Exemples
Systèmes à bases de connaissances

L'intelligence artificielle (IA), par sa capacité à s'attaquer à des classes de problèmes différents de ceux traités par l'informatique classique, a vu son importance économique s'accroître considérablement. Ces problèmes relèvent d'activités humaines communément liées à l'intelligence (perception, prise de décision, planification, diagnostic, interprétation de données, compréhension du langage, conception) et présentent la particularité commune de mettre en jeu une exploitation raisonnée d'une grande quantité de connaissances, pour l'essentiel spécifiques du domaine étudié et acquises auprès d'experts.

Parallèlement, l'IA est entrée dans la culture populaire, à travers notamment de nombreux ouvrages et films de fiction et des jeux se situant souvent dans des mondes virtuels. De même, quelques succès récents, notamment la victoire du programme de jeu d'échecs Deep Blue contre le champion du monde G. Kasparov et la mission du robot martien Mars Rover, ont médiatisé certains aspects de l'IA.

Dès l'apparition de l'ordinateur, Alan Turing et d'autres chercheurs émirent l'hypothèse qu'il était possible d'automatiser des raisonnements à l'aide d'algorithmes généraux fondés sur un ensemble de règles logiques appliquées à des structures symboliques, à la suite des travaux sur la logique mathématique. Les systèmes formels ont montré leurs limites intrinsèques (en particulier avec les travaux de Gödel et de Church) pour la modélisation du raisonnement. La nécessité de restreindre un raisonnement à un champ d'application bien délimité et d'appuyer ce raisonnement sur des connaissances de nature diverse est ainsi apparue très tôt en IA. Cette approche symbolique de l'IA a donné lieu aux systèmes à bases de connaissances.

Une autre approche, que l'on peut qualifier de connexionniste, est apparue de façon concomitante dès le début de l'IA au cours des années 1950. Elle revient à s'inspirer du fonctionnement du cortex cérébral. L'entité de base est un modèle du neurone, un système étant formé par l'interconnexion d'un grand nombre de tels « neurones » (le modèle le plus couramment utilisé est le neurone formel proposé par McCulloch et Pitts en 1943). Il s'agit d'une modélisation très rudimentaire du fonctionnement du neurone, dans laquelle l'accumulation des activités synaptiques du neurone est assurée par une simple sommation pondérée. L'interconnexion d'un ensemble de telles unités fournit un système connexionniste neuromimétique, appelé aussi réseau neuronal, qui présente des propriétés intéressantes. La principale de ces propriétés est certainement la capacité qu'a le réseau d'apprendre à partir d'exemples. De tels réseaux sont utilisés dans divers domaines : lecture optique de textes, de codes postaux ou de signatures, diagnostic de pannes, contrôle qualité, réglage de procédés industriels, estimations boursières, prévision du temps en météorologie, etc.

Par ailleurs, des modèles probabilistes et statistiques sont de plus en plus souvent mis à profit pour rendre compte de la variabilité des phénomènes étudiés. C'est notamment le cas en reconnaissance automatique de formes (parole, caractères écrits...), mais aussi en raisonnement, notamment avec les modèles markoviens et les réseaux bayésiens. Ces modèles, tout comme les modèles neuromimétiques, sont capables d'apprendre à partir d'exemples, mais l'apprentissage consiste ici à mémoriser des distributions de probabilité à l'aide d'algorithmes souvent complexes mais dont les propriétés sont parfaitement connues.

Ces trois grandes approches (symbolique, connexionniste et statistique) sont à la base des systèmes actuels. La conception de systèmes à bases de connaissances (SBC) capables de réaliser des fonctions de raisonnement symbolique constitue ainsi une part importante des recherches et des développements en IA. De tels systèmes nécessitent en particulier une représentation adéquate des connaissances utiles ainsi que des mécanismes efficaces d'exploitation de ces connaissances ou de raisonnement. C'est cet aspect de l'IA qui est traité dans ce dossier.

Dans un premier temps sont envisagés les modes de représentation des connaissances utilisés dans les SBC : représentations logiques, réseaux sémantiques, règles de production, objets structurés, modèles, graphes causaux, ontologies.

Le paragraphe suivant est consacré à la démarche de résolution de problèmes complètement formalisés, tout d'abord dans une approche générale puis dans le cadre des problèmes avec contraintes. La fin de ce paragraphe traite du problème de la planification qui requiert des techniques particulières.

Sont ensuite présentés divers modes de raisonnement.

La coopération et la concurrence entre agents, qui constituent un univers de recherche et de développement important, sont ensuite développées.

Un domaine important pour le monde économique est celui de la capitalisation des connaissances et de la mémoire d'entreprise. À ce propos, nous traitons de méthodes comme la fouille de données et l'apprentissage automatique.

Nous envisageons ensuite les outils pour le développement de systèmes à bases de connaissances, avant de donner des indications sur les développements actuels puis quelques perspectives et conclusions.