Archives Feuilleton/ Nouvelles: - Rob et Tod - Un automate conscient sur Mars Suite... Essai - Le paradigme de l'Automate ou le dialogue d'Alain et Bernard Suite...

Avril 2001
J.P Baquiast

Eléments de définitions :
Intelligence Artificielle

Retour à la lecture du feuilleton

Pas si simple de définir l'intelligence artificielle (ou "IA"). D'abord parce que parler d'"intelligence" revient à manier un concept particulièrement flou (voir cette définition). L'apposition des deux terme "intelligence" et "artificielle" suggère qu'il existe une intelligence naturelle, relative à l'homme et aux animaux supérieurs, et une intelligence artificielle, relative à la machine. Le but étant de copier l'intelligence naturelle, de manière "artificielle", pour l'introduire dans des machines afin de les doter d'un comportement "intelligent".

L'IA regroupe deux points de vues, complémentaires :
- une démarche cognitive, qui passe par l'étude des mécanismes de l'intelligence, l'ordinateur étant considéré comme un outil de simulation pour tester un modèle ou une théorie,
- une démarche qu'on pourrait qualifier de "pragmatique" (ceci ne voulant pas dire que la démarche cognitive ne l'est pas), et qui consiste à vouloir doter l'ordinateur ou la machine de capacités habituellement attribuées à l'intelligence humaine (raisonnement, décision, perception, expertise...).

En d'autres termes, le second courant sous-entend qu'une réalisation informatique peut reproduire un comportement qualifié d'intelligent. Ceci suggère donc, en sous-main, qu'il n'y aurait pas de différence entre pensée et calcul, pas de différence entre intelligence "naturelle" et "artificielle". D'autres, comme Rodney Brooks, pensent qu'une véritable intelligence artificielle ne se résume pas à un simple "cerveau électronique" : on ne peut comprendre la cognition si on l'abstrait de l'organisme inséré dans une situation particulière, avec une configuration particulière, c'est à dire dans des conditions écologiquement constituées.
D'autres affirment, plus modestement, qu'un programme d'informatique artificielle simule une activité intelligente donnée et que les les résultats obtenus sont identiques à ce qu'aurait fait l'homme dans une situation analogue. Toutefois, rien ne permet d'affirmer que ce qui se passe dans la machine soit la reproduction du fonctionnement de l'esprit humain.

Quoi qu'il en soit, l'intelligence artificielle emprunte son savoir à de très nombreuses disciplines :

• l'informatique (le hardware -développement de la "quincaillerie"- et le software -langages de programmation-)
• les mathématiques et la logique (formalisation, modélisation)
• la physique de l'ingénieur (developpement des microprocesseurs de plus en plus complexes (par exemple les puces FGPA, capables de reconfigurer leurs circuits en fonction de la tâche à effectuer);  mise au point de nouvelles architectures, développement de nouveaux capteurs, etc.)
• les neurosciences (compréhension du cerveau)
• la biologie et les sciences naturelles (observation du vivant)
• la psychologie (validation des théories sur le fonctionnement de la mémoire, du langage, du comportement...)
• la linguistique (modèles de manipulation du langage)
• les sciences sociales (étude du comportement en société, de l'adaptation à l'environnement)
• la philosophie (questions relative à la nature de la pensée).

Trois grands modèles sont utilisés aujourd'hui par les chercheurs et les ingénieurs en intelligence articielle :

• Les modèles symboliques (IA symbolique)
  Il s'agit de mettre en oeuvre des connaissances (de bon sens, ou spécialisées) et de les exploiter dans des mécanismes de raisonnement (système à base de connaissance). Le fondement de cette approche de l'IA est ainsi de représenter le savoir dans différents  types de logique. On peut citer, par exemple, les systèmes experts de production, système d'aide au diagnostic médical, conduite de procédés industriels...
  Un autre aspect de l'intelligence à base de connaissances est celui de l'intelligence collective qui consiste à susciter l'émergence d'un comportement intelligent par coopération ou concurrence entre un ensemble d'entités (on parle d'agents) ayant leur propre autonomie et faisant leur propre travail. Ces agents peuvent être dotés d'une capacité cognitive, de connaissances, de mécanismes de raisonnement (on parle alors de système multi-agents). On retrouve par exemple ces systèmes multi-agents dans le domaine de l'interprétation de l'image.
  On distingue également des systèmes multi-agents où, bien que chaque agent soit dénué d'intelligence (comportement purement réactif), émerge un comportement intelligent qui résulte de la pertinence des échanges entre agents. Ces systèmes permettent, par exemple, de modéliser la construction d'un nid de termite, la manière dont les fourmis trouvent leur nourriture ou encore le comportement de certaines araignées de Guyane qui tissent leur toile de façon collective...
   
• Les modèles neuromimétiques (IA connexioniste)
  Les système développés dans cette catégorie sont fondés sur un modèle élémentaire du neurone et de ses connexions (via les dendrites), développé électroniquement sous forme d'un automate qui s'inspire du fonctionnement du neurone humain. Cette automate reçoit un certains nombre de stimuli en entrée. Chaque entrée de stimulus à une force, représenté par un poids : le neurone fait la somme de ces stimuli, pondérés par ces forces, et en fonction de cette somme, prendra la décision de "s'exciter" ou non : la décision sera liée à l'état des signaux reçus en entrée.
  L'intérêt de ce système (réseau neuronal comprenant plusieurs de ces neurones, interconnectés mathématiquement) est qu'il est capable d'apprendre à partir des exemples qui lui sont présentés. Une fois l'apprentissage réalisé, le système a non seulement acquis la capacité de bien se comporter devant les exemples déjà rencontrés, mais aussi de généraliser et d'inventer un comportement devant des exemples qu'il n'a pas encore rencontré. Citons, parmi  les domaines d'applications des réseaux neuronaux,  la reconnaissance de forme, la classification de données, la prédiction, la prévision, l'optimisation, l'approximation (de fonctions), la conduite de procédés industriels...
  

• Les modèles statistiques (IA statistique)
  Il s'agit ici de concevoir des systèmes capables d'avoir des comportements intelligents dans des situations réelles, dont l'essence-même est de présenter une très grande variabilité. On recourt donc ici aux outils statistiques, plus exactement aux outils stochastiques (statistique + évolution au cours du temps). Comme dans le cas des réseaux neuronaux, le système nécessite une phase préalable d'apprentissage, apprentissage ici de lois de distribution de probabilités. Les domaines d'applications concernent notamment la reconnaissance de forme, la reconnaissance de la parole ou l'interprétation de signaux...

Christophe Jacquemin

Automates Intelligents © 2001