Édition du: 13/01/2023 |
INDEX |
LOGIQUE et IA |
|||
SYSTÈMES
EXPERT Knowledge B Mécanisation
du raisonnement pour obtenir des déductions, des conclusions. Les
systèmes experts s'appuient sur la connaissance du domaine,
préalablement (et …
consciencieusement) communiquée par un expert. D'une
liste de déclarations, le système expert cherchera toutes les déductions
possibles et tentera d'aboutir à une conclusion. |
||
|
Sommaire de cette page >>> Approche >>> Déclaratif >>> Langage et principe >>>
Sens commun >>>
Prédicat de premier ordre >>>
Deux types de systèmes décisionnels |
Débutants Glossaire |
Il est plus facile de simuler un géologue
qu'un enfant de 5 ans. Sentence qui nécessite
explication! Un système expert peu raisonnablement accomplir
sa tâche s'il s'agit de traiter des éléments de géologie bien connus, bien
organisés, mais il
est incapable de simuler le sens commun même celui d'un
jeune enfant. Sans doute, une des raisons pour lesquelles les systèmes
experts ont eu un moment de gloire et se sont finalement effondrés sur le
marché. |
|
|
Un exemple basique: règles des fourmis
pour créer leur cimetière à fourmis
|
|
|
Systèmes
expert
Exemple
Le système expert est
un outil de déductions rapide pour l'homme. Exemple: reconnaître
une fleur
|
Voir le
livre Quelle est
donc cette fleur qui permet de reconnaître les fleurs sur ce principe.
|
|
Langage
Principe
d'unification
|
|
|
D O N A L D + G E R A L D R O B E R T
X = [D,O,N,A,L,G,E,R,B,T], Toutes ces lettres sont des variables all_intin(X, 0, 9), Toutes à l'intérieur de l'intervalle 0 à 9 gt(D, 0), gt(G, 0), La valeur 0 est exclue pour D et G all_diff(X), Toutes les variables ont des valeurs différentes 100000.*.D .+. 10000.*.O .+. 1000.*.N .+. 100.*.A .+.
10.*.L .+. D .+.
100000.*.G .+. 10000.*.E .+. 1000.*.R .+. 100.*.A .+. 10.*.L .+. D = 100000.*.R .+. 10000.*.O
.+. 1000.*.B .+. 100.*.E .+. 10.*.R .+. T, Mise en équation enum_list(X). Rechercher toutes les valeurs compatibles avec les informations
données ci-dessus D'après le
site Internet Small
Projects |
Voir Programmation
|
|
Quelques
exemples
Douglas
Lenat - à partir de 1984 Lenat
s'est donné comme objectif de constituer la liste complète de toutes les
règles de sens commun. Une base de données du sens commun. Il suffirait de
les charger dans les ordinateurs pour les rendre "intelligents",
capable de d'interpréter et d'exécuter des ordres. Le logiciel d'utilisation
de ces données ferait partie des utilitaires comme le sont aujourd'hui les
traitements de texte ou autres tableurs. C'est le projet OpenCyc dont la
dernière version a été éditée en 2012. Il utilise les prédicats de premier ordre. Visions
de Michio Kaku - Chapitre sur la révolution informatique |
|
|
Raisonnement symbolique dans lequel
on trouve un sujet suivi d'un prédicat. Par exemple:
|
Anglais;: first-order logic, first-order predicate calculus,
first-order functional calculus
|
||
Système expert. Moteur de
raisonnement (sémantique). Calcul en
logique
formelle. Arbre de
décision. |
Réseaux de neurones. Systèmes à apprentissage (profond). Machine
learning, deep learning. |
|
Travail sur les règles. Nécessite l'identification de toutes les règles (si
ceci, alors cela). Aucune
erreur ou omission permise. |
Travail sur les données. Nécessite
la confrontation à des milliers de cas pour renforcer la robustesse des
décisions. Requiert
la disponibilité d'un large volume de données pertinentes et de bonne
qualité. |
|
Résultats
rapides. |
Investissement
dans l'apprentissage. |
|
Usage: Travaux
simples. Environnement
stable. Domaine
d'application limité. |
Usage: Travaux
complexes. Environnement
variable. Grand
nombre de variables ou de critères. |
|
Algorithmes définis et maitrisés par l'homme Évolution
au gré des concepteurs. Système
décisionnel maitrisé par l'homme. |
Algorithme
engendré par la machine. Évolution
continue selon l'apprentissage. Système décision
développé par la machine. |
|
Risques
de chevauchements ou de conflits lors de la croissance du système. Complexification
croissante avec son évolution. |
L'identification
des données utiles et leur contrôle nécessitent une équipe d'experts en science
des données (data scientists et data engineers). |
|
Grande
fiabilité. Résultats
stricts, rigoureux (hors maladresse dans l'établissement des règles). |
Risque
d'erreur. Risque de
décisions erronées (le système est à la mesure des cas appris et peut créer
des faux positifs). |
|
Exemple: Approbation
de dépenses selon des seuils nécessitant une approbation de la hiérarchie. |
Exemple: Détection
de fraude fiscale parmi une grande population et une grande variété d sources
d'informations. |
|
Suite |
|
|
Voir |
|
|
Cette
page |