Intelligence Artificielle

Introduction

Mohammed BEKKALI
mohammed.bekkali@um5.ac.ma
ENSAM-Rabat
Université Mohammed V
Première Question
• Qu’est-ce qu’ont en commun les tâches suivantes?

• Concevoir un programme s’adaptant aux connaissances, à la fatigue, à l’émotion, ... de son

utilisateur ;
• Concevoir un programme résolvant des problèmes de géométrie ;
• Concevoir un robot autonome capable d’évoluer de façon autonome pour sauver des vies en cas
de catastrophe . . .

Le grand mot
Un tel système doit être intelligent !
Qu’est ce que l’intelligence?
Cela dépend à qui on pose la question...

• Darwin: Ce qui permet la survie de l’individu le plus apte, parfaitement adapté à son
environnement

• Gary Kasparov (champion du monde d'échecs) : Capacité d’anticiper

• Jacques Attali (Écrivain, Économiste ): Art de poser des Questions

• Turing : Ce qui rend difficile la distinction entre une tâche réalisée par un être humain
ou par une machine (voir son test plus tard)
Qu’est ce que l’intelligence Artificielle?
• Dans la littérature
• “ ... the science of making machines to do things that would require intelligence if done by
humans” (Marvin Minsky)

• “ AI is the part of computer science concerned with designing intelligent computer systems”
(E. Feigenbaum)

• Sur le Web
• IA Machines imitant les humains.

• IA simulation de processus intelligents chez l’humain ;

• Utiliser des modèles calculatoires pour simuler un comportement intelligent ;

Qu’est ce que l’intelligence Artificielle?
• Définition Wikipedia
L'intelligence artificielle (terme créé par John McCarthy), souvent abrégée avec le sigle IA, est
définie par l’un de ses créateurs, Marvin Lee Minsky, comme

« la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour
l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des
processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la
mémoire et le raisonnement critique ».
l’Intelligence Artificielle:
situation d’une discipline?
• 1ère Thèse: l’IA est une science cognitive
Le champ d’investigation de l’IA est le raisonnement : L’IA cherche à comprendre les
mécanismes de compréhension

• Un des buts fondamentaux de l’IA est la conception des systèmes capables de reproduire le
comportement de l’être humain dans ses activités de raisonnement.

• l’IA est l’étude des facultés mentales à travers de modèles calculatoires (computationnel),
elle se repose sur la notion suivante : « ce que fait le cerveau peut être considéré à un
certain niveau comme une activité calculatoire »
l’Intelligence Artificielle:
situation d’une discipline?
• 2ème Thèse: l’IA est une branche de l’informatique
• L’ordinateur n’est pas seulement un outil d’investigation, il est l’objet de la recherche. l’IA
est l’une des disciplines de l’informatique. «Comment rendre les ordinateurs plus habiles?»
telle est la question fondamentale de l’IA.

• Est-ce dire par là que l’on cherche à augmenter la vitesse ou la précision des travaux des
ordinateurs, par exemple pour qu’ils résolvent numériquement des systèmes d’équations
de plus en plus complexes?
Le test de Turing
Turing (1950) veut construire un cerveau artificiel :

“En imitant moins la physiologie du modèle humain, que son comportement logique, les
états de pensées étant équivalents aux instructions de la machine”

Le test de Turing

Un individu communique à l’aide d’un terminal d’ordinateur avec un interlocuteur

invisible. Il doit décider si l’interlocuteur est un être humain ou un système d’IA imitant
un être humain.
Critique du test de Turing
• l’Intelligence d’un agent artificiel doit être comparable à celle d’un homme ;
• L’intelligence d’après Turing manipule des symboles (questions/réponses), n’existe-t-il
pas d’autre forme ?

• Le test est basé sur un programme

• Un programme est syntaxique ;
• Les esprits ont une sémantique ;
• La syntaxe ne suffit pas à la sémantique

Donc
Les programmes(machines) ne peuvent générer la sémantique, les sentiments, ou
l’esprit.
Comparaison des méthodes de l’IA est des
méthodes informatiques classiques
Méthodes classiques Méthodes d’IA

Près du fonctionnement de la machine Près du fonctionnement humain

Traitement de nombres ou de textes Traitement de symboles

Utilisant beaucoup de calculs Utilisant beaucoup d’inférence

Suivent des algorithmes rigides Font appel à des heuristiques

Ne sont généralisables qu’à une classe de Sont généralisables à des domaines

problèmes semblables complétement différents
Domaines d’investigation de l’IA
• Les systèmes de production (Ordonnancement)

• Les systèmes experts

• diagnostic de pannes ;
• diagnostique médical: à partir de symptômes et de leur degré (je souffre un peu,
beaucoup...), la machine déduit un ou plusieurs diagnostics.

• La reconnaissance de formes :
• tri automatique du courrier à la poste: La machine reconnaît automatiquement les
codes postaux car elle a enregistré des exemples écrits des différents chiffres ;
• systèmes de surveillance du trafic ;
• systèmes de reconnaissance des visages.
Domaines d’investigation de l’IA
• Traitement du Langage naturel
• La reconnaissance de la parole ;
• La reconnaissance de l’écriture ;
• Traduction automatique.

• Robotique: un des grands domaines d'application de l'intelligence artificielle.

• Jeux de stratégie (échec, dames, … ).

• Système de planification: Trouvez la séquence optimale de tâches qui permet

d’atteindre un but.
Intelligence Artificielle
Chapitre 1
Agents Intelligents
Objectifs
• Définir la notion d’agents intelligents
• Agent rationnel

• Comprendre l’analyse PESA

• (Performance measure, Environment, Actuators and Sensors)

• Distinguer divers types d’environnements

• Distinguer divers types d’agents

Deux Branches de l’IA - 1 -
• Compréhension de l’intelligence
• Neurosciences computationnelles
• Développer des modèles mathématiques du fonctionnement du cerveau
au niveau neuronal
• Sciences cognitives, psychologie
• Comprendre le raisonnement humain
• Prédire la performance d’un humain à une tache
• Ex. : l’architecture ACT-R pour évaluer le risque couru en parlant au
téléphone lors de la conduite d’une voiture (modèle multitasking
chez l’humain)
Deux Branches de l’IA - 2 -
• Création d’agents intelligents

• Capacités fondamentales:

• Perception

• Représentation des connaissances (modélisation)

• Apprentissage

• Raisonnement

• Prise de décision
Pourquoi avoir une IA ?
• Programmation d’actions vs décision automatique

• Programmation d’actions
• Scripts
• Machine à états finis

• Décision automatique
• Les actions à exécuter ne sont ni scriptées, ni programmé à l’avance
• L’agent décide lui-même de ses propres actions, à partir d’un certain calcul ou
« raisonnement »
• On donne à l’ordinateur la capacité de prendre des décisions intelligentes dans
toute situation possible
Agents Intelligents – Définition et analyse PEAS
Agents
• Un agent est n’importe quel entité qui perçoit son environnement par des
capteurs (sensors) et agit sur cet environnement par des des actionneurs
(actuators)

• Un agent humain a:
• Des yeux, des oreilles, et d’autres senseurs
• Des mains, des jambes, une bouche et d’autres actionneurs
• Un agent robot a :
• Des caméras, des capteurs infra rouge et d’autres capteurs
• Des roues, des bras-articulés, et d’autres actionneurs
• Un agent logiciel a :
• Un clavier, un accès lecture à un disque dur et d’autres capteurs
• Un écran, un accès écriture à un disque dur comme actionneurs
Agents
Un agent intelligent contient un ou plusieurs des éléments suivants :

• Une base de connaissance prédéfinie,

• Un moteur d'inférence, lui permettant de tenir des raisonnements plus ou moins

complexes,

• Un système d'acquisition de connaissances,

• Un mécanisme d'apprentissage.
Agents et Environnements

• Le processus agent f prend en entrée une séquence d’observations (percepts) et

retourne une action:
f : P*  A
• En pratique le processus est implémenté par un programme sur une architecture
matérielle particulière
Ébauche d’un Agent

function Skeleton-Agent (percepts) returns action

static : memory, the agent memory of the world

memory  Update-Memory (memory, agent)

action  Choose-Best-Action (memory)
memory  Update-Memory (memory, action)
return action
Exemple : Aspirateur Robotisé

• Observations (données sensorielles) : position et états des lieux

• Par exemple : [A, Propre], [A, Sale], [B, Propre], [B, Sale]

• Actions : Gauche, Droite, Absorber, NonOperation

Exemple : Aspirateur Robotisé

f:
[A, Propre]  Droite
[A, Sale]  Absorber
…
[A, Propre][A, Propre][A, Sale]  Absorber
[A, Propre][A, Propre][A, Propre]  Droite
…
Agents rationnels
• Un agent rationnel doit agir « correctement » en fonction de ce qu’il perçoit et de ses capacités
d’actions:
• L’action correcte est celle permettant à l’agent de réussir le mieux
• Mesure de performance
• Une fonction objectif mesurant la qualité d’un comportement de l’agent
• Par exemple, une mesure de performance d’un robot aspirateur pourrait être:
• La qualité des déchets aspirés
• La propreté des lieux
• La durée de la tâche
• Le bruit généré
• Agent rationnel : étant donné une séquence d’observations (données sensorielles) et des
connaissances propres, un agent rationnel devrait choisir une action qui maximise la mesure de
performance
Agents rationnels
• Rationalité ne veut pas dire « qui sait tout »
(Par exemple, connait tous les effets de ses action)

• Rationnel ne veut pas dire « parfait »

• La rationalité maximise la performance espérée
• La perfection maximise la performance réelle / actuelle
• Mais souvent on ne peut pas connaitre la performance réelle avant l’action

• Un agent peut effectuer des actions d’observation pour recueillir des informations nécessaires à
sa tâche

• Un agent est autonome s’il est capable d’adapter son comportement en fonction de son
expérience (capacité d’apprentissage et d’adaptation)
Modèle PEAS
• PEAS est un modèle de conception des agents par la spécification des composantes
majeurs suivantes:

• mesure de performance (Performance)

• éléments de l’environnement(Environnement)
• les actions que l’agent peut effectuer (Actionneurs ou Actuators)
• la séquence des observations ou percepts de l’agent (Capteurs ou Sensors)

• PEAS = Performance, Environment, Actuators, Sensors

Modèle PEAS pour un robot Taxi
• Agent
• robot taxi

• Mesure de performance
• sécurité, vitesse, respect du code routier, voyage confortable, maximisation des profits

• Environnement
• route, trafic, piétons, clients

• Senseurs
• caméra, sonar, compteur de vitesse, GPS, etc.

• Actionneurs
• volant, changement de vitesse, accélérateur, frein, clignotants, klaxon
Modèle PEAS pour un diagnostique médical
• Agent
• système de diagnostique médical

• Mesure de performance
• santé des patients, minimisation des coûts, satisfaction des patients

• Environnement
• patient, hôpital, personnel soignant

• Actionneurs
• moniteur pour afficher des questions, les résultats de tests ou de diagnostique, le
traitement, etc.

• Senseurs
• clavier et souris pour saisir les symptômes, les réponses aux questions, etc.
Agents intelligents : Type d’Environnements
Caractéristiques d’Environnement
• Différents problèmes auront des environnements avec des caractéristiques différentes

• Caractéristiques que l’on distingue :

• Complètement observable (vs partiellement observable)
• Déterministe (vs stochastique)
• Épisodique (vs séquentiel)
• Statique (vs dynamique)
• Discret (vs continu)
• Agent unique (vs multi-agent)
Caractéristiques d’Environnement
Complètement observable

• Complètement observable (vs partiellement observable) : grâce à ses capteurs l’agent a

accès à l’état complet de l’environnement à chaque instant

• Le jeu des échecs est complètement observable

• On voit la position de toutes les pièces

• Le jeu du poker est partiellement observable

• On ne connaît pas les cartes dans les mains de l’adversaire
Caractéristiques d’Environnement
Déterministe

• Déterministe (vs stochastique) : état suivant de l’environnement est entièrement

déterminé par l’état courant et l’action effectué par le ou les agents

• Le jeu des échecs est déterministe

• Déplacer une pièce donne toujours le même résultat

• Le jeu du poker est stochastique

• La distribution des cartes est aléatoire

• Notes importantes
• On considère comme stochastique les phénomènes qui ne peuvent pas être prédits parfaitement
• On ne tient pas compte des actions des autres agents pour dire si déterministe ou pas
Caractéristiques d’Environnement
Épisodique

• Épisodique (vs séquentiel) : les opérations / comportements de l’agent sont divisés en

épisodes
• Chaque épisode consiste à observer l’environnement et effectuer une seule action
• Cette action n’a pas d’influence sur l’environnement dans l’épisode suivante

• La reconnaissance de caractères est épisodique

• La prédiction du système n’influence pas le prochain caractère à reconnaitre

• Le jeu du poker est séquentiel

• Décider si je mise ou pas a un impact sur l’état suivant de la partie
Caractéristiques d’Environnement
Statique

• Statique (vs dynamique) : l’environnement ne change pas lorsque le ou les agent

n’agissent pas

• Le jeu des échecs est statique

• L’état du jeu ne change pas si personne joue

• Le jeu Pong est dynamique

• La balle bouge même si je ne fait rien

• Notes importantes
• On ne tient pas compte des actions des autres agents pour déterminer si statique ou non
Caractéristiques d’Environnement
Discret

• Discret (vs continu) : un nombre limité et clairement distincts de données sensorielles et

d’actions

• Le jeu des échecs est dans un environnement discret

• toutes les actions et états du jeu peuvent être énumérés

• La conduite automatique d’une voiture est dans un environnement continu

• L’angle du volant est un nombre réel

• Le jeu Pong est dans un environnement continu

• La position de la balle est une paire (x, y) de nombre réels
Caractéristiques d’Environnement
Agent unique

• Agent unique (vs multi-agent) : un agent opérant seul dans un environnement

• Résoudre un Sudoku est un agent unique

• Aucun adversaire

• Le jeu des échecs est multi-agent

• Il y a toujours un adversaire
Caractéristiques d’Environnement
• Parfois, plus d’une caractéristique est appropriée

• Jeu de Pong
• La position de la balle est plus simple à concevoir en nombres réels
• Par contre, sur un écran d’ordinateur, il y a un nombre fini de pixels …

• Déplacement d’un Robot

• Si seul dans un environnement, ses déplacements sont théoriquement déterministes (la physique
mécanique est déterministe)
• Par contre, puisque un robot ne contrôle pas parfaitement ses mouvements, on préfère normalement
modéliser comme stochastique

• On identifie souvent les caractéristiques d’environnement en réfléchissant à comment

on programmerait / simulerait cet environnement
Agents intelligents : Type d’Agents
Modèle PEAS
• PEAS : un modèle de conception des agents par la spécification des composantes
majeurs suivantes:

• mesure de performance (Performance)

• éléments de l’environnement(Environnement)
• les actions que l’agent peut effectuer (Actionneurs ou Actuators)
• la séquence des observations ou percepts de l’agent (Capteurs ou Sensors)

• PEAS = Performance, Environment, Actuators, Sensors

Structure des Agents
Il y a 4 types d’agents:

• Simple reflex agents

• Model-based Reflex agents
• Goal-based agents
• Utility-based agents
Simple reflex agents

Agent
Sensors
Agit seulement à partir
What the world

Environment
du percept actuel, en
ignorant l’historique is like now

Condition-action What action i

rules should do now

Actuators
Simple reflex agents

function Simple-Reflex-Agent (percept) returns an action

persistent : rules, a set of condition-action rules

state  Interpret-Input(percept)
rule  Rule-Match (state, rules)
action  rule.action
return action
Model-based reflex agents

Agent
State Sensors

What the world

Environment
AccumuleHowl’information
the worlddans
evovles
le temps pour estimer l’état is like now
de l’environnement
What my actions do

Condition-action What action i

rules should do now

Actuators
Goal-based agents

Agent
State Sensors

Plutôt que de spécifier

How theune règleevovles
world What the world is

Environment
conditions/action explicitement, like now
on ne fait que spécifier un but What it will be like
(va pouvoir tenir compte
What dumyfutur)
actions do if i do action A

Goal What action i

should do now

Actuators
Utility-based agents
Agent
Sensors
State

Intègre la notionHow the world evovles

de préférence What the world is
like now

Environment
entre différentes actions
(ex.: action qui résout une tâche
donnée le plus rapidement possible) What it will be like
What my actions do
if i do action A

Utility How happy i will

be in such a state

What action i
should do now

Actuators
Apprentissage dans un Agent
• Les 4 types d’agents varient dans la façon de prendre leur décision

• À partir de quelle connaissance prendre ces décisions ?

• Solution : apprendre ces connaissances

• On va voir plusieurs façon de faire l’apprentissage, et ce pour différents types d’agents

Agents intelligents : exemple
Exemple : Le Monde des Wumpus
•Mesure de performance
–or +1000, mort -1000
–-1 par un pas, -10 pour une flèche
•Environnement
–Puanteur dans les chambres adjacent au wumpus.
–Brise dans les chambres adjacentes à une fosse
–Scintillement si l’or est dans la chambre
–Le wumpus meurt si on lui tire une flèche de face
–On a une seule flèche
–On peut ramasser l’or dans la même chambre
–On peut lâcher l’or dans une chambre
•Senseurs: stench (puanteur), breeze (brise), glitter (scintillement), bumper (choc), scream (cri).
•Actuateurs: Left turn, Right turn, Forward, Grab, Climb, Shoot
Caractérisation du monde des wumpus

•Complètement observable? Non – seulement perception locale.

•Déterministe? Oui – l’effet de chaque action est prévisible.

•Épisodique? Non – séquentiel au niveau des actions.

•Statique? Oui – le wumpus et les fosses ne bougent pas.

•Discret? Oui – on peut énumérer toutes les configurations possibles (nb d’actions est fini).

•Agent unique? Oui – La seule action du wumpus est de nous « bouffer » si on atteint sa
chambre.
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus
Exploration du monde des Wumpus