INTRODUCTION À

L’INTELLIGENCE ARTIFICIELLE
Filière: Transformation Digitale Industrielle (TDI)
Professeur : Ayoub Esswidi

2024/2025
 Remarques:
✓ VOLUME HORAIRE: 30h (Cours, TDs, TPs |Activités Pratiques)
✓ Evaluation: 2h (Contrôle) + mini-projet (groupes de 3 ou 4 personnes)
✓ NOTE DU MODULE:
➢ Note des contrôles continus : 40%
➢ Note de mini projet : 20%
➢ Note des TPs : 40%
✓ Note de validation sur 20: note >= 12
 Plan et Objectif
■ Représentation des connaissances
■ Moteur d'inférence et système à base de connaissances
■ Introduction au lambda-calcul
■ Introduction aux systèmes formels et à la logique
■ Programmation déclarative avec PROLOG
■ Programmation fonctionnelle avec LISP
■ Planification et stratégies de recherche dans les graphes
■ Théorie des jeux et stratégies de recherche dans les arbres de
jeux

Introduction à l'IA 3
 Introduction

■ Qu’est-ce que l’intelligence [Non Artificielle, Naturelle] ?

• L'intelligence est la capacité d'un individu à acquérir, comprendre, appliquer des
connaissances et des compétences pour résoudre des problèmes, s'adapter à de
nouvelles situations, et prendre des décisions éclairées. (ChatGPT).
• L'intelligence a été définie de plusieurs façons : la capacité d'abstraction, la logique,
la compréhension, la conscience de soi, l'apprentissage, la connaissance des
émotions, le raisonnement, la planification, la créativité, la pensée critique et la
résolution de problèmes.(Wiki)

Introduction à l'IA 4
 Introduction

■ Littérature
Dans la littérature l’intelligence est définie par la faculté de connaître, de
comprendre et de s’adapter facilement
■ Société
Dans la société l’intelligence est définie à travers un ensemble d’examens.
• Selon Alfred Binet, l'intelligence est évaluée à travers des tests du QI.
• Dans cette situation, on évalue l'intelligence sans la définir.
■ Intelligence et connaissance
• l’intelligence humaine ne peut s‘exercer qu'à partir de grosses quantités de
connaissances,ce qui souligne l’aspect relatif de l’intelligence.

Introduction à l'IA 5
 Introduction
■ Les formes de l'intelligence
1. Intelligence logico-mathématique : Capacité à résoudre des problèmes logiques et
mathématiques, à raisonner de manière analytique et à manipuler des concepts
abstraits
2. Intelligence linguistique : Aptitude à utiliser le langage, que ce soit à l'écrit ou à l'oral, de
manière efficace. Les écrivains, les poètes, …etc
3. Intelligence spatiale : Capacité à visualiser et à manipuler des objets dans l'espace. Les
artistes, les architectes, les pilotes et les ingénieurs
4. Musicale : Compréhension et création de rythmes, mélodies, et motifs sonores.
5. Corporelle-kinesthésique : Maîtrise du corps et du mouvement pour résoudre des
problèmes.
6. Interpersonnelle : Capacité à comprendre et interagir avec les autres.
7. Intrapersonnelle : Connaissance de soi et gestion de ses émotions.
8. Existentialiste : Réflexion sur les questions profondes de la vie et de l'existence.
Introduction à l'IA 6
Introduction

■ Qu’est-ce que l’Intelligence Artificielle?

• « L'intelligence artificielle exploite les ordinateurs et les machines pour
imiter les capacités de résolution de problèmes et de prise de décision de
l'esprit humain» (IBM)
• « C'est la science et l'ingénierie de faire des machines intelligentes, en
particulier des programmes informatiques intelligents. C'est lié à la tâche
similaire d'utiliser des ordinateurs pour comprendre l'intelligence
humaine….. » (John McCarthy)

Introduction à l'IA 7
 Introduction

• Créer des systèmes qui imitent l’intelligence humaine

• Créer des systèmes qui Traitent des problèmes pour lesquels on ne connaît
pas de méthodes de résolution directes
• Un Système intelligent: «un system est rationel s’il fait la bonne chose selon
les informations disponibles, maximise l'accomplissement d'un but »

Introduction à l'IA
8
 Historique de l’IA

■ Naissance de l’IA (1943-1955)

■ 1943 : Premier cerveau électronique (Fonction Mathématique)
■ Le test de Turing : 1re hypothèse philosophique de l’Intelligence
Artificielle
■ Turing publia son article dans lequel il introduit son fameux test
en (1950) "Computing machinery and intelligence", il décrit une
méthode pour tester un système d’IA (test de Turing).
■ Il définit aussi les principales composantes d’un système de l’IA
comme étant :
• Les Connaissances
• Les Raisonnements
• La compréhension du Langage Naturel Alan Turing
• L’apprentissage

Introduction à l'IA 9
 Historique de l’IA

■ Les premiers succès (1956-1971) (Âge d’or de l’IA)

– En 1956, à l'initiative de J. McCarthy et M. Minsky, se sont réuni
psychologues et informaticiens, pour débattre de sujets d'intérêt
commun,
– regroupés sous le nom d'Intelligence Artificielle.
– Cette même année, un grand nombre de programmes furent développés
pour résoudre des problèmes d’une grande diversité.
– Grace au développement le langage de programmation COBOL en 1959,
ce fut une première tentative de calcul symbolique sur le premier
calculateur automatique à grande échelle MARK I.

Introduction à l'IA 10
 Historique de l’IA

■ Stagnation de l’IA 1974 à 1980

■ L’envolée de l’IA de 1980 1987:
– Des programmes d’IA appelés
« systèmes experts »
■ Depuis les années 2000, Montée en
puissance du big data et de l’IA
■ Années 2010 : l'apprentissage profond et
des IA génératives
■ 2020 - 2024 : Explosion des modèles
linguistiques et IA générative (LLM)
■ GPT-3, GPT-4, GPT-4o, GPT-plus, Ollama ….
Introduction à l'IA 11
Historique de l’IA

Introduction à l'IA 12
 Domaines d’application

1. Finance : Prévoir les risques de crédit, prédire les tendances des marchés
financiers ou détecter des fraudes bancaires.
2. Marketing : Prédire le comportement d'achat des consommateurs, analyser
les tendances pour lancer des campagnes ciblées ou prévoir la résiliation
d'abonnement.
3. Santé : Anticiper la probabilité qu'un patient développe une maladie à partir
de ses antécédents médicaux.
4. Informatique : Utiliser des systèmes de recommandation, comme ceux
employés par les plateformes de streaming pour suggérer des films ou des
séries basés sur les préférences des utilisateurs.
5. Maintenance : Prévoir les pannes d'équipements industriels ou mécaniques
pour intervenir avant qu'un problème ne survienne.
6. …
Introduction à l'IA 13
Prendre de décision

Sagesse
Principe
Compréhension
Raisons
Savoir
Motif

Information
Relation
Donnée

Introduction à l'IA 14
Prendre une décision

Système
Autonome

Introduction à l'IA 15
 Modélisation prédictive

■ La modélisation est le processus de création d'une représentation simplifiée et

abstraite d'un système, d'un phénomène ou d'une situation réelle. Elle vise à
faciliter la compréhension, l'analyse ou la prédiction.
■ La modélisation prédictive est une branche de la modélisation qui utilise des
techniques statistiques, mathématiques ou d'apprentissage automatique pour
prédire des événements futurs ou des résultats inconnus basés sur des
données historiques.
■ La modélisation prédictive repose sur plusieurs principes de base, Nous citons:
– La corrélation
– La régression
– La classification
– …
Introduction à l'IA 16
Modélisation prédictive

■ La corrélation:
La corrélation est une mesure statistique qui évalue le degré de relation
linéaire entre deux variables. Elle indique si et dans quelle mesure deux
variables varient ensemble. Le coefficient de corrélation varie entre −1 et +1 :

Introduction à l'IA 17
 Modélisation prédictive

■ La régression:
■ La régression est une méthode statistique utilisée pour modéliser la relation entre
une variable dépendante (ou à prédire) et une ou plusieurs variables
indépendantes (ou explicatives). Le but est de déterminer une équation qui
permet de prédire la valeur de la variable dépendante en fonction des variables
explicatives.
■ Régression linéaire:

Introduction à l'IA 18
 Modélisation prédictive

■ La classification:
■ La classification est une technique d'apprentissage automatique qui consiste à
assigner des éléments à des catégories ou classes prédéfinies, en fonction de
leurs caractéristiques. L'objectif est de prédire la classe d'une donnée nouvelle
en se basant sur des exemples précédemment étiquetés. Les algorithmes de
classification incluent les arbres de décision, les SVM et les réseaux neuronaux.

Introduction à l'IA 19
 Modélisation prédictive

■ Exemples d’application:

Introduction à l'IA 20
 Apprentissage automatique

■ Apprentissage automatique (Machine Learning)

■ L'apprentissage automatique (ou machine learning) est une branche de
l'intelligence artificielle qui consiste à développer des algorithmes capables
d'apprendre automatiquement à partir de données, sans être explicitement
programmés pour une tâche précise.
■ Ces algorithmes analysent des ensembles de données, identifient des patterns
et s'améliorent progressivement pour prédire ou classer de nouvelles
informations.
■ L'apprentissage automatique est utilisé dans diverses applications comme la
reconnaissance d'images, la recommandation de contenu, ou encore la
détection de fraudes, etc.

Introduction à l'IA 21
 Apprentissage automatique

■ Apprentissage automatique (Machine Learning)

Introduction à l'IA 22
 Apprentissage automatique
■ Apprentissage automatique (Machine Learning)
– Apprentissage supervisé
L'apprentissage supervisé consiste à entraîner un modèle à partir d'un ensemble de
données étiquetées, où chaque exemple de données est associé à une sortie
attendue (la cible). L'algorithme apprend à associer les entrées à leurs sorties pour
faire des prédictions sur de nouvelles données.
Exemples d'algorithmes :
■ Régression linéaire
■ Régression logistique
■ Arbres de décision
■ Forêts aléatoires (Random Forest)
■ Machines à vecteurs de support (SVM)
■ Réseaux neuronaux (appliqués en mode supervisé)
■ …
Introduction à l'IA 23
 Apprentissage automatique

■ Apprentissage automatique (Machine Learning)

– Apprentissage non supervisé
Dans l'apprentissage non supervisé, les données ne sont pas
étiquetées. L'algorithme cherche à découvrir des patterns cachés ou
des structures sous-jacentes dans les données sans aucune
connaissance préalable des catégories ou des réponses.
Exemples d'algorithmes :
■ K-means (clustering)
■ Algorithme des K-plus proches voisins (K-NN)
■ Analyse en composantes principales (PCA)
■ Réseaux auto-encodeurs (Autoencoders)
■ …
Introduction à l'IA 24
 Apprentissage automatique

■ Apprentissage automatique (Machine Learning)

– Apprentissage non supervisé

Introduction à l'IA 25
 Apprentissage automatique
■ Apprentissage automatique (Machine Learning)
– Apprentissage Semi-supervisé
■ Combinaison d’apprentissage supervisé et non supervisé, où une partie des données
est étiquetée et une autre ne l’est pas (non-étiquetées).
■ Les services d’hébergement d’images tels que Google Photos en constituent de bons
exemples : une fois qu’on télécharge toutes nos photos de famille vers ce service, ce
dernier reconnait automatiquement que la personne A apparait sur les photos 1, 5
et 11, tandis qu’une personne B apparait sur les photos 2, 5 et 7.

Introduction à l'IA 26
 Apprentissage automatique
■ Apprentissage automatique (Machine Learning)
– Apprentissage par renforcement
L'apprentissage par renforcement consiste à entraîner un agent (modèle) à prendre
des décisions dans un environnement donné, en recevant des récompenses ou
punitions en fonction des actions qu'il entreprend. L'objectif est d'apprendre à
maximiser la récompense totale au fil du temps.
– Exemples d'algorithmes :
• Q-learning
• Deep Q-Networks (DQN)
• Policy Gradients
• Acteur-Critique (Actor-Critic)

Introduction à l'IA 27
 Apprentissage automatique
■ Apprentissage automatique (Machine Learning)
– Apprentissage par renforcement

Applications :
• Jeux vidéo (par exemple, AlphaGo de Google DeepMind)
• Robots autonomes
• Systèmes de recommandation dynamiques
• Systèmes d’agents
• …

Introduction à l'IA 28
 Les systèmes experts

❑ Les systèmes experts sont des programmes informatiques qui utilisent

l'intelligence artificielle pour imiter les capacités de décision d'un expert humain
dans un domaine spécifique.
❑ Ils sont conçus pour résoudre des problèmes complexes en utilisant une base de
connaissances et un moteur d'inférence, souvent dans des domaines qui
nécessitent une expertise humaine, comme la médecine, l'ingénierie, ou la
finance, etc.

Introduction à l'IA 29
 Les systèmes experts

❑ Base de connaissances
La base de connaissances est le cœur du système expert. Elle contient l’ensemble
des informations, des faits, des concepts, des règles, et des heuristiques qui sont
nécessaires pour résoudre des problèmes dans un domaine spécifique. On y trouve
deux types de connaissances :
▪ Connaissances déclaratives : Ce sont des faits ou des données brutes sur le
domaine (ex. : symptômes de maladies, caractéristiques des équipements).
▪ Connaissances procédurales : Ce sont des règles ou des procédures qui
décrivent comment utiliser les connaissances déclaratives pour résoudre un
problème (ex. : "si un patient a de la fièvre et une toux, il pourrait avoir une
infection pulmonaire").

Introduction à l'IA 30
 Les systèmes experts

❑ Moteur d'inférence
Un moteur d'inférence est un composant d'un système expert ou d'un système d'IA
qui applique des règles logiques à une base de connaissances pour en déduire des
informations ou des conclusions. Il fonctionne généralement de la manière suivante :
1. Récupération des faits : Le moteur d'inférence consulte la base de connaissances
pour récupérer des faits pertinents.
2. Application des règles : En utilisant des règles logiques (comme des règles si-
alors), il détermine quelles conclusions peuvent être tirées à partir des faits
connus.
3. Propagation des inférences : Les nouvelles conclusions sont ajoutées aux faits
existants, ce qui peut déclencher de nouvelles règles et ainsi de suite.

Introduction à l'IA 31
 Les systèmes experts

❑Composants d'un système expert

❑ Base de connaissances
❑ Moteur d'inférence
❑ Système de gestion des bases de données

❑…
❑ Module d'apprentissage: Les systèmes experts incluent un module
d'apprentissage qui permet au système de s'améliorer en acquérant de nouvelles
connaissances à partir de son expérience. Ce module utilise des techniques
d'apprentissage automatique pour mettre à jour les règles ou les faits au fur et à
mesure que de nouvelles données ou situations se présentent.

Introduction à l'IA 32
Fin

Introduction à l'IA 33