle du système étudié

Model-based-reasoning

(−→ un être vivant −→ une machine −→ un processus industriel −→ un organisme ... )

Ce R de type causal (associe effets et causes)

−→résout un problème en raisonnant sur une structure d’objets dans un univers en fonction du temps (lié au R temporel)

Raisonnement en I. A.

48

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

b Exemples de Sys

Le Sys CASNET (WEISS 1978)

−→ diagnostic médical −→ C ≡ Réseau sémantique −→ avec 4 plans reliés par des liens causaux

(depuis les symptômes jusqu’aux thérapies)

−→ le R ≡ trouver un chemin dans les graphes des 6= plans

DART (GENESERETH 1985) −→ diagnostic de circuits électroniques

GDE-1 (KLEER 1986) GDE-2 (1989)

−→ détection de pannes −→ R avec modèle + coef de certitude

DE DALE (DAGUE 1987)

−→ dépannage de circuits analogiques ⇒ Ces Sys utilisent des Cs plus profondes

Mêler le R heuristique + R avec modèle ⇒

Raisonnement en I. A.

49

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

nouvelle génération de SBC (comme l’homme) ➦ SE de 2ème génération (Avignon 1990)

Donc le R qualitatif est un :

−→ un cas du R causal fondé sur un modèle −→ issue des travaux sur la physique et le domaine économique −→ s’appuie sur une modélisation qualitative −→ en termes : — d’ordre de grandeur — ou sens de variation des phénomènes −→Depuis les années 60 −→ L’expert humain pour résoudre un Pb :

il se réfère à un modèle mental de nature qualitative (par expérience)

Actuellement beaucoup de travaux basés sur le R qualitatif −→ (la prédiction du comportement d’un sys dans le temps) −→ modélisation (mieux que la résolution numérique)

-C- R qualitatif : présentation technique

Un programme d’IA doit pouvoir :

−→ résoudre un problème sans info quantitatives (6= des modèles numériques) Raisonnement en I. A.

50

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

Le R doit étudier un sys en se fondant sur :

−→ la description qualitative de ce sys

1- Quoi ?

L’homme utilise des Cs qualitatives pour prédire l’effet d’un phénomène donné, il

saura : −→ qu’un objet non soutenu tombe −→ qu’une balle élastique rebondit ...

J. de Kleer appelle cela « envisionnement » (du verbe envisionner : se forger une

image mentale de)

Automatiser l’envisionnement ➔ génération d’une succession d’états instantanés

➔ un arbre : des nœuds ≡ des états qualitatifs

une branche ≡ une séquence de comportements

possibles

décrire ce R ➔ plusieurs termes : → physique qualitative → simulation qualitative

Raisonnement en I. A.

51

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

→ analyse qualitative → modélisation qualitative → certains aspect du R de bon sens ...

Raisonnement en I. A.

52

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

un R. Q. contient 2 phases :

φ1 : produire une version du sys (avec un ensemble de composants

inter-connectés)

φ2 : dérivation des comportements du sys (et les expliquer)

EXP :

−→ Masse attachée à un fil −→ Régulation de débit

Raisonnement en I. A.

53

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

2 Pourquoi le raisonnement qualitatif ?

L’intérêt du raisonnement qualitatif est multiple : — la perception par l’homme de l’évolution des paramètres régissant un système est plutôt de nature qualitative, même si ces paramètres sont souvent définis quantitativement ;

— dans la résolution de problèmes, on se heurte souvent à un manque de données quantitatives. Par ailleurs, le traitement de telles données est parfois coûteux, comme la résolution de systèmes d’équations aux dérivées partielles ;

— la construction de modèles quantitatifs complets n’est pas toujours possible. En effet, les relations exactes reliant différents paramètres ne peuvent pas toutes être formulées mathématiquement. La représentation qualitative permet l’expression explicite des liens de causalité entre les paramètres. En outre, elle est plus concise et permet d’adjoindre des mécanismes d’explication plus satisfaisants ;

— les systèmes experts manquent souvent de connaissances de bon sens. Ce

manque peut être pallié en partie par l’utilisation d’un raisonnement qualitatif

Raisonnement en I. A.

54

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

3 Objectifs des recherches

Les objectifs de ces travaux sont multiples : — dégager des modèles qualitatifs des lois physiques, économiques ou autres, et de leur expression différentielle. Les méthodes utilisées consistent en une version qualitative de calcul beaucoup plus simple que le calcul quantitatif, mais toutefois formelle ;

— inférer des résultats pertinents à partir d’une description qualitative ne tenant

que les ordres de grandeur ;

— expliciter les relations causales dans les systèmes physiques. Ceci permet notamment de fournir des explications fondées de leur comportement ; — prédire les comportements des systèmes physiques en termes qualitatifs ; — fournir des modèles sur lesquels pourront s’appuyer les systèmes d’IA du futur ; — fournir des modèles de fonctionnement destinées à être intégrés dans des

architectures existantes de systèmes experts ;

— faire coopérer les connaissances quantitatives et les connaissances qualitatives ;

Pour satisfaire ces objectifs, il est nécessaire de disposer de formalismes de modélisation de systèmes physiques complexes à différents niveaux de détail et de granularité. Ces niveaux de détail comportent : — la description des différents processus ainsi que de leurs interactions ; Raisonnement en I. A.

55

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

la possibilité d’instancier ces descriptions

— la génération de nouvelles descriptions pour rendre compte du comportement

dynamique des systèmes physiques.

Raisonnement en I. A.

56

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

4 Historique — 1960 : 1er travaux (économistes) -H. A. Simon- — 1977 : 1ère utilisation de ce R. dans une SBC (sy. Newton) -Kleer- — 1979 : travaux de P. J. Hayes sur la physique naïve (C. humaines de bon sens) — 1984 : un numéro spécial de la revue A. I. → consacré à ce R. — par la suite les travaux se sont multipliés — 1989 : un numéro spécial de la revue d’I. A. (panorama en France) — 1989 : ouvrage de base (Weld et de Kleer) — pour maîtriser ce R. → des travaux de synthèse

-Kleer 1987 - Cohn 1987 Fouché 1989-

— modèles développés → non puissants pour les Pbs de grande taille — Actuellement :

→ fournir un cadre théorique pour ce R. → valider les applications réelles

Raisonnement en I. A.

57

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

5 3 Approches

But du R. décrire qualitativement le comportement physique d’un système Ceci est crucial dans beaucoup d’applications (diagnostic)

→ (les comprtements indésirables peuvent être expliqués)

Approche ① CENTREE CONTRAINTE

— → modélisation non liée à la structure de l’installation — → considérer un ensemble de contraintes sur les paramètres du système

Approche ② CENTREE COMPOSANT — → s’appuie sur la structure de l’installation — → et sur la notion de composant — → donc un système physique est décrit avec ses composants — → un composant est soumis à des lois physiques

(lois exprimées par des équations Q.)

Raisonnement en I. A.

58

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

Approche ③ CENTREE PROCESSUS

— → le processus physique (se mouvoir, s’écouler, chauffer, bouillir, ...) constitue

la notion clé

— → décrire le fonctionnement d’un système ≡

— identifier tous les processus (qui interviennent) — déterminer ceux qui font évoluer le système

— → cette approche est construite à partir de la précédente en modélisant :

- les composants - et les processus agissant sur eux

— → travaux de -Forbus 1984-

Raisonnement en I. A.

59

Aspects du Raisonnement

7. Modèles et R : R Qualitatif

6 Conclusion

(voir chapitre)

Raisonnement en I. A.

60

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

8. Raisonnement distribué (IAD)

IA parallèle

IAD

Agents intelligents distribués

{

{

- raisonnement classique - gain en vitesse par multi-processeurs - exemples : MULTILISP, PROLOG

concurrent

- interaction et communication des agents - coopération / concurrence - aspect "social"

Aspects composites et résolution de problèmes distribuée

{

- émergence d’intelligence d’un ensemble

d’agents non intelligents

- distribution totale - aspect neuronique

( cf modèles connexionnistes)

L’intelligence artificielle distribuée est multiforme

Raisonnement en I. A.

61

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Deux grandes catégories de systèmes multi-agents

Deux grandes catégories de systèmes multi-agents

Systèmes d’agents cognitifs

Systèmes d’agents réactifs

Représentation explicite de l’environnement et des autres agents

Pas de représentation explicite de

l’environnement

Peut tenir compte de son passé

Pas de mémoire de son histoire

Mode social d’organisation

Petit nombre d’agents

Mode de fonctionnement : stimulus ** réponse

Mode biologique (éthologique)

d’organisation

Grand nombre d’agents

Raisonnement en I. A.

62

b b b b b b b b b Aspects du Raisonnement

8. Raisonnement distribué (IAD)

FONCTIONNALITÉS D’UN AGENT

— REPRÉSENTATION : des autres et de lui-même

— COMMUNICATION : directe, indirecte

— PERCEPTION : acquisition d’information sur l’environnement

— RAISONNEMENT : création de nouvelles connaissances

— CONTRÔLE conduite et planification de ses actions

— TRAVAIL COLLECTIF : possibilité de coopération

— APPRENTISSAGE ET RÉVISION DE CROYANCES

Raisonnement en I. A.

63

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

TYPOLOGIE DES SYSTÈMES MULTI-EXPERTS

COMMUNICATION

— PAR MESSAGES — PAR PARTAGE D’INFORMATIONS

INTERACTION

1. COOPÉRATION

COMPLÉMENTARITÉ

a DÉCOUPAGE MODULAIRE

D’UNE BASE DE CONNAISSANCES

a

a

a

a

INTERACTIONS FONCTIONNELLES

FORTES

(

Raisonnement en I. A.

64

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

2. CONCURRENCE (CONFLITS)

a GESTION DE CONFLITS

a COHÉRENCE DES CONCLUSIONS

(

a CONTRÔLE

3. MÉLANGE DES DEUX MODES

Raisonnement en I. A.

65

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

LE MODÈLE DE « BLACKBOARD »

COMPOSANTS DE BASE

A3A3

A2A2

A1A1

BLACKBOARD

E L Ô R T N O C

1) ENSEMBLE D’AGENTS INDÉPENDANTS 2) BLACKBOARD, BASE DE DONNÉES COMMUNE 3) MÉCANISME de CONTRÔLE

Raisonnement en I. A.

66

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

SYNTAX

DIALOG

LEXICON

PHONETICS

SEMANTICS

BLACKBOARD BLACKBOARD BLACKBOARD BLACKBOARD

(COMPLEX DATA

BASE) BASE)

FEATURE FEATURE EXTRACTION EXTRACTION

HEARSAY II :

GENERAL ARCHITECTURE

Raisonnement en I. A.

67

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Level Ik

Level I3

Level I2

Level I1

Key:

Blackboard

KS1

KSn

Blackboard Monitor

Focus-of- control Database

Scheduling Queue

Scheduler

Program modules

Databases

Data flow

Control flow

Schematic of the Hearsay-II architecture

Raisonnement en I. A.

68

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

LEVELS

DATA BASE INTERFACE

PHRASE

WORD SEQUENCE

WORD

SYLLABLE

SEGMENT

PARAMETER

KNOWLEDGE SOURCES

Semant

Predict

Stop

Parse

Contact

Word-seq

verify

Mow

Pom

Seq

Word-seq-ctl

Word-ctl

Rpol

Functional description of the speech-understanding KSs

Raisonnement en I. A.

69

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Mécanisme de contrôle

Modules de contrôle

Structures de contrôle

Sources de connaissances

Blackboard

Raisonnement en I. A.

70

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Trois types de contrôle

1. Contrôle procédural

•HEARSAY-II, DVMT

2. Contrôle hiérarchique

•HASP/SIAP, CRYSALIS

3. Contrôle à base de blackboard •BB-1, GBB-1

Raisonnement en I. A.

71

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Contrôle Procédural

Blackboard

Sources de connaissances

Agenda

Ordonnanceur

Raisonnement en I. A.

72

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

Contrôle hiérarchique

SCs de contrôle

SCs du domaine

Blackboard

Raisonnement en I. A.

73

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

HASP

Blackboard levels and knowledge sources

Situation Board

Vessels

Sources

Harmonics

Lines

Ratio Finder

Source Classifier

Harmonic Set Former

Source Finder

Cross Array Associator

Line Finder

Raisonnement en I. A.

74

Aspects du Raisonnement

8. Raisonnement distribué (IAD)

HASP structure

Clock-events

Problems

Events

Strategy

Event– Driver

Expec- Tation- Driver

KS

KS

KS

Data

CBH