|
Édition du: 13/01/2023 |
|
INDEX |
LOGIQUE et IA |
|||
|
Intelligence artificielle – I.A. Personne ne viendra lire cette page sans avoir sa
petite idée sur ce qu’est l’intelligence artificielle. C'est un vaste sujet.
Il s'agit de la faculté de reproduire un " raisonnement "
par des moyens informatiques. C’est l’ordinateur qui "pense"… pour
reconnaître, s'adapter à des situations… comme le ferait un être humain.
L'I.A fait partie de la cognitique. En 1950, Alan Turing
se posait la question: "Can machine think?". Quelques années plus
tard, McCarthy propose de nommer les recherches dans ce domaine: intelligence
artificielle. À cette époque les chercheurs, outre Turing et McCarthy sont: Claude Shannon, Marvin
Minsky, Rochester … John McCarthy (1958 – MIT; puis Stanford en 1962)
est l'inventeur du premier langage d'intelligence artificielle: le langage LISP (List Processor). Suivra en 1972, le langage
PROLOG conçu par le Français Alain Colmeraurer. C'est McCarthy qui a proposé
le terme: intelligence artificielle dont
il propose la définition suivante: l'IA est la science et l’ingénierie de fabrication
des machines intelligentes, notamment des programmes informatiques
intelligents. |
|||
|
|
Sommaire de cette page >>> Approche >>> Trois
méthodes >>> Trois
méthodes par l'exemple >>> Ascendant ou descendant >>>
Vocabulaire >>>
Crainte de l'IA |
|
Débutants Glossaire |
Anglais: Artificial
Intelligence – A.I.
|
C'est logique! Où il y
a de l'intelligence artificielle, il a forcément de la stupidité
artificielle. |
It figures. If there's artificial intelligence, there's
bound to be some artificial stupidity. |
Voir Pensées
& humour / Tournures anglaises
En bref
|
L'informatique traite les données (informations numériques). L'intelligence artificielle traite les
connaissances (informations symboliques). Prospective: beaucoup
croient que le projet de l'intelligence artificielle va bien au-delà de la
simple simulation de comportements intelligents et qu'il porte sur la réification d'une conscience. Les
développements actuels (2017) porteraient sur l'IA faible pour devenir, à
terme, une IA forte. |
Marché prévisionnel de l'IA
|
Les
mots clés de l'IA: ·
Machine learning (apprentissage
automatique ou apprentissage statistique) ·
Deep
learning (apprentissage profond) ·
Réseaux à
apprentissage (neuronique) ·
Big
data ·
Robots ·
GAN:
Generative Adversarial Networks ·
GAFAM
(Google, Amazon, Facebook, Apple et Microsoft) ·
NATU
(Netflix, Airbnb, Tesla, Uber) Deux
vagues d'IA ·
l'IA faible
ou descendante: imitation fidèle d'un
comportement observé et qui est reproduit à l'identique à l'aide d'un programme
informatique. Il est très performant dans son domaine mais reste confiné dans
celui-ci, sans possibilité d’évoluer. ·
l'IA forte
(ascendante): cette fois le comportement humain est mimé
par suite d'apprentissage et accumulation de connaissances de plus en plus
complexes. La machine est dotée d'une sorte de conscience d'elle-même. Les
algorithmes évoluent et échappent progressivement au cadre fixé au départ par
leurs auteurs. |
|
Il existe de nombreux
sites expliquant la théorie. On essaie, ici, de toucher
du doigt le domaine, de comprendre les
mécanismes et les enjeux. |
|
Weapon
or Math Destruction Titre
du livre (2018) de Cathy O'Neil, mathématicienne américaine, dénonçant les dangers
des algorithmes d'IA conduisant à la prise automatique de décisions. Jeu de mots avec Weapons of
Massive Destruction, armes de destruction massive. |
Voir Pensées & humour
|
|
||
|
Ordinateurs |
Les ordinateurs sont devenus de plus en
plus puissants, mais ils ne permettent pas de toujours résoudre tous les
problèmes. La matériel n'est peut être pas en
cause. C'est le logiciel qu'il faut
améliorer. |
|
|
Logiciels |
La construction de logiciels
s'appuie sur plusieurs approches:
|
|
|
|
|||
|
Une approche algorithmique |
Elle nécessite l’écriture du
processus à suivre pour résoudre le problème puis sa transcription en un
programme. Lorsque le problème est complexe, ce peut être une étape coûteuse ou
impossible. D’autre part, les ordinateurs sont
des machines complètement logiques qui suivent à la lettre chacune des
instructions du programme. C’est un avantage lorsque tous les cas ont été
prévus à l’avance par le développeur de l'algorithmique. |
||
|
Systèmes experts |
La seconde approche par possible
est celle de l’intelligence
artificielle (IA), avec pour application la plus connue les systèmes experts. Voir Raisonnement par
système expert Ici, la résolution du problème
s'appuie sur un ensemble de règles données par l’expert humain du domaine. Il n’en demeure pas moins que toutes
les règles doivent avoir été exprimées préalablement au traitement, et que le
programme demeure binaire dans son exécution. Les cas qui n’ont pas été
prévus par l’expert ne seront pas correctement traités. L’introduction de la logique floue
ne change pas la nature des limitations d’emploi du programme: l'exécution
reste totalement déterministe. |
||
|
Alors, comment aller plus loin? |
L’approche basée sur la connaissance s'applique
là où la modélisation de la connaissance est possible, sous forme de règles, par
exemple: |
||
|
|
Pour
les sciences "exactes" · l'électronique, · la mécanique, · la physique, · etc. La
connaissance y est explicite. |
Et
non les sciences dites
"humaines" · la médecine, · la psychologie, · la philosophie, · etc. La
connaissance y est empirique. |
|
|
Les réseaux neuroniques |
Les deux approches indiquées ne
suffisent pas pour · de la
reconnaissance de formes, · du diagnostic, · du contrôle moteur, · de la traduction
automatique, · de la compréhension
du langage, · etc. Pour cette troisième approche, on
cherche à s’inspirer du traitement de l'information effectué par le cerveau. En effet, la structure du système
nerveux, les mécanismes mentaux, les processus neurophysiologiques,
l'architecture du cerveau sont à la base du développement d’un comportement
intelligent. Les réseaux de neurones artificiels
tentent de reproduire ce comportement. |
||
|
Approche avec l'exemple du jeu de dames |
|
|
|
Niveaux |
Trois niveaux possibles de
" raisonnement " |
|
|
ALGORITHME Programmation
impérative |
Avant chaque mouvement de pièce, exploration de tous les cas possibles. On peut,
au prix d'une certaine complexité, y ajouter des tests pour éviter d'explorer
des cas de figures très probablement perdants. Le but étant de diminuer le nombre
des calculs qui sont trop nombreux pour être calculés en un temps
raisonnable. C'est encore pire aux échecs
comparés aux dames. >>> Suite |
|
|
EXPERT Programmation
déclarative ou logique |
Dans une base de connaissances, on
pourrait enregistrer un grand nombre de parties connues. Si le système reconnaît une de ces
parties, il joue les coups enregistrés. On voit bien ici que l'algorithme
déroule systématiquement l'exploration de tous les coups permis. Avec le système expert, comme son
nom l'indique, une bonne dose de connaissances du jeu a été introduite. Ça n'est plus une simple mécanique
en action, mais l'utilisation de règles de déduction basées sur la forte
connaissance des spécialistes humains. >>> Suite |
|
|
NEURONIQUE Programmation
fonctionnelle |
Apprentissage en jouant des parties
et en tentant de mémoriser les différences entre-elles. Trouver les caractéristiques de
chacune. La machine se bonifie à chaque
partie L'homme en face ne sait pas très
bien ce que la machine mémorise pour arriver au résultat. Mais ça marche! Aucune expertise n'est apportée.
Sinon par mimétisme du joueur en face de la machine. Et encore! On a conçu des machines
neuroniques qui jouaient entre elles. Un programme de sélection récompensait
les plus fortes et éliminaient les plus faibles. Par auto-adaptation restait
une seule machine qui s'est révélée très performante. Voir l'exemple des échecs avec
l'évolution des programmes Deep Blue (1996 – Classique)) et AlphaZero (2017 –
Apprentissage profond). >>> Suite |
|
|
Conclusion |
Les trois manières de trouver une
solution sont très différentes et s'appliquent à des cas d'application
spécifiques. Elles sont complémentaires. |
|
|
Le Machine Learning est un sous-ensemble de l'IA. Les
réseaux neuroniques sont une des technologies de base. Arthur Samuel en 1959 en fut le pionnier et il définit le
machine learning comme le champ d’étude qui donne aux ordinateurs la capacité
d’apprendre sans être explicitement programmés à apprendre. La qualité des prédictions des algorithmes s’améliore avec
l’expérience. |
|
|
||
|
DESCENDANTE |
ASCENDANTE |
|
|
·
Les robots ou automates
programmés pour faire quelque chose ne font que ce qu'on leur a injecté comme
instruction. |
·
"Insectes" de Brooks qui se débrouillent par
essais et erreurs; par apprentissage et, sélection
des plus adaptés. |
|
|
·
Ils reflètent les idées et la logique des humains. |
·
Ils peuvent donner naissance presque sûrement à de
l'inattendu. |
|
|
·
L'école descendante soutient que l'esprit est comme un
programme d'une immense complexité dans un ordinateur |
·
Hopfield pense que l'intelligence pourrait naître de la
théorie quantique d'atomes
stupides sans aucun programme d'aucune sorte. ·
Sa théorie: tout comme un objet quantique minimise son
énergie, un circuit de réseau de neurones, lui aussi, doit minimiser son
énergie. |
|
|
·
Turing, avec sa machine, a
saisi l'essence mathématique de la machine à calculer universelle. |
·
Hopfield a découvert l'une des lois universelles des
réseaux de neurones. |
|
D'après: Visions de
Michio Kaku – Chapitre sur la révolution informatique
|
|
||
|
Voici une liste de mots et sujets
que l’on retrouve dans le domaine de l’I.A. (Intelligence Artificielle). |
||
|
USAGES |
·
Reconnaissance des chiffres et des lettres ·
Reconnaissances dans les images ·
Reconnaissance de la parole ·
Extraction d’information dans le bruit ·
Diagnostic médical ·
Compréhension et traduction des langages naturels ·
Auto adaptation des robots en production |
|
|
OUTILS |
·
Langages de programmation ·
Programmation et objets structurés ·
LOGO ·
PROLOG ·
LISP ·
Moteur d’inférences ·
Bases de connaissances ·
Modélisation ·
Graphes ·
Tableau noir |
|
|
MÉTHODES |
·
Procédures algorithmiques ·
Déclaration d’experts ·
Apprentissage neuronal |
|
|
FONDEMENTS |
·
Logique de Boole ·
Logique formelle ·
Logique des prédicats ·
Syllogismes ·
Déduction ·
Heuristique ·
Énigmes ·
Paradoxes |
|
|
ÉPISTÉMOLOGIE (fondements théoriques et valeurs) |
·
Décidabilité (Hilbert) ·
Calculabilité (Turing) ·
Incomplétude (Gödel) |
|
|
Une vision du domaine |
|
|
Les systèmes experts, permettant
d'appliquer des règles pour prendre des décisions ou découvrir de nouvelles
connaissances. >>> La logique floue, permettant de contrôler
des systèmes informatiques ou mécaniques de manière beaucoup plus souple que
les programmes traditionnels.>>>
Les algorithmes de recherche de chemin,
dont le A* très utilisé dans les jeux vidéo pour trouver les meilleurs
itinéraires.>>>
Les algorithmes génétiques,
utilisant la puissance de l'évolution pour apporter des solutions à des
problèmes complexes.
Les principales métaheuristiques, dont
la recherche tabou, trouvant des optimums à des problèmes d'optimisation,
avec ou sans contraintes.
Les systèmes multi-agents, simulant
des foules ou permettant des comportements émergents à partir de plusieurs
agents très simples.
Les réseaux de neurones, capables
de découvrir et de reconnaître des modèles, dans des suites historiques, des
images ou encore des données. >>> Extrait et commentaire du sommaire du livre
de Virginie Mathivet |
|
|
|
||
|
Trois
personnages célèbres, entre autres, se prononcent sur les dangers à terme de
l'IA: Bill Gates, Stephen Hawking et Elon Musk . Certains
redoutent que ces technologies: · soient tellement
sophistiquées qu'elles se mettent à avoir des effets pervers (bugs), · échappent au
contrôle, · soient détournées
par des hackers-pirates, ou · soient délibérément
malfaisantes (cyberguerre). La
science-fiction invente des utopies; l'IA pourrait devenir une dystopie. L'ordinateur
ne peut pas se mettre à avoir une conscience pour nuire à l'homme. Par
contre, il peut devenir idiot. Le cerveau humain, lui, est doué de
discernement dans notre environnement complexe. Un
défi pour les informaticiens: mettre en place les garde-fous pour assurer la
sécurité des innovations en IA. |
Dans un premier temps les machines seront
bien utiles: accomplissant des tâches à notre place sans être intelligente,
malgré leur dotation en IA. Puis l'IA va progresser. Elle deviendra
très puissance au point de ne plus pouvoir la contrôler. Sentiment de Bill Gates, co-fondateur de Microsoft La plus grande menace pour notre existence,
c'est l'IA. Nous devrions mettre en place une régulation au niveau national,
voire international. Sentiment d'Elon Musk, fondateur et patron de Tesla Motors et SpaceX Réussir à créer une IA serait le plus grand
événement dans l'histoire de l'homme, mais ce pourrait être le dernier. L'IA
dépend de qui la contrôle et, on peut même se demander si elle peut être
contrôlée. Sentiment
de Stephen Hawking, scientifique. |
|
D'après:
IA:
attention danger, même Bill Gates a peur! Raphaële Karayan – L'Express
02/02/2015
|
Suite |
· Automate · Robots |
|
Voir |
· Counterfactual regret
minimisation · Dualité · Logique – Index · Multimédia et
informatique – Index |
|
· L'Intelligence
Artificielle pour les développeurs – Concepts et implémentations en C#
– Eni Éditions par Virginie Mathivet, Docteur Ingénieur INSA,
professeur permanent à l'EPSI de Lyon – Décembre 2014 · L'intelligence artificielle –
Jean-Gabriel Ganascia – Le Cavalier Bleu – 2007 · Le Mythe de la singularité. Faut-il
craindre l’intelligence artificielle? – Jean-Gabriel Ganascia – Seuil –
2017 |
|
|
Sites |
· Le portail de l'intelligence artificielle et
des startups IA – ACTU IA · Apprentissage
automatique – Wikipédia ·
Machine
learning et deep learning, comment ça marche? – Ludovic Louis – Siècle
digital – 22/12/2016 · De
l’intelligence artificielle aux humanités numériques – Entretien avec
Milad Doueihi et Jean-Gabriel Ganascia – La vie des idées – 2014 ·
A
Very Short History Of Artificial Intelligence (AI) – Gil Press – 2016 |
|
Cette
page |
