Intelligence Artificielle

1
 Définition de l’IA

– Apprendre aux ordinateurs à être plus intelligents

permettra sans doute d’apprendre à l’homme à être plus
intelligent (P. H. Winston, 1984)

– L’IA est l’étude des idées qui permettent aux ordinateurs

d’être intelligents (P. H. Winston)

– L’IA est l’étude des facultés mentales à l’aide de modèles

de type calculatoire (McDermott & Charniak)

– L’IA a pour but de faire exécuter par l’ordinateur des

tâches pour lesquelles l’homme dans un contexte donné
est aujourd’hui meilleur que la machine (Alliot et Schiex
1994)

2
 Qu’est-ce véritablement que l’IA ?

– Plusieurs définitions possibles de l’IA

– L’IA est une méthodologie qui doit permettre de rendre les

ordinateurs plus intelligents de façon à ce qu’ils montrent des
caractéristiques normalement associées à l’intelligence dans
les comportements humains, c’est-à-dire la compréhension
du langage, l’apprentissage, la résolution de problèmes et le
raisonnement (E. Feigenbaum)

– L’Intelligence Artificielle concerne la conception d’un être

artificiel (machine) capable de posséder ou d’exhiber les
capacités et caractéristiques propres à un cerveau humain

– Apprendre aux machines à penser

3
 IA Forte et IA Faible

Deux types d’approches

• IA Forte (approche cognitive)

– La machine doit raisonner à la manière de l’homme
(utiliser les mêmes mécanismes de fonctionnement)

• IA Faible (approche pragmatiste)

– La machine doit aboutir aux mêmes solutions que
l’homme (peu importe la méthode employée)

– En fait l’IA reste difficile à définir car on ne sait pas

vraiment définir la notion d’Intelligence (Qu’est ce qu’être
intelligent ?)

4
 Qu’est ce qu’être intelligent ?

• Apprendre
– élaborer un système de connaissances et pouvoir
intégrer de nouvelles connaissances

• Raisonner, déduire, anticiper

– à partir du système de connaissances et des données de
l’expérience pouvoir produire de nouvelles
connaissances

• Posséder une histoire

• Posséder une conscience

• Posséder des sentiments

5
 Exemples d’IA (irréalistes ?)

• Exemples (Science-Fiction)
– TRON
– La Guerre des Etoiles
(Z6PO)
– IA (Spielberg)
– I, Robot
– K 2000
– Galactica (Cylons)
– 2001 L’Odyssée de
l’espace
– Matrix
– Terminator
– …

6
 Questions

Nous allons tenter de répondre

à plusieurs questions

• Quels progrès ont été réalisés jusqu’à ce jour ?

• Comment une machine peut-elle raisonner ?

• Pourra t-on atteindre le but ultime de l’IA ?

7
 Plan

• Historique
– Mécanisation du calcul
– Calculabilité
– Fondation de l’IA

• L’IA de nos jours

– Robotique
– Résolution de problèmes
– Reconnaissance de formes et de la parole
– Réseaux de neurones

• Conclusion
– L’IA est elle envisageable ?

8
 Historique

• Les prémisses :

– Mythologie grecque :
Héphaïstos a forgé, pour
son service personnel deux
servantes en or qui
agissent comme des êtres
vivants

– Le Golem dans la tradition

juive (esclave puis héros)
-> Seigneur des Anneaux
(Orcs), Frankenstein

9
 Mécanisation du calcul

• Automatisation
– 1623 Shickard
– 1642 Pascal
– 1670 Leibnitz
– 1728 Falcon
– Automates de Vancauson
– 1805 Jacquard
– Charles Babbage
• 1822 Machine différentielle
• 1830 Machine analytique

10
 La Machine Analytique

• Entre 1834 et 1836 Babbage définit les principaux

concepts qui préfigurent ceux des ordinateurs :
– Dispositif d’entrée / sorties (clavier, moniteur)
– Organe de commande pour la gestion de transfert des
nombres (unité de commande)
– Magasin pour le stockage des résultats intermédiaires
(registres) ou finaux (mémoire)
– Moulin chargé d’exécuter les opérations (unité
arithmétique et logique)
– Dispositif d’impression (imprimante)

11
 Automates de Vaucanson

• Jacques Vancauson 1709 – 1782

– rival de Prométhée
– 1738 le joueur de flûte traversière
– 1739, joueur de tambourin et de
flageolet, Canard digérateur
– 1746, métier à tisser automatique

• Kempelen 1779
– supercherie du joueur d’échec

Du calcul à l’automate

12
 Mécanisation du calcul

• Naissance de deux thèses paradoxales

– Thése 1 : le calcul ne fait pas partie de l’intelligence, donc

pas d’IA possible

– Thèse 2 : IA Possible car on a pu recréer des

comportements humain (calcul) / animal (gestuelle)

• Naissance d’une rivalité entre partisans et

adversaires de l’IA

13
 Mécanisation du calcul

Le calcul passe par différentes étapes

technologiques

• Mécanique (engrenages)

• Electrique (diode)

• Electro-mécanique (relais)

• Electronique (Transistor)

14
 Mathématiques et logique

• Avant XXe siécle : les mathématiques sont

considérées comme « divines »
• Apparition des paradoxes : crise
– Cantor : ensembles non dénombrables
– Russell : ensembles qui ne se contiennent pas

• Problèmes de Hilbert
– Construire un Système Formel des mathématiques
(1908 à 1920)

• Cercle de Vienne 1924

– recherche d’un langage commun à toutes les sciences
– Mécanisation et automatisation du raisonnement
– Système de POST (Système Formel)
15
 Système Formel (Système de POST)

• Système de génération de mots (mécanique)

• Exemple : le MU-puzzle
– Alphabet V = { M, I, U }
– Langage : ensemble des mots commençant par M suivi
par des U et de I
– Axiome MI
– Régles : pour tout a, b Î V*
• [R1] aI ® aIU Système de production
• [R2] Ma ® Maa
• [R3] aIIIb ® aUb
• [R4] aUUb ® ab

• Peut on obtenir le mot MU ?

16
 Le MU Puzzle

MIU R2 MIUIU R2 MIUIUIUIU

R1

MIIU R2 MIIUIIU
MI R1
R1 MIIIIU
R2 MII R2 MIIII R2 MIIIIIIII
R3 MUI
MIU

17
 Limites des Systèmes Formels

• Gödel 1931 : L’arithmétique de PEANO est

incomplète

• Théorème Gödel/Rosser 1936

– Pour tout système formel non contradictoire qui est une
modélisation de l'arithmétique récursive, il existe des
propositions indécidables (ni prouvable, ni réfutable).

• Tout système formel est donc soumis a des

limitations intrinsèques sur la quantité de "vérité"
qu'il est capable de fournir

18
 Limites des Systèmes formels

Mots sur un alphabet Langage du SF

(théorèmes)

Non théorèmes
MU MI
IMU

Mots générés par un SF

19
 Calculabilité

• Notion de calculabilité
– Fonction l-calculable (Kleene, Church)
– Fonction récursivement calculable (Gödel)
– Fonction Turing-calculable Þ machine de TURING

• Machine de Turing
– Structure de stockage (bande linéaire) G={ B, s1, …, sn }
– États z = { z0, …, zm, zh }
– Fonction de transition d : (z – {zh}) x G ® ( z x G x {G,D,I})

zi

B B 0 1 B

20
G I D
 Exemple f(x)=x+1

G = {0,1,B} B 0 1
z0 (z1, B, G) (z0, 0, D) (z0, 1, D)
z1 (zh, 1, I) (zh, 1, I) (z1, 0, G)

z0 z0 z0 z0 z1
B101B B101B B101B B101B B101B
zh z1
B110B B100B

21
 Test de Turing

• Test de Turing
– Un ordinateur peut-il tromper un humain ?

– Deux personnes X, Y (un homme, une femme) interrogées

par Z

– Z doit déterminer qui de X et Y est l’homme ou la femme

– Même test avec un homme (ou une femme) et une

machine

22
 Chambre Chinoise

• Searle (s’oppose à Turing)

– La syntaxe est insuffisante
pour produire le sens

Meilleur moyen : lire un ouvrage et en faire la synthèse

23
 Les Premiers Calculateurs

• 1941 Z3 (Conrad Zuse)

• 1943 Mark I (Howard Aïken,
Harvard)
• 1943 Colossus (Angleterre)
• 1945 ENIAC (Mauchly,
Eckert, Von Neumann)
• 1948 Invention du
transistor (Brattain,
Bardeen et Shockley)
• 1958 Invention du Circuit
intégré (Kilby, TI)

24
 Naissance de l’IA

• Débuts pendant la 2nde guerre mondiale

– décryptage ® traduction
– Mise au point d’un traducteur automatique en 5 ans
– Comment représenter les connaissances ?
– Comment les extraire d’un individu ?

• 1956 John McCarthy, Darmouth College

• Objectifs ambitieux
– Traduction automatique
– Jouer aux échecs et battre les grands maîtres

25
 Premiers programmes d’IA

• Newell, Shaw et Simon

– LOGIC THEORIST 1956
– GPS (General Problem Solver)
– NSS (programme de jeu d’échec)

• Physical Symbol System Hypothesis

– Manipuler des symboles = comportement intelligent
– Simon prédit en 1958 la défaite d’un GMI

• Euphorie puis déception

– Recherche dans de multiples directions

26
 Domaines de l’IA

• Actuellement l’IA concerne :

– La résolution de problèmes en général
• Algorithme A*, recherche arborescente, CSP, heuristique, recherche
locale, programmation génétique
– La reconnaissance de formes / son
– Le traitement automatique du langage naturel (TALN)
– La robotique
– Les réseaux neuronaux
– …

27
 Résolution de problèmes

• Exemple de la suite de
Fibonacci
– Fib(0)=1
– Fib(1)=1
– Fib(n)=Fib(n-1)+Fib(n-2)
pour n > 1
Algorithme récursif

fonction Fib(n : entier) : entier

debut
si n <= 1 alors
retourne 1
sinon
retourne Fib(n-1) + Fib(n-2)
fin

28
 Suite de Fibonacci

• On peut donner une version itérative

Algorithme itératif
n Récursif Itératif
fonction Fib(n : entier) : entier
Var tab : array[1..100] d’entiers 30 1s < 1s <
Debut
tab[0]=1;
40 10s 1s <
tab[1]=1;
pour i=2 à n faire
tab[i]=tab[i-1]+tab[i-2] 50 20 m 1s <
fin pour
retourne tab[n] 60 42h27m 1s <
fin

29
 La Résolution de Problèmes

• La recherche de solutions pour certains problèmes

s’apparente à une recherche arborescente

X X
… X

2 1 2
X O X 1 3 1
…
O 2 1 2

Aide à la sélection du prochain coup

30
 Le Parcours d’Arbre

• Pour gagner :
– Recherche les situations de jeux gagnantes dans l’arbre
• Parcours en profondeur d’abord (depth first search)
• Parcours en largeur d’abord (breadth first search)
• Parcours par approfondissements successifs (depth-first iterative
deepening)
• backtrack
a

b c d

e f g h i j k l m
abefgchijdklm abcdefghijklm 31
 Parcours d’arbre

• Dans le cas du morpion :

– 9! situations à examiner

• Dans le cas des échecs :

– 10120 situations

• Utilisation de techniques
– d’élagage
• Mini, max
• Alpha, bêta
– heuristiques

32
 Technique Minimax

• Jeux à 2 joueurs

3
Ordinateur maximiser
2 3 1
Joueur minimiser

3 2 5 3 4 5 1 4 5

a/b

33
 Faire raisonner une machine

• Raisonnement logique

– Calcul des propositions

– Calcul des prédicats

Permet de représenter des connaissance et de raisonner

sur ces connaissances

34
 Calcul Propositionnel

• La logique (Calcul Propositionnel) permet

– de représenter des connaissances
– de raisonner sur ces connaissances

– On utilise des variables propositionnelles (vrai, faux) ainsi que

des connecteurs logiques (et, ou, implique, équivalent) :

• Si il fait beau et qu’on n’est pas samedi alors je fais du vélo

• Si je fais du vélo alors il y a du vent

• Donc si il fait beau et qu’on est pas samedi alors il y a du vent

(b Ù¬s) ® f f®v Þ (b Ù¬s) ® v

35
 Modus Ponens / Principe de résolution

• Règle d’inférence qui permet de produire de

nouvelles connaissances

¬XÚY
Þ YÚZ
XÚZ

¬ (b Ù¬s) Ú f ¬ (b Ù¬s) Ú f
Þ Þ (b Ù¬s) ® v
¬fÚv ¬fÚv

36
 Problème des pigeons

• Le problème des pigeons :

– Un pigeonnier peut accueillir au plus un pigeon. Etant donné N
pigeons et M pigeonniers chaque pigeon pourra t-il trouver un
pigeonnier pour l’accueillir ?

• Pour un humain : résolution facile

– Abstraction des mots : pigeon, pigeonnier
– Si N <= M alors il existe une ou plusieurs solutions
– Si N > M alors il n’existe pas de solution

• Pour un ordinateur
– Archétype des problèmes NP-complets
– Si N <= M alors résolution facile
– Si N > M alors étudier tous les cas possibles

Si N=30 et P=29 alors 2870 » 10261 37

 Calcul des prédicats

• Extension du Calcul Propositionnel

– Syllogisme : hommes
• Socrate est un homme
• Tout homme est mortel
• Donc Socrate est mortel

• homme(socrate)
socrate
• "X homme(X) ® mortel(X)

homme(socrate)
Principe de
Unification résolution mortel(socrate)
¬homme(X) Ú mortel(X)

• Démonstration automatique de théorèmes

38
 Constraint Satisfaction Problems

• Beaucoup de problèmes industriels peuvent se

modéliser sous la forme de Problèmes de
Satisfaction de Contraintes (CSP)

• Paradigme des CSP :

– Un ensemble de variables X = { X1, …, Xn}
– Un ensemble de domaines D = { D1, …., Dn }
– Un ensemble de contraintes C = { C1, …, Ck }
– Minimiser ou maximiser une fonction f(X)

• Exemples :
– système d’équation, problème du sac à dos

39
 Exemple de CSP simple

• Les puzzles : SEND + MORE = MONEY

R4 R3 R2 R1 Contraintes :
SEND
+MORE D+E=10*R1+Y
R1+N+R = 10*R2+E
=MONEY R2+E+O = 10*R3+N
R3+S+M = 10*R4+O
M= R4

Domaines D = (D1={0,..,9}, D2={0,1})

Variables X = (S,E,N,D,O,R,Y,M,R1,R2,R3, R4)

40
 Le Problème des Pigeons (CSP)

• On peut donner une version CSP du problème des

pigeons (n pigeons, m pigeonniers):
– Domaine : { 0, 1 } = { faux, vrai}
– Variables : matrice p[NxM], pi,j = 1 signifie que le pigeon i
est dans le pigeonnier j p ,…, p 1,1 1,m

pn,1,…,pn,m
– Contraintes: Modélisation par opérateur de cardinalité
• (a,b, p1, …, pn) au moins a et au plus b littéraux doivent être vrais
parmi p1 à pn

(1,1, p1,1, …, p1,m) (0,1, p1,1, …, pn,1)

… …
(1,1, pn,1, …, pn,m) (0,1, p1,m, …, pn,m)

Un pigeon doit se trouver dans Un pigeonnier accueille au plus

un pigeonnier (N contraintes) Un pigeon (M contraintes) 41
 Problème des Pigeons (CSP)

• Régles
– addition : (a1,b1, L) + (a2,b2, M) => (a1 + a2 ,b1+ b2, LM)
si L Ç M ¹ Æ
– Inconsistance : (a1,b1, L) et (a2,b2, L) => inconsistance
si [a1,b1] Ç [a2,b2]= Æ

(1,1, p1,1, …, p1,m) (0,1, p1,1, …, pn,1)

… …
(1,1, pn,1, …, pn,m) (0,1, p1,m, …, pn,m)
+ +
(n,n,L) (0,m,L)

Inconsistance si n > m

42
Résolution en un temps linéaire par rapport aux données
 Problème de coloriage

• Le problème de Ramsey consiste à trouver un

coloriage des arcs d’un graphe complet de N sommets
avec 3 couleurs (Rouge, Vert, Bleu) sans qu’il existe de
triangle monochromatique

Solutions pour N=3 à 16

43
 Résolution du problème de Ramsey

• Pour N=3 à 16 on peut résoudre le problème en un

temps raisonnable

• Pour N>17, cela peut demander plusieurs jours ou

semaines

• Utilisation des symétries du problème afin d’éviter

de retester des cas infructueux déjà découverts

44
 Les échecs

• Probablement le problème le plus étudié en IA

– Etudes psychologiques des GMI (De Groot)
• Positions pensées (non calculées)
• Recherche sélective
• Profondeur faible (quelques coups)
• Fonction d’évaluation floue (protéger une tour, un fou)

45
 Les Systèmes Experts

• Très en vogue dans les années 70

– Base de connaissances
– Base de règles

– MYCIN : diagnostic médical

– DENDRAL : analyse chimique
– PROSPECTOR : prospective géologique
– R1/XCON (Digital Equipment Corporation) : configuration
optimale d’une machine

• Aujourd’hui : systèmes d’aide à la résolution de

problèmes (informatique)

46
 La Programmation Evolutive

• Algorithmes génétiques
– Population initiale de configurations d’un problème
– Fonction d’évaluation d’une configuration
– Opérateurs
• Croisement (des parents)
• Mutation (des enfants)
• Sélection (des enfants de meilleure qualité)

Parents Croisement

Mutation

Sélection
47
 La Reconnaissance de Formes / Sons

• Image :
– Imagerie médicale
– Environnement (déforestation, inondations)
– Espionnage militaire
– Sécurité (reconnaissance du visage)

• Son
– Ecriture
– Domotique
– Sécurité (reconnaissance de la voix)

• Biométrie

48
 Robotique

• Chaînes de production :
– automobile,
– Informatique
– Industrie en général

• Concours de robots pour

résoudre un problème
donné

• ASIMO (Honda) site

– Reproduction du
comportement humain
(déplacement,
mouvements)

49
 Robotique

• Selon Bill Gates :

– « .. les défis auxquels est
confrontée l’industrie
robotique sont très
semblables à ceux que
nous avons relevés en
informatique il y a trois
décennies »,

Pour la Science, Juin

2007

• Développement de LEGO Mindstorm NXT

nombreux types de robots,
utilisant des systèmes de
gestion incompatibles
50
 Retour vers le futur

penser =? Calculer

51
 Les réseaux neuronaux

• McCulloch et Pitts en 1943

• Kohonen 1984
• Intelligence = calcul ?
• Reconnaissance de forme,
de la parole

52
Conclusion

53
 Conclusion

• Ce que l’IA n’est pas :

– AAAI 1999, Patrick Henry Winston
– [Link]

• Une IA est elle possible ?

– Différents points de vue
– Partisans et adversaires de l’IA
– Une grande illusion ?
– Systèmes intelligents ?

• Un ordinateur dirigé à la voix est-il intelligent ?

54
 Conclusion

• Objections :

– Théologique (Matrix)

– Mathématique (Gödel)

– Conscience

– Continuité du système nerveux

– Difficulté de la formalisation du comportement

55
 Un dernier mot

Les ordinateurs ne sont pas

intelligents, toute l’ingéniosité
du chercheur en IA consiste à
vous faire croire qu’ils le sont

56
 Conclusion

• Point de vue personnel :

• Dans l’état actuel de nos connaissances une INTELLIGENCE artificielle basée
sur l’informatique est impossible

• Informatique :
– Traitement automatique de l’information
– Calcul
– Un ordinateur sait donc :
• Représenter des informations simples
• Effectuer des calculs sur ces informations
– Si un problème peut se modéliser par une information simple et
qu’il demande de faire des calculs pour être résolu alors il peut
être traité par un ordinateur

• Une véritable Intelligence possède une conscience de sa

propre existence (Je pense donc je suis)
• Un ordinateur n’apprend pas, il est programmé pour exécuter

57