UNIVERSITE De La Manouba

Ecole Supérieure de Commerce de Tunis

M1 IDIAG
2023-2024

Dr. Inès BENJAAFAR

[email protected]

1
Références
Elaine Rich, Kevin Knight, Artificial Intelligence, McGraw-Hill, 1991
Michael R. Genesereth, Nils J. Nilsson , Logical Foundations of
Artificial Intelligence, Morgan Kaufmann, 1987
Patrick H. Winston, Artificial Intelligence, Addisson Wesley, 1992
Stuart J. Russell, Peter Norvig, Artificial Intelligence : A Modern
Approach (2ème édition), Prentice Hall, 2003

2
Plan du cours
 Introduction à l’IA

 Technique générales de représentation de problèmes

 Algorithmes de recherche Aveugle

 Algorithmes de recherche Heuristique

 Algorithmes de Jeux

 Raisonnement par contraintes

 Connaissances et raisonnements

 Systèmes à base de règles, systèmes experts

 Apprentissage automatique
 M1 IDIAG
2023-2024

Dr. Inès BENJAAFAR

[email protected]
Sources
Les exemples et les figures sont extraits des transparents du
cours suivant :
Cornuéjols, A. Cours intelligence artificielle, Dept. MMIP
(Modélisation Mathématique, Informatique et Physique),
AgroParisTech http://www2.agroparistech.fr/ufr-
info/membres/cornuejols/Teaching/AGRO/Cours-
IA/iodaa-cours-IA.html

5
Plan
Exemples
Définitions
Objectifs de l'IA
Sources de difficultés
Domaines d'application - exemples
Les approches de l’IA
Histoire de l’IA
Types de raisonnement en IA

6
Exemple : Jeux
Echecs :
Ces jeux sont qualifiés d'«intelligent» car ils possèdent une
véritable réflexion pour élaborer une tactique permettant
de battre l’ adversaire

Jeu de Go :
AlphaGo Zero est une nouvelle
génération d'intelligence artificielle qui apprend seule
Après un entraînement de seulement trois jours, elle a
battu au jeu de Go son aînée AlphaGo sans faire appel à
l'expérience humaine
7
Exemple : Robotique

➥ Perception
➥ Prise de décision
➥ Action
➥ Communication
➥ Apprentissage

8
Exemple : Robotique
BigDog

➥ Un mulet destiné à accompagner

les soldats en leur transportant du
matériel dans des terrains trop
irréguliers pour les véhicules

➥ Il peut également mener des

opérations d'observation

➥ Il utilise quatre pattes qui lui

permettent de se mouvoir sur un sol
impraticable pour des engins ou
robots avec des roues

9
Exemple : Robotique

➥ Analyse et interprétation de
scène

10
 Exemple : Intelligence ambiante
➥ L'évolution technologique permet de
fabriquer des ordinateurs et composants
informatiques minuscules,
des capteurs et senseurs qui pourront
être omniprésents (nano-informatique)
et communiquer entre eux et avec
différents réseaux (IoT)

➥ Elle ouvre à presque tous les objets de

la vie courante, la capacité à déclencher
un échange spontané d'informations,
sans interaction avec leur utilisateur

11
 Exemple : Systèmes
ubiquitaires « intelligents »
➥ L’informatique ubiquitaire est une
ère de convergence où une gamme
d'appareils disparates communiquent
discrètement à travers un tissu de
réseaux hétérogènes

➥ Cet agencement crée un milieu

composé de machines « intelligentes »,
qui surveillent nos faits et gestes, nos
habitudes et anticipent les demandes

➥ Applications
• Domotique
• Aide aux personnes handicapées
• Station orbitale
• ….
12
Qu’est-ce que l’IA ?

« The study of the conjecture that every aspect of

learning or any other feature of intelligence can in
principle be so precisely described that a machine can
be made to simulate it. »
Dartmouth Workshop, Summer of 1956

13
Qu’est-ce que l’IA ?
A la différence de la Philosophie ou de la Psychologie qui sont aussi
concernées par l'étude de l'intelligence, l’IA a le projet de construire (3) des
artefacts (2) intelligents (1)

➥ intelligence : Qu’est ce que l’intelligence ?

 Percevoir/Raisonner/Agir/Communiquer
Evaluation: capable de passer le test de Turing, jugée comme telle par
l'homme

➥ artefacts : machines inorganiques

 Systèmes manipulant des symboles
Hyp: symb. correspondent à des objets du monde

➥ construire : aspect ingénierie

 Agent (perçoit, raisonne, communique et agit)

14
Qu’est-ce que l’IA ?
Penser comme des humain
Penser rationnellement
“The exciting new effort to make computers think « The study of mental faculties through
… machines with minds, in the full and literal the use of computational models »
sense » (Haugeland, 1985) (Charniak and McDermott, 1985)
“[The automation of] activities that we associate « The study of computations that make
with human thinking, activities such as decision- it possible to perceive, reason, and act »
making, problem solving, learning … » (Bellman, (Winston, 1992)
1978)
Agir comme des humains
Agir rationnellement
« The art of creating machines that perform « Computational Intelligence is the
functions that require intelligence when study of the design of intelligent agents
performed by people » (Kurzweil, 1990) » (Poole et al., 1998)
« The study of how to make computers do things « AI … is concerned with intelligent
at witch, at the moment, people are better » (Rich behaviour in artefacts » (Nilsson, 1998)
and Knight, 1991)

15
 Qu’est-ce que l’IA ?
Logicisme: pensée logique
Modélisation cognitive
Pascal[1623-1662] (machine à calculer)
((Newel & Simon,61))
Leibniz[1646-1716] (machine à raisonner)

Système qui pense comme les Système qui pense

hommes rationnellement
Système qui agit comme les Système qui agit rationnellement
hommes

Système passant le test de Agent rationnel (199X)

Turing(1950) agit selon ses croyances pour
(s’adapter, mémoriser, raisonner, atteindre des objectifs
communiquer) 16
Qu’est-ce que l’IA ?
1. penser comme un humain 3. penser rationnellement
2. agir comme les humains 4. agir rationnellement

1 +3 = processus de pensée et de réflexion

2+4 = comportement

1+2 = mesure du succès par rapport à l'humain

3+4 = mesure par rapport à la rationalité

17
Qu’est-ce que l’IA ?
➥ Penser comme des humains ?!

 Comment fonctionne notre cerveau ?

 Requiert des théories scientifiques de l’activité interne
du cerveau par introspection ou expériences psychologiques
 Implémenter les théories et comparer avec les humains
 Comment valider ces systèmes :
Il faut prédire et tester le comportement de sujets humains (sciences
cognitives)
ou il faut identifier directement à partir de données neurologiques
(neurosciences cognitives)

18
Qu’est-ce que l’IA ?
Agir comme des humains ?!!
Interrogateur humain
Ex : Test de Turing
Capacités requises :

– Traitement du langage naturel

– Représentation des connaissances
– Raisonnement automatique
– Apprentissage

Système d’IA Humain

19
Qu’est-ce que l’IA ?
➥ Penser rationnellement ?!!
Aristote et le processus de raisonnement correct, la logique
Exemple : Socrate est un homme ; tous les hommes sont mortels ; donc
Socrate est mortel
– Au 19e siècle, la logique formelle permet d’écrire des énoncés sur les
objets dans le monde et leurs interrelations
– Lien direct entre les mathématiques et la philosophie vers l’IA moderne
Problèmes :
– Il est difficile de traduire les connaissances et les états du monde réel en
des équations logiques (incertitude)
– Il y a une différence entre résoudre un problème en principe et le
résoudre réellement (complexité)
20
Qu’est-ce que l’IA ?
➥ Agir rationnellement ?!!

 Comportement rationnel : Faire la bonne chose, c’est-à-

dire celle qui devrait, selon les informations disponibles,
maximiser l’accomplissement d’un but

 N’implique pas nécessairement un raisonnement

 Exemple : réflexe de cligner des yeux, mais le
raisonnement devrait être au service d’une action
rationnelle

21
Objectifs de l’IA ?
➥ Construire des machines pour une large variété d’applications
augmentant les capacités de résolution de problèmes « mal posés »

➥ Formaliser ce qu’est la connaissance

➥ Mécaniser l’intelligence

➥ Utiliser des modèles computationnels pour comprendre des

comportements complexes

➥ Rendre l’interaction avec les systèmes computationnels aussi

simple qu’avec les humains

22
 Sources de difficultés ?
➥ La perception est ambiguë de manière inhérente
 « J’ai laissé tomber l’œuf sur le sol et il s’est cassé »

➥ Rationalité limitée
 Y-a-t-il un premier coup gagnant aux échecs ?
➥ Compromis entre buts et conflits
➥ Information incomplète et/ou incertaine

23
 Sources de difficultés ?
➥ Comment mesurer l’intelligence de nos systèmes?
• Le test de Turing  Pas pratique
• Stratégies d’évaluations pratiques

Exemples :
– Échecs  Tournois
– DENDRAL  Revue par experts
– Quand c’est possible, utiliser les critères d’ingénierie pour
analyser la performance :
• Est-ce que le programme a réussi à accomplir la tâche qui lui a été
demandée?
• L’a-t-il fait efficacement?
• L’a-t-il bien fait?

24
 L’IA par rapport à l’Informatique
➥ Etudie les problèmes insolubles en informatique classique
 Solution optimale inconnue ou trop difficile à trouver/identifier
 Des paramètres difficiles à maîtriser : connaissances incertaines, vagues,
hypothétiques, ...

➥ Exigences d’explication ou de communication sophistiquée avec

les utilisateurs

➥ Objectif d’adaptation et d’apprentissage avec l’expérience

25
 Caractéristiques de l’IA
➥ Prise en compte de la Connaissance (symbolique)
➥ Raisonnements
 Logiques / Probabilistes / imprécis / …
 Induction / analogie / cas / …
 Heuristique /métaheuristique / …
 Non déterministe vs. déterministe

➥ Solutions Satisfaisantes vs. Optimales

➥ Pas programmé mais par apprentissage

26
 Domaines d’applications de l’IA
➥ Ordonnancement et planification
 Système DART de la DARPA utilisé pour la logistique des opérations
« Desert storm » et « Desert shield »
 Système de changement de trajets pour American Airlines
 Système de planification et d’ordonnancement pour l’assemblage des vols
spatiaux européens (ESA)
➥ Reconnaissance de la parole
 Émergence d’assistants sur les smartphones
➥ Vision par ordinateur
 Systèmes de reconnaissance de visages, systèmes de surveillance (y compris
suivi entre caméras)
 DARPA « Grand Challenge » et DARPA « Urban Challenge »
 Reconnaissance de l’écriture manuscrite

27
 Domaines d’applications de l’IA
➥ Systèmes de diagnostic
 Système Pathfinder et Internist en médecine (supérieurs aux
médecins)
 Système d’aide aux consommateurs (Whirlpool)

➥ Systèmes de conception et configuration

 Système XCON de DEC pour aider à la configuration de systèmes
informatiques
➥ Aide à la décision (e.g. financière)
 Systèmes de détection de fraude (IRS aux USA, banques (cartes de
crédit))
 Aide aux demandes de financement des particuliers

28
 Domaines d’applications de l’IA
➥ Systèmes de classification
 SKYSURVEY de la NASA
➥ Démonstration automatique de théorèmes
➥ Systèmes de jeu
 Champions du monde aux dames (anglo-saxonnes), othello,
backgammon, échecs, go
 Le pocker ? Le bridge : pas encore

 Sert à concevoir des systèmes s’adaptant à des milieux hostiles

➥ Traduction automatique
 Systèmes de traduction de Google (bientôt en temps réel) (MAIS …)

29
 Les approches de l’IA
o L’école symbolique
 La pensée consiste en une séquence de transformations de
représentations
➥ Agents cognitifs délibératifs

o L’école sub-symbolique
 La pensée consiste en une transmission et une transformation de signaux
➥ Agents réactifs

o L’école de la cognition située

 La pensée ne réside pas au sein d’un individu isolée mais est distribuée au
sein d’une société (incluant son histoire et sa culture) et suscitée par le
contexte
➥ Emergence et auto-organisation
30
 Histoire de l’IA
0. Depuis l’Antiquité ...
 Bacon / Pascal / Descartes / Leibniz
 Babbage & Ada de Lovelace / Boole
 Réflexion sur les fondements des mathématiques
1. Les pionniers de l’IA (~1936 - ~1956)
 Turing : les fonctions calculables sont définies par une
machine
 Von Neumann : architecture des ordinateurs, réflexions sur les
automates
 McCulloch & Pitts (1943) : Premier modèle formel du neurone
 Hebb (1949) : assemblées de neurones et règle d’apprentissage
 Les conférences Macy et la première Cybernétique

31
Histoire de l’IA
1er modèle formel de neurone

32
 Histoire de l’IA
2. L’IA comme méthodes générales (~1956 - ~1968)
 La pensée comme manipulation de représentations discrètes
des connaissances: IA symbolique
 Démonstrateurs de théorèmes (principe de résolution (-> Prolog))
 Résolveurs universels de problèmes (GPS)
 Le système CHECKER
 Premier connexionnisme
 Le Perceptron [Rosenblatt, 1957-1962]

 MAIS des échecs :

 La traduction automatique
 Les experts ne sont pas des experts universels !?
 Le Perceptron est limité

33
Histoire de l’IA
Raisonnement / résolution de problèmes

34
Histoire de l’IA
Raisonnement / résolution de problèmes

35
Histoire de l’IA
Un exemple d'induction : inversion de la résolution

36
 Histoire de l’IA
3. Knowledge is power (~1968 - ~1980)
 Représentation des connaissances
 Représentations structurées : réseaux sémantiques, scripts, schémas
et frames (précurseurs des LO), ...
 Des extensions de la logique : logiques non monotones, logiques
temporelles, logique floue, ...
 De nombreux systèmes intelligents : ARCH, AM, MAGGIE, BORIS,
PLANNER, ...
 Projet CYC

 Utilisation des connaissances : les systèmes experts

➥ Problème : comment acquérir toutes les connaissances
nécessaires ? Comment généraliser ces expériences (souvent
appliquées à des problèmes jouet) ?
37
Histoire de l’IA
Les systèmes experts : DENDRAL
 Le système DENDRAL
 Pour la NASA : 1965 - …
 Y a-t-il de la vie sur Mars ?
 Spectrographie de masse

masse

38
Histoire de l’IA
Les systèmes experts : DENDRAL
Exemples de connaissances
❏ Règle :
Si le spectre de la molécule présente deux pics x1 et x2 tels que :
1. x1 - x2 = M + 28
2. x1 - 28 est un pic élevé
3. x2 - 28 est un pic élevé
4. au moins l’un des pics x1 et x2 est élevé
Alors la molécule contient un groupe cétone

39
Histoire de l’IA
Les systèmes experts : MYCIN
MYCIN: Mes recommandations thérapeutiques seront basées sur les
infections probables et les organismes infectieux potentiels
suivants :
L’organisme peut être : 1° pseudomonia aeruginosa, 2°
klebsiellia pneumoniae, 3° escherichia coli, 4° bacteroides
fragilis, 5° enterobactoriaceae, 6° proteus non mirabilis
Voulez-vous me donner la gravité de la maladie de M. Fred
Smith sur une échelle de 0 à 4 ?
Médecin : 3
MYCIN : M. Fred Smith présente-t-il des réactions allergiques à un
quelconque agent microbien ?
Médecin : Non
MYCIN: Quel est son poids en kilos ?
Médecin : 70

40
Histoire de l’IA
Les systèmes experts : MYCIN
MYCIN: Ma recommandation thérapeutique sera en premier choix :
pour couvrir les points <1 2 3 5 6>, prescrire de la Gentamicine,
dose 119 mg 98 h IV, pendant 10 jours;
Pour couvrir le point 4, prescrire de la Clindamycine, dose 595
mg 96 h IV, pendant 14 jours.
Désirez-vous éventuellement éliminer certains médicaments ?

Médecin : Oui, la Clindamycine.

MYCIN: Pour couvrir les points <2 3 4 5 6> donner du

Chloramphénicol, dose 1 g 96 h IV, pendant 14 jours;
** Surveiller le taux de globules blancs du patient.
Pour couvrir le point 1, donner de la gentamicine, dose 119 mg
98 h IV, pendant 10 jours.
** Modifier la dose en cas de faiblesse rénale.
41
 Histoire de l’IA
4. Méthodes générales d’apprentissage (~1980 - ~ now)
 Méthodes symboliques
 De nombreuses réalisations et nouvelles techniques
Algorithme d’élimination
Arbres de décision
Méthode de l’étoile
 Renouveau du connexionnisme et du mouvement
subsymbolique
 Hopfield (1982)
 Le Perceptron Multi-Couches (1985)
 IA distribuée (Algorithmes Génétiques, Vie Artificielle, SMA, ...)

42
Histoire de l’IA
5. Apprentissage statistique et applications (~1990 - ...)
Nouvelles méthodes subsymboliques (réseaux de neurones, algorithmes
génétiques, réseaux bayésiens, chaînes de Markov, ...)
Théorie de l’apprentissage statistique
Besoins industriels
➥ On ne parle plus de connaissances
Perspectives :
Data mining ; Text mining ; Web mining
BIG Data
IA générative
Systèmes à longue durée de vie
➥ Retour de la connaissance ?
➥ Vers rationalité limitée et systèmes complexes hétérogènes à longue vie

43
l’IA Moderne
L'intelligence artificielle moderne présente plusieurs caractéristiques clés
qui la distinguent des approches antérieures. Voici les principales
caractéristiques de l'IA moderne :
1. Apprentissage Automatique (Machine Learning) : L'apprentissage
automatique est au cœur de l'IA moderne. Il permet aux systèmes
informatiques d'apprendre à partir de données et de s'améliorer avec
l'expérience, sans nécessiter une programmation explicite pour chaque
tâche. Les techniques d'apprentissage automatique incluent
l'apprentissage supervisé, non supervisé et par renforcement.
2. Réseaux de Neurones Artificiels (ANN) : Les réseaux de neurones
artificiels, en particulier les réseaux de neurones profonds (Deep
Learning), sont largement utilisés dans l'IA moderne pour résoudre des
problèmes complexes, tels que la vision par ordinateur, le traitement du
langage naturel et bien d'autres. Ils sont capables d'apprendre des
représentations hiérarchiques
44
de données.
l’IA Moderne
3. Big Data : L'IA moderne profite de l'abondance de données
disponibles. Les modèles d'IA traitent souvent d'énormes ensembles
de données pour apprendre des modèles et des tendances. Le Big
Data et les technologies associées, telles que le stockage distribué et le
traitement parallèle, sont essentiels.
4. Apprentissage Profond (Deep Learning) : Le deep learning
implique des réseaux de neurones artificiels avec plusieurs couches
cachées, ce qui leur permet d'apprendre des caractéristiques
complexes et abstraites à partir des données. Il a été particulièrement
efficace dans des domaines tels que la vision par ordinateur et la
reconnaissance vocale.
5. Automatisation et Autonomie : Les systèmes d'IA modernes sont
capables de prendre des décisions autonomes et d'automatiser des
tâches auparavant effectuées par des humains. Cela inclut la
robotique autonome, la conduite autonome, la planification de
l'itinéraire et bien
45 d'autres applications.
l’IA Moderne
6. Traitement du Langage Naturel (NLP) : Les systèmes de NLP
modernes permettent aux ordinateurs de comprendre, de générer et
d'interagir avec le langage humain. Cela comprend la traduction
automatique, la génération de texte, l'analyse des sentiments, etc.
7. Vision par Ordinateur : L'IA moderne excelle dans la
reconnaissance d'objets, la détection de visages, l'analyse d'images
médicales et d'autres tâches liées à la vision par ordinateur. Les
réseaux neuronaux convolutifs (CNN) sont couramment utilisés dans
ce domaine.
8. Explicabilité et Interprétabilité : Avec l'augmentation de
l'adoption de l'IA dans des domaines critiques tels que la santé et la
finance, l'explicabilité des modèles est devenue importante. Les
chercheurs travaillent sur des méthodes pour rendre les modèles d'IA
plus compréhensibles et explicables.

46
l’IA Moderne
9. Éthique et Responsabilité : L'IA moderne soulève des questions
éthiques importantes, notamment en ce qui concerne la vie privée, la
discrimination algorithmique et la responsabilité en cas de
défaillance du système. Les chercheurs et les professionnels de l'IA
sont de plus en plus attentifs à ces questions.
10. Applications Polyvalentes : L'IA moderne trouve des applications
dans une multitude de domaines, de la médecine à la finance en
passant par les transports et la créativité artistique. Elle est devenue
un outil polyvalent pour résoudre des problèmes complexes.
11. Apprentissage Continu : Certains systèmes d'IA modernes sont
capables d'apprendre de manière continue et de s'adapter à
l'évolution des données et des besoins.
12. Innovation Rapide : L'IA est un domaine en constante évolution,
avec des avancées rapides. Les chercheurs et les entreprises rivalisent
pour développer de nouvelles techniques et applications.
47
l’IA de Demain : les enjeux
L'avenir de l'intelligence artificielle (IA) présente de nombreux enjeux et défis à
relever pour réaliser son potentiel tout en atténuant les risques associés. Voici
certains des principaux enjeux de l'IA de demain :
1. Éthique et Responsabilité : L'un des enjeux les plus critiques de l'IA concerne
l'éthique et la responsabilité. Les décisions prises par les systèmes d'IA peuvent
avoir un impact majeur sur la vie des individus. Il est essentiel de développer
des normes éthiques solides pour guider le développement et l'utilisation de
l'IA, tout en garantissant la transparence, la responsabilité et l'équité.
2. Biais et Discrimination Algorithmiques : Les biais présents dans les
données d'entraînement peuvent être amplifiés par les systèmes d'IA,
conduisant à des discriminations injustes. L'atténuation de ces biais et la
réduction de la discrimination algorithmique sont des préoccupations
majeures.
3. Vie Privée : Les systèmes d'IA collectent et analysent souvent de grandes
quantités de données personnelles. La protection de la vie privée des individus
doit être une priorité, et des mécanismes de sécurité robustes doivent être mis
en place pour éviter les violations de la vie privée.
48
l’IA de Demain : les enjeux
4. Sécurité : Les systèmes d'IA eux-mêmes peuvent être vulnérables aux
attaques. Les chercheurs doivent travailler sur la sécurisation des
modèles d'IA et des données d'entraînement pour éviter les failles de
sécurité.

5. Interprétabilité et Explicabilité : Les modèles d'IA, en particulier

les réseaux de neurones profonds, sont souvent considérés comme
des "boîtes noires" difficiles à comprendre. L'interprétabilité et
l'explicabilité des décisions prises par les systèmes d'IA sont cruciales,
en particulier dans des domaines tels que la santé et la justice.

6. Réglementation : Les gouvernements et les organismes de

réglementation du monde entier cherchent à élaborer des cadres
juridiques pour superviser l'IA. L'harmonisation des réglementations
internationales et la mise en place de lois appropriées sont des enjeux
clés. 49
l’IA de Demain : les enjeux
7. Éducation et Main-d'Œuvre : La demande de professionnels de l'IA
augmente rapidement. Il est important de former la main-d'œuvre
actuelle et future pour travailler dans le domaine de l'IA et de
s'assurer que les compétences sont accessibles à tous.

8. Évolution des Modèles : Les modèles d'IA sont de plus en plus

complexes et exigeants en termes de ressources informatiques. Le
développement de modèles plus efficaces et écologiques est un enjeu
environnemental et économique.

9. Collaboration Internationale : L'IA est un domaine mondial, et la

collaboration internationale est essentielle pour relever les défis et
partager les connaissances. La recherche, les normes et les bonnes
pratiques devraient être partagées à l'échelle mondiale.
50
l’IA de Demain : les enjeux
10. Éducation du Public : Il est important de sensibiliser le public aux
capacités et aux limites de l'IA, ainsi qu'aux enjeux associés.
L'éducation du public favorise une utilisation responsable de l’IA.

11. Impact sur l'Emploi : L'automatisation alimentée par l'IA peut avoir
un impact sur l'emploi dans de nombreux secteurs. Il est crucial de
réfléchir à la manière de gérer cette transition et d'explorer de
nouvelles opportunités d'emploi.

12. Compréhension de l'IA Forte : Alors que l'IA faible, qui est
spécialisée dans des tâches spécifiques, est de plus en plus courante,
la réalisation de l'IA forte, capable de raisonnement général et
d'apprentissage dans un large éventail de domaines, reste un enjeu de
recherche majeur.
51
 Types de raisonnement en IA
Raisonnement
➥ Le raisonnement est un enchainement d’énoncés ou de représentations
symboliques conduit en fonction d’un but (démontrer, convaincre, élucider,
interpréter, décider, justifier, expliquer) en général non linéaire (retours arrière)
comme la démarche humaine

➥ Types de raisonnement :
Raisonnement formel
Raisonnement procédural
Raisonnement par analogie
Raisonnement par généralisation et abstraction
Raisonnement géométrique

52
 Types de raisonnement en IA
 Raisonnement formel
 Raisonnement logique/raisonnement approximatif/ raisonnement temporel
 Raisonnement procédural
 Algorithmes et automates d’états finis (raisonnement par classification, et
raisonnement distribué )
 Raisonnement par analogie
 Raisonnement à partir de cas
 Raisonnement par généralisation et abstraction
 Raisonnement par classification, raisonnement par induction
 Raisonnement géométrique
 Synthèse d’images, reconnaissances des formes, localisation d’objets, vision
par ordinateur

53
 Alors, que faut-il apprendre ?
 Différentes approches de la résolution de problèmes en IA seront
présentées

– Raisonnement logique /probabiliste/ par cas

– Représentation de problèmes
– Résolution automatique de problèmes
– Résolution par apprentissage automatique

54