Introduction à L’Intelligence Artificielle

Ce document présente une introduction complète à l’intelligence artificielle (IA), destinée aux étudiants et chercheurs débutants dans ce domaine. Il couvre les définitions, l’histoire, les concepts clés, les domaines de recherche, les applications et les perspectives futures de l’IA.

Définition de l’intelligence artificielle

L’intelligence artificielle vise à concevoir des systèmes capables de reproduire le comportement humain dans ses activités de raisonnement. L’IA cherche à modéliser l’intelligence comme un phénomène, à l’instar des sciences naturelles telles que la physique ou la biologie.

Le test de Turing

Le test de Turing, proposé en 1950, consiste à déterminer si une machine peut imiter si bien un humain que son interlocuteur ne peut pas la distinguer d’un être humain. Le test met en scène trois joueurs : A (homme), B (femme) et C (homme ou femme). C doit identifier qui est l’homme et qui est la femme en communiquant uniquement par clavier. A tente d’induire C en erreur, B l’aide. Si une machine jouait le rôle de A et que C se trompait aussi souvent, on pourrait considérer la machine comme intelligente.

La chambre chinoise de John Searle

John Searle a proposé une expérience de pensée appelée « la chambre chinoise » pour critiquer l’idée que passer le test de Turing signifie comprendre. Enfermé dans une pièce avec un livre de correspondances en chinois, sans connaître la langue, Searle répond à des messages en chinois en suivant strictement les instructions du livre. Pour un observateur extérieur, ses réponses semblent pertinentes, mais Searle ne comprend rien au chinois. Cela illustre que le succès d’un programme ne garantit pas une compréhension réelle.

Deux écoles de pensée en IA

• Une machine est intelligente si elle reproduit le comportement humain dans un domaine donné.
• Une machine est intelligente si elle modélise le fonctionnement humain.

Exemple : le jeu d’échecs

Dans la première approche, on cherche un programme efficace, capable d’explorer des millions de positions par seconde, même si ces calculs dépassent les capacités humaines. Dans la seconde, on tente de comprendre comment l’humain joue, en interviewant des maîtres et en dégageant des règles stratégiques (ex. : occuper le centre, dominer une couleur de cases). Le programme est alors conçu pour valider ces règles.

Historique de l’intelligence artificielle

La préhistoire (1945-1955)

Les premiers travaux portaient sur la traduction automatique, avec des problèmes de représentation et d’extraction des connaissances. Le terme « robot » est apparu en 1923 dans la pièce « R.U.R » de Karel Capek. En 1950, Isaac Asimov a formulé ses trois lois de la robotique :

• Un robot ne doit pas nuire à un humain.
• Un robot doit obéir aux ordres humains sauf si cela contredit la première loi.
• Un robot doit préserver sa propre existence sauf si cela contredit les deux premières lois.

Les débuts (1955-1970)

• Le terme « intelligence artificielle » est apparu en 1956 lors de la conférence de Dartmouth.
• Optimisme initial : on pensait qu’un programme d’échecs pourrait bientôt battre un champion du monde et qu’un programme de démonstration automatique de théorèmes découvrirait des théorèmes mathématiques.
• Premiers langages IA : IPL1 (1956), Lisp (1960), Prolog (1971).
• Le système ELIZA (1965) simulait un dialogue en anglais en jouant le rôle d’un psychothérapeute, sans réelle compréhension.
• Le système SHRDLU (1970) comprenait un monde simplifié de blocs et pouvait dialoguer en langage naturel.

Traitement du langage naturel

Exemples d’ambiguïtés :

• « J’ai vu un homme sur la colline avec des jumelles. » (jumelles : instrument ou personnes ?)
• « Le professeur envoya l’élève chez le directeur parce qu’il voulait lui lancer des boulettes à la figure. » (qui voulait lancer les boulettes ?)

Les années 1970-1980 : spécialisation et théorisation

• L’IA devient un carrefour disciplinaire (informatique, logique, linguistique, neurologie, psychologie).
• Naissance du langage Smalltalk en 1980.
• Simon reçoit le prix Nobel d’économie en 1978.
• Développement de systèmes experts comme DENDRAL (1969), MACSYMA (1967), MYCIN (1977).

Les années 1980-1990 : reconnaissance et avancées techniques

• Projet de cinquième génération au Japon (MITI).
• Développement des réseaux de neurones, algorithmes génétiques, programmation logique inductive, réseaux bayésiens.
• Début de l’IA distribuée ou systèmes multiagents, inspirée par l’intelligence collective naturelle.

Les années 1990-2000 : Internet et applications avancées

• Internet facilite le partage et le traitement massif d’informations (data mining, recherche d’information).
• « Jardins des hasards » : écosystèmes virtuels évolutifs en temps réel.
• ALVINN (1995) : conduite automatique d’un véhicule.
• En 1997, Deep Blue bat Garry Kasparov aux échecs.
• Première RoboCup (1997), championnat de robots jouant au football.
• Un agent intelligent de la NASA pilote un satellite au-delà de Mars sans aide terrestre (1999).

Les années 2000

• Création d’ontologies, par exemple Unified Medical Language System.
• Succès dans le traitement du langage naturel avec WordNet et OpenCyc.
• Expansion de l’e-learning avec des systèmes adaptatifs prenant en compte le profil cognitif et affectif de l’apprenant.
• Systèmes de recommandation basés sur le raisonnement à base de cas, filtrage collaboratif et web usage mining.
• Captcha pour différencier humains et machines.
• Logiciel de reconnaissance d’écriture manuscrite avec 98 % de certitude sur l’auteur.
• Robots humanoïdes comme K-Bot, capable d’expressions faciales, et Wakamaru, destiné à la surveillance des personnes âgées.
• Développement de systèmes portables d’alerte cardiaque détectant les crises avant les symptômes.

Domaines de recherche en intelligence artificielle

Systèmes experts

Les systèmes experts sont des systèmes à base de connaissances permettant le diagnostic, la surveillance ou la prise de décision dans des domaines spécialisés (médecine, finance, industrie).

Robotique

La robotique combine perception, action et raisonnement pour permettre aux robots de se déplacer, raisonner et communiquer en langage naturel.

Traitement du langage naturel

Développement d’interfaces en langage naturel pour interroger des bases de données ou dialoguer avec des systèmes intelligents.

Reconnaissance des formes

Automatisation de la reconnaissance visuelle, vocale ou écrite, avec des applications en sécurité, police, lecture optique, etc.

Apprentissage-machine

Processus permettant à un agent d’acquérir la capacité d’effectuer de nouvelles tâches ou d’améliorer ses performances. On distingue :

• Apprentissage analytique : analyse et optimisation des connaissances existantes.
• Apprentissage synthétique : découverte de connaissances nouvelles.

Réalité virtuelle

Interaction homme-machine immersive grâce à des dispositifs graphiques et sensoriels, utilisée notamment pour traiter des phobies.

Vie artificielle

Étude et reproduction des caractéristiques des systèmes vivants, des mécanismes cellulaires aux dynamiques d’écosystèmes.

Indexation multimédia et fouille de données

Extraction de connaissances à partir de bases de données volumineuses et non structurées, notamment sur le Web.

Types de raisonnement en intelligence artificielle

• Raisonnement formel : logique, approximatif, temporel.
• Raisonnement procédural : algorithmes, automates à états finis, raisonnement par classification.
• Raisonnement par analogie : raisonnement à partir de cas similaires (CBR - Case Based Reasoning).
• Raisonnement par généralisation et abstraction : induction, classification.
• Raisonnement géométrique : synthèse d’images, reconnaissance de formes, localisation d’objets.

Exemple de raisonnement par analogie (CBR)

1. Un nouveau problème est présenté.
2. Recherche de cas similaires dans la base de cas.
3. Réutilisation et adaptation des solutions existantes.
4. Confirmation et mise à jour de la base de cas.

Acquisition et représentation des connaissances

L’acquisition des connaissances est difficile car les savoirs des experts sont souvent subjectifs et complexes à formaliser. Il faut organiser ces connaissances pour qu’elles soient exploitables par un système.

Types de connaissances

• Connaissances déclaratives : faits et données (ex. : population du Québec en 2009).
• Connaissances procédurales : savoir-faire (ex. : recette de cuisine).
• Connaissances conceptuelles : combinaison des deux (ex. : référendum avec règles et procédures).

Problèmes liés aux données

• Redondance (données répétées).
• Corrélation (relations entre variables).
• Synonymie (différentes expressions pour la même chose).
• Ambiguïté (sens multiple).
• Information cachée.
• Imprécision.
• Absence de données.

Évolution des processus d’acquisition

• Techniques manuelles.
• Techniques semi-automatiques.
• Apprentissage machine.

Les systèmes à base de connaissances (systèmes experts)

Un système expert comprend :

• Base de connaissances : informations spécifiques au domaine.
• Base de faits : données symboliques et numériques relatives au problème.
• Base de règles : règles de production et heuristiques pour résoudre les problèmes.
• Moteur d’inférences : mécanisme créatif qui applique règles et faits pour générer de nouvelles connaissances.
• Méta-règles : règles guidant la stratégie du moteur d’inférences.

Phases de développement d’un système expert

1. Spécification du cahier des charges.
2. Choix de l’architecture, interface utilisateur et langage de traitement.
3. Élaboration d’un démonstrateur sur un sous-ensemble du problème.
4. Acquisition et modélisation des connaissances.
5. Implantation du moteur d’inférences.
6. Tests, ajustements et documentation.

Catégories de systèmes experts et types de problèmes

Catégorie	Type de problème
Interprétation	Décrire des situations à partir de données sensorielles
Prédiction	Prévoir les conséquences de situations données
Diagnostic	Identifier des problèmes à partir d’observations
Conception	Configurer des objets selon des contraintes
Planification	Déterminer des plans d’action
Surveillance et contrôle	Comparer observations et défaillances, remédier
Réparation	Prescrire des remèdes et exécuter des plans
Formation	Identifier failles et proposer stratégies pédagogiques

Exemple : le système MEDIC

• Base de faits : symptômes cliniques, examens biologiques et radiologiques.
• Deux bases de règles : expertise sur les ictères rétentionnels chirurgicaux.
• Moteur d’inférences avec chaînage bidirectionnel :
• Chaînage avant : suspicion de diagnostics.
• Chaînage arrière : confirmation ou infirmation.
• Chaînage avant : thérapie et pronostic.

Représentation symbolique des connaissances

La représentation des connaissances utilise plusieurs formalismes :

• Logique des propositions (sans variables ni quantificateurs).
• Logique du premier ordre (avec variables et quantificateurs).
• Règles de production (exemple : « Si non IMAGE et SON alors INTENSITÉ-ÉCRAN »).
• Représentations structurées : réseaux sémantiques, frames, logiques terminologiques (KL-ONE), graphes conceptuels.

Exemple en logique propositionnelle et du premier ordre

Phrase : « Zola a écrit Germinal »

(AUTEUR, ZOLA) ∧ (LIVRE, GERMINAL)

Phrase : « Quelqu’un a écrit Germinal »

∃x, A-ECRIT(x, GERMINAL)

Exemple de réseau sémantique

• ANIMAL
• est-un POISSON
• est-un OISEAU
• POISSON
• possède des nageoires
• sait nager
• SAUMON (couleur rose, comestible)
• OISEAU
• a des ailes
• peut voler
• sait chanter
• CANARI (couleur jaune)

Exemple de graphe conceptuel

[HOMME : PAUL] (AGT) → [HISSER] (OBJ) → [VOILE]

[MARIN] (AGT) → [BARRER] (OBJ) → [BATEAU]

Exemple de logique terminologique

• THING (chose)
• Mammifère, Personne
• Parent, Grand-parent
• Relations : enfants (1, ∞), date-de-naissance (1,1)

Ingénierie des connaissances

Questions clés :

• Quelles données fournir au système ?
• Quels résultats produire et comment ?
• Quels types de problèmes et solutions ?
• Quels types de connaissances acquérir ?
• Relations entre données ?
• Précision des données et résultats ?
• Postulats de base de l’expert ?
• Contraintes à respecter ?
• Problèmes faciles, fréquents, difficiles ?

Tâches en ingénierie des connaissances

• Identifier la connaissance.
• Expliciter la connaissance.
• Structurer la connaissance.
• Représenter la connaissance.
• Utiliser, valider, raffiner et mettre à jour la connaissance.

Nature de la connaissance d’un expert

• Compilée.
• Volatile.
• Subjective.
• Répartie.

Perspectives futures en intelligence artificielle

• Agents intelligents (ex. résolution de conflits).
• Vie artificielle (écosystèmes).
• Data mining (aide à la décision, Internet).
• Traitement du langage naturel (écrit et parlé).
• E-learning (formation à distance).
• Commerce électronique.
• Web services.
• Réalité virtuelle.

Glossaire des termes clés

• Agent intelligent : système capable d’agir et de prendre des décisions de façon autonome.
• Apprentissage-machine : processus par lequel un système améliore ses performances ou acquiert de nouvelles compétences.
• Base de connaissances : ensemble des informations spécifiques à un domaine d’expertise.
• Chaînage avant/arrière : méthodes d’inférence dans les systèmes experts pour générer ou vérifier des hypothèses.
• Logique du premier ordre : formalisation logique avec variables et quantificateurs.
• Moteur d’inférences : composant d’un système expert qui applique les règles pour déduire de nouvelles connaissances.
• Réseau sémantique : représentation graphique des connaissances sous forme de nœuds et relations.
• Système expert : système informatique reproduisant le raisonnement d’un expert humain dans un domaine précis.
• Test de Turing : test d’évaluation de l’intelligence d’une machine par comparaison à un humain.
• Vie artificielle : étude et simulation des caractéristiques des systèmes vivants par des systèmes artificiels.

Points clés à retenir

• L’intelligence artificielle vise à modéliser et reproduire le raisonnement humain.
• Le test de Turing évalue la capacité d’une machine à imiter un humain.
• Les systèmes experts sont des applications majeures de l’IA, combinant bases de connaissances et moteurs d’inférences.
• L’IA a évolué de la simple simulation à des techniques avancées comme les réseaux de neurones, l’apprentissage-machine et les systèmes multiagents.
• Les domaines de recherche incluent la robotique, le traitement du langage naturel, la reconnaissance des formes, la vie artificielle et la réalité virtuelle.
• La représentation des connaissances utilise des formalismes logiques, des règles de production et des structures graphiques.
• Les perspectives futures de l’IA incluent des agents intelligents, le data mining, le e-learning et des interactions homme-machine plus naturelles.
• L’objectif ultime de l’IA est d’assister l’humain, en le déchargeant des tâches répétitives pour lui permettre de se concentrer sur des activités créatives.