Bibliographie & annexes
Quiz & test
Présentation
En anglais
RÉSUMÉ
L'intelligence artificielle (IA) s'attache à résoudre des problèmes qui relèvent d'activités humaines de nature variée (perception, prise de décision, planification, diagnostic, interprétation de données, compréhension du langage, conception). Ces problèmes nécessitent de mettre en jeu une grande quantité de données et de connaissances, soit exploitées directement, soit codées sous différentes formes (distributions de probabilités, poids synaptiques, etc.). Nous présentons les différents modèles développés depuis le début de l’IA, ainsi que les grands domaines d’application. Les aspects éthiques liés à l’utilisation de systèmes d’IA sont également étudiés.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Artificial Intelligence (AI) aims at solving problems involved in various types of human activities (perception, decision making, planning, diagnosis, data interpretation, design, language understanding). Solving such problems need to use large amount of data and knowledge, either directly exploited or coded into various forms (probability distributions, synaptic weights, etc.). The different models developed since the beginning of AI are presented. Aspects of ethics related to the use of AI systems are also tackled.
Auteur(s)
-
Jean-Paul HATON : Professeur émérite - LORIA – Institut Universitaire de France – Université de Lorraine – Nancy, France
INTRODUCTION
Le but de l’intelligence artificielle (IA) est double. D’une part, l’IA s’attache à résoudre des problèmes qui relèvent d’activités humaines ou animales de nature variée : perception, planification, interprétation de données, diagnostic, prise de décision, compréhension du langage, conception. D’autre part, l’IA cherche à mieux comprendre et modéliser l’intelligence. Elle se rapproche ainsi des sciences cognitives dont elle s’inspire par ailleurs pour la conception de modèles (mémoire, raisonnement, apprentissage). La nécessité de restreindre l’activité à un champ d’application limité et de s’appuyer sur des connaissances de nature diverse est apparue rapidement en IA. Cette approche symbolique de l’IA a donné lieu aux systèmes à base de connaissances.
Une autre approche, dite connexionniste, tente de s’inspirer du fonctionnement du cortex cérébral. Un réseau neuronal est formé par l’interconnexion d’un grand nombre de neurones artificiels. Il présente des propriétés intéressantes, notamment la capacité d’apprendre à partir de grandes quantités d’exemples.
Des succès récents ont médiatisé l’IA : jeu d’échecs, jeu de go, poker, robots martiens, le jeu américain de questions-réponses Jeopardy, reconnaissance d’images, reconnaissance de la parole, jeux vidéo et autres.
Cet article présente les différents modèles de l’IA, ainsi que les méthodes d’apprentissage associées. Il décrit aussi un vaste ensemble d’applications (médecine, industrie, militaire, banque, droit, etc.) et aborde aussi les aspects éthiques liés à ces applications.
L'expertise technique et scientifique de référence
KEYWORDS
learning | artificial intelligence | pattern recognition | neural networks
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Réseaux neuronaux profonds
En anglais
3. Apprentissage
3.1 Introduction
L’apprentissage, caractéristique fondamentale de l’intelligence, est partie prenante de la plupart des systèmes d’IA, permettant d’optimiser leurs performances.
L’apprentissage automatique (machine learning) est une discipline très active et multiforme, selon les modèles sous-jacents. Toutes les méthodes impliquent l’existence de grandes bases de données d’exemples et parfois de contre-exemples, le plus souvent dûment étiquetés, sur lesquels se fonde l’apprentissage. Un système apprend à partir de chaque exemple, avec l’idée d’être capable de généraliser son comportement à de nouveaux cas non encore rencontrés, grâce aux bonnes propriétés des modèles appris.
On distingue deux grands types d’apprentissage en IA, l’apprentissage symbolique et l’apprentissage numérique. Nous résumons ci-dessous les grandes caractéristiques de ces méthodes.
HAUT DE PAGE3.2 Apprentissage symbolique
Ce type d’apprentissage, lié aux systèmes à base de connaissances, concerne l’acquisition de concepts et de connaissances structurées. Un exemple fondateur bien connu est Dendral, système expert en chimie organique, capable d’apprendre des règles d’explication à partir de données de spectrographie de masse. Ajouter de nouvelles règles dans une base de connaissances pose des problèmes de gestion des bases, de maintien de cohérence et, éventuellement, de généralisation des connaissances apprises par recherche d’explications.
Les nombreuses méthodes proposées relèvent de deux grands types d’apprentissage :
-
l’apprentissage par détection de similarités (Similarity-based learning) dans lequel on apprend en détectant des similarités et des dissemblances dans une base d’apprentissage d’exemples et de contre-exemples. Cette recherche d’associations et de liens de causalité significatifs permet d’extraire des pépites de connaissances à l’aide de mécanismes de fouille de données associés à une évaluation par un expert du domaine. Cette coopération IA-expertise humaine se retrouve souvent dans les applications pratiques ;
-
l’apprentissage par recherche d’explications...
L'expertise technique et scientifique de référence
TEST DE VALIDATION ET CERTIFICATION CerT.I. :
Cet article vous permet de préparer une certification CerT.I.
Le test de validation des connaissances pour obtenir cette certification de Techniques de l’Ingénieur est disponible dans le module CerT.I.
de Techniques de l’Ingénieur ! Acheter le module
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Apprentissage
BIBLIOGRAPHIE
-
(1) - HATON (J.-P.) et al - Le raisonnement en intelligence artificielle - Modèles, techniques et architectures pour les systèmes à bases de connaissances, - InterEditions (1991).
-
(2) - TURING (A.) - Computing Machinery and Intelligence, - Mind, 49, pp. 433-460 (1950).
-
(3) - LE CUN (Y.) et al - Deep learning, - Nature, vol. 521, pp. 436-444 (2015).
-
(4) - HATON (J.-P.) - La parole numérique, - Académie Royale de Belgique, Collection Poche, n° 79 (2016).
-
(5) - CHANDRA (V.), HAREENDRAN (A.) - Artificial Intelligence and Machine Learning, - PHI Learning, 2014.
-
(6) - RUSSELL (S.), NORWIG (P.) - Artificial Intelligence: A Modern Approach (3d edition), - Pearson (2015).
- ...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
AI Magazine (USA)
Artificial Intelligence (NL)
Bulletin de l’AFIA, Association Française d’Intelligence Artificielle (F)
IEEE Transactions on Knowledge and Data Engineering (USA)
Journal of Intelligent Manufacturing (GB)
IEEE Transactions on Neural Networks and Learning Systems (USA)
Neural Networks (GB)
IEEE Transactions on Pattern Analysis and Machine Intelligence (USA)
HAUT DE PAGE
AFIA Association Française d’IA : https://afia.asso.fr/
ECCAI European Coordinating Committee for Artificial Intelligence : https://eccai.org/
AAAI Association for the Advancement of Artificial Intelligence : https://www.aaai.org/
ENNS European Neural Network Association : https://e-nns.org/
International Neural Network Society INNS : https://www.inns.org/
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
QUIZ ET TEST DE VALIDATION PRÉSENTS DANS CET ARTICLE
1/ Quiz d'entraînement
Entraînez vous autant que vous le voulez avec les quiz d'entraînement.
2/ Test de validation
Lorsque vous êtes prêt, vous passez le test de validation. Vous avez deux passages possibles dans un laps de temps de 30 jours.
Entre les deux essais, vous pouvez consulter l’article et réutiliser les quiz d'entraînement pour progresser. L’attestation vous est délivrée pour un score minimum de 70 %.
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Technologies logicielles Architectures des systèmes
(239 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
