Raisonnement en IA : Symbolisme, hypothèses et méthodes

24Représentation des connaissances et raisonnement

Représentations logiques

❷ Logique des prédicats du 1er ordre

Déf

— La logique des prédicats du 1er ordre est la logique des

propositions à laquelle on rajoute : — L’introduction des variables (u, v, ..., z) — Le qualificateur universel (∀) — Le qualificateur existentiel (∃)

1. ∀x oiseau (x) ⇒ vole (x) 2. ∃ x oiseau (x) ∧ ¬ vole (x)

Intelligence Artificielle (SBC)

25Représentation des connaissances et raisonnement

Représentations logiques

Remarques

— Les f.b.f de la logique des prédicats (pour une interprétation donnée)

V F

— 1er ordre car les variables sont quantifiées mais pas les prédicats

ni les fonctions

Exp

— Tout curé a un vélo

∀x ∃y [curé (x)⇒ vélo (y) ∧possède (x, y)]

— Tout chien est un animal

∀x[chien (x) ⇒ animal (x)]

Intelligence Artificielle (SBC)

26Représentation des connaissances et raisonnement

Représentations logiques

Raisonnement en logique des prédicats

— Raisonner en logique −→ démontrer de nouvelles formules à

partir d’un ensemble de formules existantes

— Règles :

a)- Règle du modus ponens :

P ⇒ Q et P alors Q

b)- Règle du modus tollens P ⇒ Q et ¬Q alors ¬P c)- Unification et filtrage :

[Français(y)−→ région(y, Europe)] et [ Français(Jean)]

modus ponens

région(Jean, Europe)

avec substitution de la cte Jean à la variable y d)- Spécialisation universelle : ∀x P (x) alorsP (a)

— La résolution

— Utilise des règles d’inférences

Intelligence Artificielle (SBC)

27Représentation des connaissances et raisonnement

Représentations logiques

— Une règle permet de déduire une clause nouvelle à partir de 2

clauses parents

— Une clause ≡ formule atomique V f.a V f.a — Tout f.b.f peut être transformée en un ensemble de clauses

(algorithme de Skolem) — Méthode −→ clause1

Cp

clause 2 C¬p

— Exp : A1 ∨ A2 · · · ∨ An

clause 3

(1) {z

|

}

¬A1 ∨ F1 ∨ · · · Fp (2) {z

|

}

A2 ∨ · · · An ∨ F1 ∨ · · · Fp (3) — Résolution par réfutation (ou les systèmes de déduction

logique par refutation) — Prouver qu’une formule logique X est une conséquence logique

d’un ensemble de formules logiques FL (FL|=X) ⇓

Intelligence Artificielle (SBC)

28Représentation des connaissances et raisonnement

Représentations logiques

— On considère que ¬X est vraie — On rajoute ¬X à FL FL∪(¬X)=C — On déroule le mécanisme de résolution sur C

Intelligence Artificielle (SBC)

29Représentation des connaissances et raisonnement

Représentations logiques

— On démontre que le système conduit à une aberration (P et

¬P)

P

¬ P

Nil (cid:3) =⇒ On a prouvé que C est contradictoire donc que X est une conséquence logique de FL FL ∧ ¬X

P

¬ P

Nil (cid:3)

absurde donc X est vrai ⇒ FL |=X

Intelligence Artificielle (SBC)

30Représentation des connaissances et raisonnement

Représentations logiques

Inconvenients

Prédicat

V F

⇒

(cid:26)

- ne permet pas d’exprimer des choses nuancées - ne peut pas décider avec des infos manquantes

Contrairement à l’homme (qui fait du raisonnement par

défaut)

Intelligence Artificielle (SBC)

31Représentation des connaissances et raisonnement

Représentations logiques

Autres logiques

a- Logiques multivaluées

b- Logiques modales

c- Logiques non monotones

d- Logique temporelle

e- Logique floue

f- Logique 3 valeurs ...

Intelligence Artificielle (SBC)

32Représentation des connaissances et raisonnement

Réseaux sémantiques

III. Réseaux sémantiques

Définition

Un R. S. est un graphe étiqueté où les nœuds re- présentent des concepts et les arcs des relations de nature sémantique entre ces concepts

nœuds = concepts ou objets (ou instances) arcs = des liens liés au sens : lien s → sorte de (kind of) lien e → est un (is a)

Intelligence Artificielle (SBC)

33Représentation des connaissances et raisonnement

Réseaux sémantiques

Exp

Jacquot possède un nid :

Jacquot

e

s

Perroquet

Oiseau

possède Nid1

e

Nid

un Nid1 ∈ au C. G. Nid

concepts génériques

relation de particulier → général (hérite des choses de ce dernier)

- héritage -

Intelligence Artificielle (SBC)

34Représentation des connaissances et raisonnement

Réseaux sémantiques

−→ Pb

possède est une instance (6= posséder cahier) ⇓

Intelligence Artificielle (SBC)

35Représentation des connaissances et raisonnement

Réseaux sémantiques

Remarque Si on veut calquer un S.I. on aurait : BC + I + C

les réseaux sémantiques

- mise en correspondance structurelle | {z } (pattern matching) - héritage de propriétés

Intelligence Artificielle (SBC)

36Représentation des connaissances et raisonnement

Réseaux sémantiques

Raisonnement Définition

Raisonner revient à tenter de calculer un R. S. représentant le Pb sur un R. S. de connaissances par une mise en correspondance structurelle

Exp ❶ : Q : Que possède Jacquot ?

— On construit un R. S. correspondant à la question — on le met en correspondance avec le R. S. qu’on a

correspon-

en

mise dance ↓ réponse immédiate c’est Nid

Jacquot sujet

poss1

objet ?

e

possède

Intelligence Artificielle (SBC)

37Représentation des connaissances et raisonnement

Réseaux sémantiques

EXP PROLOG :(PROgrammation LOGique)

possede (yolande, automobile) pere-de (yolande, jean) pere-de famille (jean) coquin (fils-de (andré)

On tape ? pere-de (yolande, jean) (unification) et l’interpreteur répond ? chien (maxo) non

yes

une Question ? possede (Qui , automobile)

les variables avec majuscule

réponse : Qui = yolande Q : ? coquin (fils de (x)) R : x=andré

Intelligence Artificielle (SBC)

38Représentation des connaissances et raisonnement

Réseaux sémantiques

Règle : dinosaure (x) ⊢ poids (x, y)

y > 4000.000 animal-terrestre (x)

Programme grand-pere (x, z) ⊢ pere-de (x, y), pere-de (y, z) pere-de (x, pere(x)) ⊢

fait x a toujours un père qui est le terme pere(x)

Q : ? grand-pere (jean, T) qu’elle est la grand-père de Jean ? La réponse est : T = pere (pere (jean))

Intelligence Artificielle (SBC)

39Représentation des connaissances et raisonnement

Réseaux sémantiques

Démonstration :

pere-de (Jean, y) pere-de (y, T)

à partir de la règle 1

pere-de (Jean, pere (Jean)

on applique

le fait

donne y = pere (Jean)

pere-de (pere (Jean), T)

on applique le fait

pere-de (pere (Jean), pere(pere(Jean))) }

donc T = pere (per (Jean))

Remarques : — Les logiques non classiques

« cet ordinateur est peut être intelligent » « l’O sera un jour I »

— Logique modale

Intelligence Artificielle (SBC)

40Représentation des connaissances et raisonnement

Réseaux sémantiques

Introduit 2 opérateurs : — l’opérateur de nécessité (« il est nécessairement vrai que ... ») — l’opérateur de possibilité (« il est possible que ... »)

avec la logique et ces opérateurs nous pouvons définir :

« il est nécessairement vrai que l’ordinateur est branché et il est

possible qu’il soit intelligent »

Dans la même lignée il y a le Sys de logiques temporelles qui permet d’exprimer des événements avec des conditions temporelles à la valeur de réalité d’une proposition

Intelligence Artificielle (SBC)

41Représentation des connaissances et raisonnement

Réseaux sémantiques

Les R.S trop liés à la compréhension du langage naturel issus de travail en psychologie [Quillian 1968]

Ali rend visite à son père

Ali

rend visite

Père de Ali

ne donne pas la relation entre Ali et le père d’Ali : il manque son

Intelligence Artificielle (SBC)

42Représentation des connaissances et raisonnement

Réseaux sémantiques

EXP 2

e

personne1

rend visite

nom

Ali

personne

e

père de

e

personne2

personne3

nom

nom

Mohamed

Ali rend visite au père de Mohamed

Intelligence Artificielle (SBC)

43Représentation des connaissances et raisonnement

Réseaux sémantiques

Donc 1)

P1

nom

Ali

e

personne

e

rend visite

père de

P2

nom

...

Intelligence Artificielle (SBC)

44Représentation des connaissances et raisonnement

Réseaux sémantiques

Les dates de validité

Fares loue une maison de Janvier à Août

nom

Fares

Personne

e

P 1

locataire

Maison

e

e

L 1

chose louée

Maison 1

située

à

louer

date

début

Janvier

date

fin

Août

e

e

Date

Intelligence Artificielle (SBC)

45b b b 46Une règle de production est une C. de la forme :

SI condition ALORS conclusion (Coef )

Une BC dans ce formalisme est appelée : BASE DE RÈGLES (BR)

- Déclenchement de procédures - Hypothèse – action …



Un SI = BC + I + C

Choix des règles

Moteur d’inférence

47BC ou BR

M.I.

Un Sys à règles de production

B. de FAITS

 BC : Contient des règles de

production (M. à long terme du Sys)

 MI : mécanisme algo

(manipule la BC dans une situation de consultation)

• BF: -M. à court terme - C les infos connues sur le Pb - au début elle C les données préliminaires sur le Pb -elle s’enrichit ensuite par application des règles de la BC

48 Le MI fonctionne suivant 2 mécanismes de base :

 Le chaînage AVANT  Le chaînage ARRIÈRE  Le chaînage MIXTE

Peuvent être combinés

 C’est un raisonnement guidé par les données  Il envisage les règles dans le sens Condition  Conclusion

(G  D)

 À une étape le MI parcourt un cycle de 3 phases :

491. Recherche des règles applicables

 partie condition est vérifiée à partir de la BF

2. Sélection d’une règle parmi les candidates

 résolution de conflits

3. Application de la règle sélectionnée

 les éléments de la conclusion vont enrichir la BF

 Le cycle va reprendre jusqu’aucune règle n’est plus

applicable  saturation de la BF (Échec)  Ou on a réussi à  prouver le but (Succès)

50 Raisonnement guidé par un but  Utilise les règles dans le sens Conclusion  Condition

(D  G)

 Le MI fonctionne à partir d’un but initial à prouver

(rangé dans une pile)

 Utilise un cycle de 3 phases :

1. Détection des règles qui concluent sur le but courant

( sommet de pile) 2. Sélection d’une règle 3. Application de cette règle

 la partie condition de la règle devient un nouveau but à atteindre

51 Si cette condition est déjà dans la BF  le travail est

fait

 Sinon, elle est empilée dans la pile des buts

 Le cycle reprend (en traitant le sommet courant de la pile)

 Jusqu’à ce que :

 La pile soit vide  le but est atteint (Succès)  Aucune règle n’est plus envisageable  (Échec)

52  L’homme met en jeu une démarche dirigée par les

données (tirer des conclusions à partir d’infos)

 Et d’une démarche dirigée par les buts (tenter de prouver

une idée)  ceci se traduit par un chaînage mixte (combine les 2)

 Remarques :

1. Lors de la recherche des R à appliquer dans un chaînage avant le MI utilise le filtrage dans le cas où les règles contiennent des variables MI d’ordre 1 (comme la logique)

2. Lorqu’à une variable on ne peut substituer qu’une

constante (non une autre variable) MI d’ordre O+ 3. Si la R admise ne renferme pas de variables on parle de MI d’ordre O (une R sera tuée dès qu’elle est appliquée)

53 Exp de règles de production

« Rappeler soi-même au téléphone tout demandeur important dans les 24 heures »



SI appel téléphonique de X et X important ALORS dégager une période dans les prochaines 24 heures ET inscrire « téléphoner à X »

54 La résolution de Pb se fait par inférences déductives

(c’est une déduction par Modus Ponens)

 Exp : BF

F1 : père (Jacques, Charles) F2 : frère (Charles, François) F3 : frère(Jacques, Pierre)

 BC

R1 : père (x, y)  frère (y, z)  père (x, z) R2 : père (x, y)  frère (x, z)  oncle (z, y)

 BUT

oncle (x, François) « trouver l’oncle de François »

551.

2.

Inférence en chaînage avant R1 : (F1, F2)  père (Jacques, François) = F4 R2 : (F1, F3)  oncle (Pierre, Charles) = F5 R2 : (F4, F3)  oncle (Pierre, François)  But efficacité  limiter les inférences inutiles (exp : F5) il faut aussi que l’inférence ne boucle pas R3 : frère (x, y)  frère (y, x)  frère (François, Charles)  frère (Charles , François)  (donc il faut détecter les cycles) Inférence en chaînage arrière R2 : But 

SB1 = père (y, François) SB2 = frère (y, x)

56 R1: SB1

SB2 = frère(y, x) SB3 = frère (w, François) SB4 = père (y, w)

Peuvent être satisfaits par la BF

 SB2 

y = Charles x = François y = Jacques

x = Pierre

 SB3 

w = Charles

 SB4 

y = Jacques w = Charles

57 2 possibilités :

 (y = Charles, x = François)  (w = Charles)  y = Jacques,

w = Charles)  (y= Jaqcues, x= Pierre)  (w = Charles)  (y = Jacques, w = Charles)

x = Pierre

résultat

  Le chaînage arrière est plus efficace pour des Pbs bien

ciblés | la planification ou le diagnostic

 Le chaînage avant est plus adapté aux Pbs d’interprétation

des données

58 Il existe des systèmes qui admettent la présence de variables dans

les règles

À la place d’écrire :

 Si et alors

sensibilité = 100 éclairage = soleil vitesse = 127

 Si

sensibilité = 200

et éclairage = soleil alors vitesse = 270

Condenser ces règles :  Si et et alors

sensibilité = SENS éclairage = ECLAI calcul (SENS, ECLAI)=VITESSE vitesse = VITESSE

 avec un tableau :

calcul ( 100, soleil) = 127 calcul ( 200, soleil) = 270

59 Élargir le formalisme des R de Pb pour prendre en compte

l’incertitude de certains faits

 Technique des coefficients de vraisemblance (E. H.

SHORTLIFFE) dans MYCIM

a

 Un fait a un coefficient de vraisemblance (c.v.) noté « cf » :

 - 1 : fait faux  +1 : fait vrai  [-0,2 , +0,2] : fait indéterminé (ni Faux ni Vrai)

 Exp : Fièvre (Patient) = oui (cf = 0,7)

 « il est pratiquement certain que le patient a de la

fièvre »

60 L’incertitude peut affecter la relation entre prémisses et

conclusion  « si le patient a de la fièvre, il est à peu près certain qu’il a la méningite »

 Si fièvre (P) = oui

Alors maladie (P) = méningite (cf 0,6)

 Règle de calcul ? (pour propager l’incertitude dans

l’inférence)

 Exp : de MYCIN (3 règles) :

61 R1 : Si plusieurs règles concluent sur un même fait avec des coef

différents

Exp :

Si

Si

P1

P2

alors

alors

F

F

0,6

0,5

 FONCTION DE COMBINAISON (calcule le coef résultant) :

1 – 0,6 = 0,4

0,4 * 0,5 = 0,2

Coef de certirude

0

1 – 0, 2 = 0,8

0,5

1

1ère règle 0,6





Coef résultant = 0,8



(2ème règle) 0,5

0

0,5

1

62 R2 :

* Si P1 (cf 1) P2 (cf 2) Alors …

Prendre le max des 2 coef

* * Si P1 (cf 1) P2 (cf 2) Alors …

Prendre le min des 2 coef  R3 : Si la conclusion comporte un coef et que les Faits

qui satisfont les premisses ont aussi des coef

 Exp :  Si fièvre(P) = oui

ou maux-de-tête (P) = oui Alors maladie(P) = méningite (cf 0,8)

 et dans la BF nous avons :

fièvre (P) = oui (cf = 0,6) maux-de-tête (P) = oui (cf 0,4)

0,6 * 0,8 = 0,48 0,4 * 0,8 = 0,32 résultat : maladie (P) = méningite (cf 0,48)

Nous prenons le Max

6364La nécessité d’organiser de façon structurée des Cs. disponibles Dans la littérature sont apparus des formalismes de SCHEMAS ou PROTOTYPES : FRAMES (pour la vision) SCENARIOS (pour le traitement du langage) (scripts) Récemment, ces formalismes ont été intégrés dans les L. O. O

65DEF : Un FRAME regroupe de façon structurée

l’ensemble des Cs. :

- d’un objet physique - d’un concept - d’une situation typique

66EXP : Le concept boisson gazeuse

 FRAME B. GAZEUSE :

FACETTES

Sorte-de : Application : app (valeurs possibles : COCA, BOGA, FANTA)

boisson

ATTRIBUTS

(défaut : COCA) (si-besoin : demande appellation)

PROCEDURE

Couleur :

coul (valeur-possible : Noir, Blanc, Oranger)

rangement : caisse (intervalle : 20 à 25)

(défaut : noir)

(défaut : 20)

... : … 

67Au cours du raisonnement vont apparaître des instances de ce concept

EXP :

 Instance

appellation : coca couleur : noir rangement : 25  

DEF 2 : Un scénario a le même principe mais il est relatif à des séquences typiques d’événements (non plus à une description statique d’objets)

68EXP :

Script Manger-au-Restaurant

Éléments :

(Restaurant, Argent, Nourriture, Menu, Tables, Chaises)

Rôles :

(Personnes-affamées, Serveurs, Chefs) Point-de-vue : (Personnes-affamées) Moment : restaurant) Lieu :

(Emplacement du restaurant)

(Heures-d’ouverture du

69Scénario :

D’abord : Script « Entrer-au-Restaurant » Puis : Puis : Puis :

Script « Attirer-l’attention_du_Maître_d’hôtel » Script « Prendre-place-à-table » Script « Manger » sauf si (longue-attente) alors script (« Sortie-en-colère »

Puis :

si (qualité-nourriture > convenable) alors

script (« Féliciter-le-chef »

Puis : Enfin :

Script « Payer-l’addition » Script « Quitter-Restaurant »

Remarque : Exemples plus professionnels

• dépanner un matériel, négocier un contrat, conduire une réunion • Présenter un dossier …

70Exp :

Frame ou objet (information déductive)

OBJET : VEHICULE

O : Produit O : Produit industriel

O : Automobile

Type : Sous classe Milieu : Terre Marque : Renault / Fiat / … Couleur : une couleur Propriétaire : Perso.

O : R25

Type : sous-classe Marque : Renault Puissance : 9 cv

classe Terre / Air / Eau un nb  un objet un nb

Type : Milieu : Masse : Vitesse : Puissance : un nb METH-Calc-Puiss Age :

un nb

Procédure (information procédurale)

Un objet

Hérite de véhicule ou de produit Ind.  Héritage multiple

O : Camion

Type :

O : MA R25

Type : Instance Couleur : Gris Propriétaire : Ali Age : 7 ans

O : OM

Type :

71Nous allons faire le Frame Table qui décrit une catégorie qui est sous-

ensemble de meuble et faire le Frame « Table-de-Charles » qui est une instance de la catégorie « Table »

Frame Table Frame Table Sorte-de : Nombre-de-pieds : doit être entier

Meuble

Forme : Nbre-de- rallonges : doit être 0, 1 ou 2

par défaut 4 doit être carré, rectangulaire, ovale

72• La représentation des connaissance ou objets structurés est issue de travaux différents où il y a eu des applications variées : Schémas, frames, scripts, prototypes, objets, …

73Idée : L’homme devant une situation nouvelle : Idée : Idée : Idée : L’homme devant une situation nouvelle :

Il choisit dans son esprit une structure substantielle appelée FRAME. C’est un cadre de travail qui doit être adapté pour coller à la

réalité (en modifiant les détails nécessaires).

Le processus d’adaptation  l’appariement : Le processus d’adaptation

Choix d’un frame (en utilisant des heuristiques et des prévisions) Rechercher une correspondance entre la réalité et le FRAME choisi Si la correspondance n’est pas possible  nouveau FRAME

Représentation : - Typicalité Représentation :

- Valeur par défaut - Exceptions - Propriétés incomplètes - Hiérarchie dynamique

74Inférence : FILTRAGE (héritage, appariement) Inférence :

CLASSIFICATION (intégrer un Frame dans la hiérarchie)

Exemples : Exemples : • FRL : Frame Rep-Lang (GOLDSTEIN, 1977) • KRL : Knowledge Rep-Lang (WINOGRAD, 1977)

Forme : Forme : Forme : Forme :

(Frame (Frame

(attribut 1

(facette 1.1 (facette 1.2 ● ● ●)

valeur 1.1) valeur 1.2)

(attribut 2

(facette 2.1 (facette 2.2 ● ● ●)

valeur 2.1) valeur 2.2)

● ● ●)

75Exemple Exemple Exemple Exemple :: ::

((ATOME (

Sorte-de

(valeur

OBJET)) OBJET))

(valence

(Un (Intervalle

entier) [1 7]))

(liaison

(liste-de

(Charges (Charges

Liaison)) Liaison))

(un (défault

entier) 0)

(atomesliés (

(liste-de (si-ajout (si-enlève

ATOME) - saturation) - saturation))

(saturation (saturation (un

(si-besoin

entier) calcul-satura))) )

76Remarque : Remarque : Les facettes dépendent du langage (Déclaratives, Procédurales

Facettes déclaratives Facettes déclaratives

Utilisées pour caractériser un attribut dans son env. sémantique statique Facettes de typage 1.1. Facettes de typage  caractérisation des valeurs admissibles par un l’attribut • Un  autorise une valeur élémentaire

•

Liste-de  autorise plusieurs valeurs en même temps

• Domaine  ensemble des valeurs possibles

Intervalle  ensemble des valeurs ordonnées

• Facettes de valeur 2.2. Facettes de valeur  déterminent les valeurs attribuées • Valeur  la valeur courante • Défault  la valeur par défaut (valeur héritée)

77Facettes procédurales Facettes procédurales

• Elles incluent des procédures se déclenchant

(lors des accès aux attributs associés)

• Elles sont des réactions aux accès

 d’où le nom : réflexes ou démons

1.1. Réflexes

Réflexes a priori a priori ::  ensembles de procédures préalables à un accès à un attribut Si-besoin  déclenchement d’une procédure activée par un • accès de lecture d’une valeur d’un attribut (si celle-ci n’est pas déjà attribuée) exp : voir calcul-saturation Si-possible  déclenchement d’une procédure activée par un accès d’écriture pour vérifier la validité d’une valeur avant son attribution

•

781.1. Réflexes

a posteriori :: Réflexes a posteriori  ensemble de procédures postérieures à un accès à l’attribut •

Si-ajout  introduit une procédure activée après une modification de la valeur de l’attribut exp : -saturation Si-enlève  introduit une procédure activée après une suppression de valeur de l’attribut

•

Accès aux attributs Accès aux attributs

Les FRAMES n’ont pas de comportement propre  manipulés par des primitives (permettant de travailler sur les attributs)  Ces primitives d’accès intègrent les facettes de l’attribut et la hiérarchie d’héritage

793 types :

1. LIRE : (Lire Frame Attribut)

•

•

 lecture de la valeur d’un attribut La lecture repose sur l’utilisation de la hiérarchie et les facettes (valeur, défaut et si-besoin) La façon de consulter ces facettes permet des stratégies de parcours différentes a. Lecture en I : chercher une valeur en remontant dans la

hiérarchie (et ce pour l’une des 3 facettes [- en général la facette valeur-]

b. Lecture en N : réaliser une lecture en I sur chacune des 3

facettes suivant l’ordre : Valeur, si-besoin, Défaut

c. Lecture en Z : consulter dans l’ordre les facettes valeur, Si-besoin, Défaut avant de remonter la hiérarchie et recommencer

802. ECRIRE, AJOUTER

 affecter une valeur à un attribut  (ECRIRE Frame Attribut Valeur)

 attribution d’une valeur à un attribut par substitution de l’ancienne

 (AJOUTER Frame Attribut Valeur)

 attribution d’une valeur à un attribut dont la valeur est de type Liste Ces deux opérations se déroulent en 3 temps : A. Vérification a priori :

a. nouvelle valeur différente de l’ancienne b. Si oui elle doit satisfaire :

o Les contraintes de type (facette Domaine) de tous les frames de la hiérarchie (général ou particulier) o Les réflexes si possible sont activés (s’ils existent)

B. Ecriture

•  la valeur est mise en place dans la facette valeur de

l’attribut si elle existe

•  sinon la facette est crée avec la valeur

81C. Réflexes a posteriori :

 les réflexes Si-ajout sont déclenchés dans le même ordre que les vérifications a priori (la valeur écrite ne doit pas être mise en cause)

3. DETRUIRE, ENLEVER

 supprimer une valeur de l’attribut  (DETRUIRE Frame Attribut)

 supprimer la valeur de l’attribut  (ENLEVER Frame Attribut Valeur)

 supprimer la valeur indiquée de la liste des valeurs de l’attribut o Si la valeur n’existe pas au niveau de l’attribut  la

procédure rend la main

o Sinon la facette est détruite (dans le cas de la procédure DETRUIRE) ou la valeur est enlevée (pour la procédure ENLEVER)

o Les réflexes Si-enlève sont ensuite déclenchés dans l’ordre

ascendant de la hiérarchie

82 Dans le formalisme orienté objet (O.O) l’univers d’une application se compose

o De classes génériques o D’instances d’objets



Muni du mécanisme d’héritage

 Chaque objet est un frame Les objets sont indépendants et communiquent par un mécanisme de transmission de message

EXP : objet structuré pour VEHICULE

Rqs : o une classe  objet générique (sous-classe, s-s-classe, …) o un modèle particulier de la classe  instance oLa transmission de message  les objets sont réactifs oLes classes ont un ordre qui définit une hiérarchie (raisonnement)

83 Mécanisme d’héritage (transmission de Connaissances d’un concept vers ses fils)  Raisonnement local (paquets de règles, procédures, …) Raisonnement global :

1. Classification d’un nouvel objet 2. Comparer une instance à une classe (pour interpréter cette

instance)

84Dans les systèmes experts En vision (les objets sont des objets physiques présents dans une

image)

En traitement de la parole …

8586C’est l’introduction directe de procédures algorithmiques dans les système d’IA  Une BC peut donc contenir des représentations procédurales

87Appel direct: une R. de P. peut déclencher directement une

procédure (figurant en conclusion)

Attachement procédural : dans les FRAMES 

l’affectation d’une valeur à un attribut peut résulter d’une procédure

88« tous les militaires Américains sont astucieux »

1. En logique du 1er ordre

 x (Militaire (x) et Américain (x))  Astucieux (x)

2. Procédural

Langage Micro-Planner

Rqs : 1. Utilisation pour :

(CONSEQUENT (Astucieux ? x)

GOAL (Militaire ? x)

GOAL (Américain ? x))))

• •

Prouver que x est astucieux Prouver qu’un militaire non astucieux n’est pas américain

2. Pour prouver que x est astucieux

 il faut prouver que c’est un militaire

 si ça réussit

 il faut prouver qu’il est américain

8990Ex1:Ex1:Ex1:Ex1:

Le langage PROLOG (A. COLMERAUER, MARSEILLE 1972) •

la C. est représentée avec des « clauses de Horn » qui traduisent : • Des faits : accord (géromé, pinot-noir) region(X, Y)  region(X, U)  region(Y, U) • Des règles :

• Une clause du type : partie G  partie D se lit :

pour prouver la partie G, il suffit de prouver la partie D

• Exemple des fromages et des boissons un programme PROLOG :

91^

(1) Accord (géromé, pinot-noir) (1) Accord (géromé, pinot-noir) (2) Accord (X, Y)  fromage-chèvre (X)  même-région (X, Y) (2) (3) Accord (X, Y)  pâte-molle(X)  robe (Y, rouge) corps (Y, étoffé) (3) (4) (4) Fromage-chèvre (Charolles) (5) Pâte molle (camembert) (5) (6) Robe (morgon, rouge) (6) (7) Robe (fleurie, rouge) (7) (8) Corps (morgon, étoffé) (8)

Question : accord (camembert, L) ? Quel boisson servir avec le

camembert ?

Réponse : l’interpréteur PROLOG va parcourir les clauses du programme en cherchant à trouver L

Il répond

L=morgon

92Le raisonnement Le raisonnement

Avec X = camembert et Y=L

Accord (camembert, L) ?

(2)

Fromage-chèvre (camembert) Et même-région (camembert , L)

?

échec

L = fleurie

(7)

Corps (fleurie, étoffé)

?

échec

Avec X = camembert et Y=L (3)

Pâte-molle (camembert) Et robe (L, rouge) Et corps (L, étoffé)

?

(5)

robe (L, rouge) Et corps (L, étoffé)

?

(6) L = morgon

corps (morgon, étoffé)

?

(8) succès

L = morgon

93E