Chapitre 2: Recherche dans les graphes –
Systèmes Experts
Plan du chapitre
Chapitre 2: Recherche dans les graphes – Systèmes Experts
2.1. Techniques de représentation et de résolution de problèmes d’IA
Introduction
Techniques de représentation
Graphe d’états
Graphe de sous-problèmes
Techniques de résolution
Techniques aveugles
Techniques ordonnées
2.2. Introduction aux systèmes experts
•Définition
•Principe
•Architecture
•Différents types
•Exemples de SE
•Domaines d’application
•Industries et disciplines consommatrices de SE
Dr P. PODA,,, 2015-2016 2
Techniques de représentation
Techniques de résolution
Dr P. PODA,,, 2015-2016 3
Introduction
Différentes approches de résolution de problèmes d’IA existent:
Approche par recherche de solutions dans un espace d'états
agents intelligents
algorithmes de recherche et algorithmes de jeux
Approche par raisonnement et en présence d'incertitude
systèmes logiques et raisonnement
incertitude et probabilité, théorie de la décision
Approche de résolution par planification
systèmes de planification et d'ordonnancement
Approche de résolution par apprentissage automatique
méthodes d'apprentissage automatique
Dr P. PODA,,, 2015-2016 4
Introduction
En général, la résolution d’un problème suppose: une
situation initiale et une situation finale à atteindre
Entre ces deux situations un ensemble de techniques sont
mises en œuvre incluant la représentation du problème et
la recherche d’une solution
Le diagramme suivant en donne une illustration
Dr P. PODA,,, 2015-2016 5
Introduction
Dr P. PODA,,, 2015-2016 6
Introduction
Représentation des situations et opérateurs:
Représentation déclarative
Représente ce que l'on sait dans une collection statique de
faits et de règles d'inférence.
Représentation procédurale
Représente la connaissance comme une collection de
procédures qui indiquent comment utiliser la connaissance.
Représentation déclarative → QUOI
Représentation procédurale → COMMENT
Dr P. PODA,,, 2015-2016 7
Introduction
Nature des problèmes à résoudre:
Problèmes non déterministes
Problèmes qui n’ont pas de solutions classiques
Dr P. PODA,,, 2015-2016 8
Introduction
Déterminisme vs non déterminisme:
Un algorithme est déterministe si à chaque pas de calcul, il
y a possibilité de choix correct et de bonne identification du
pas et de l’opération suivante
L’algorithme non déterministe est typique aux pbs non
déterministes tels le jeu du solitaire, le jeu du taquin, etc…
La résolution des pbs non déterministes est étroitement
liée aux techniques de recherche heuristique.
⇒ l’IA s’intéresse aux pbs pouvant admettre une résolution
automatique par les techniques heuristiques
Dr P. PODA,,, 2015-2016 9
Introduction
Aux problèmes non déterministes, convient l’approche
de résolution par recherche dans un espace d'états
La résolution par cette approche passe par :
(i) le choix d’une représentation (*)
(ii) la recherche d’une solution
N.B. (*) Important de faire la nuance entre la représentation
du problème et celle de la connaissance.
Dr P. PODA,,, 2015-2016 10
Techniques de représentation des problèmes
2 techniques:
Représentation par graphes d’états;
Représentation par graphes de sous-problèmes
La représentation est une description constructive du pb:
Une situation initiale comme point de départ
Une situation finale qui est le but visé
Un ens. de transformations de situations, d’opérateurs de réduction
de pbs et de construction progressive d’une solution
Dr P. PODA,,, 2015-2016 11
Représentation par graphe d’états
(ou espace d’états)
Un état est un ensemble de paramètres, d’objets, de
propositions ou d’informations qui caractérisent une situation
L’ensemble des états est noté U= espace de représentation
Représentation par espaces d’états=structuration de
l’ensemble des états par un graphe orienté où:
Chaque nœud est un état du problème
Un arc de U1 → U2= opérateur qui transforme U1 en U2
Dr P. PODA,,, 2015-2016 12
Représentation par graphe d’états : Illustration
Dr P. PODA,,, 2015-2016 13
Représentation par graphe d’états
Exemple du jeu du taquin
Dr P. PODA,,, 2015-2016 14
Représentation par graphe de sous-problèmes
Dans la représentation par graphe de sous-
problèmes, le problème est décomposé en sous-
problèmes.
Un opérateur va, ici, être une application
multivoque contrairement à la représentation
précédente.
Une telle représentation est utilisée dans les
systèmes à base de règles.
Dr P. PODA,,, 2015-2016 15
Représentation par graphe de sous-problèmes
Un exemple de représentation par graphe de sous-problèmes:
Soit la base de connaissance symbolique (où la connaissance est
représentée par des symboles de propositions) suivante , comprenant une
base de règles (BdR) et une base des faits (BdF):
BdF={b, c, e, j, l} =ensemble de pbs triviaux (qu’on sait résoudre)
BdR={ R1: a→b, c; R2: d→a, e, f; R3: d→a, k; R4: f→i; R5: f→c,j;
R6: d→g,h; R7: k→e, l}
Le problème à résoudre est ‘d’ ?
N.B.: Une règle Rj de BdR, telle que Rj: p1 → p2, p3 se lit comme suit: Pour
résoudre le problème p1, il faut savoir résoudre les problèmes p2 et p3.
Dr P. PODA,,, 2015-2016 16
Représentation par graphe de sous-problèmes
Représentation de l’exemple précédent
Dr P. PODA,,, 2015-2016 17
Techniques de résolution de problèmes
On suppose à cette étape que:
un problème non déterministe est posé
l’approche de représentation du problème par graphe est
faite
Il ne reste que la recherche de la solution décrivant la
situation visée.
Dr P. PODA,,, 2015-2016 18
Techniques de résolution de problèmes
Principe de la résolution:
La résolution consiste en deux opérations clé:
Une opération de génération de conflits par le développement
d’alternatives
Et une opération de choix d’une alternative dite résolution de
conflits
La résolution doit éviter l’explosion combinatoire compte
tenu du choix qui est non déterministe.
Dr P. PODA,,, 2015-2016 19
Techniques de résolution de problèmes
Critères d’appréciation d’un algorithme:
La tâche essentielle d’un algorithme étant d’éviter l’explosion
combinatoire; un algorithme devra posséder les 3 propriétés
fondamentales suivantes:
La terminaison: ppté de l’algorithme de s’arrêter lorsque l’espace
U est fini ou lorsqu’il y a solution
L’admissibilité: fournir la meilleure des solutions relativement à
un critère.
La complexité: indicateur permettant de prévoir le nombre
d’opérations nécessaires à un algorithme pour résoudre un
problème de difficulté donnée
Dr P. PODA,,, 2015-2016 20
Techniques de résolution de problèmes
1. TECHNIQUES AVEUGLES:
Dites « Blind search methods », c’est une
recherche non informée; càd qu’on exploite
aucune information sur le pb.
Deux (2) techniques: en profondeur d’abord
et en largeur d’abord
Dr P. PODA,,, 2015-2016 21
Techniques de résolution de problèmes
Techniques aveugles: en Profondeur d’abord
En Profondeur d’abord ou « depth first search » , cette
technique consiste en une organisation en pile LIFO:
dernier état développé, 1er pris.
Chaque branche est explorée jusqu’au bout avant de
passer à la suivante.
Dr P. PODA,,, 2015-2016 22
Techniques de résolution de problèmes
1
2 2’ 2’’
3 3’ 3’’
Techniques aveugles: En Profondeur d’abord (illustration)
Dr P. PODA,,, 2015-2016 23
Techniques de résolution de problèmes
Techniques aveugles: En largeur d’abord (illustration)
Dr P. PODA,,, 2015-2016 24
Techniques de résolution de problèmes
Illustration des méthodes aveugles:
1: SI (temps ensoleillé)
ET (distance <= 20 miles)
ALORS (transport est la bicyclette)
2: SI (transport est la bicyclette)
ALORS (aucune assurance n’est considérée)
3: SI (aucune assurance considérée)
ALORS (coût assurance = 0)
4: SI (pas de compagnie d’assurance)
ALORS (impossible d’obtenir assurance)
5: SI (impossible d’obtenir assurance)
ALORS (coût assurance=0)
Dr P. PODA,,, 2015-2016 25
Techniques de résolution de problèmes
Coût assurance = 0
1 5
Aucune assurance Impossible d’obtenir
n’est considérée assurance
2 6
transport est Pas de compagnie
la bicyclette d’assurance
4
3
Temps ensoleillé Distance <= 20 miles
Profondeur d’abord : illustration
Dr P. PODA,,, 2015-2016 26
Techniques de résolution de problèmes
Coût assurance = 0
1 2
Aucune assurance Impossible d’obtenir
n’est considérée assurance
3 4
transport est Pas de compagnie
la bicyclette d’assurance
6
5
Temps ensoleillé Distance <= 20 miles
Largeur d’abord : illustration
Dr P. PODA,,, 2015-2016 27
Techniques de résolution de problèmes
2. TECHNIQUES DE RECHERCHE ORDONNÉE:
• Recherche à coût uniforme: on suppose que tous les nœuds candidats sont à
égale distance du nœud objectif.
L’information utilisée concerne le passé
Le Breadth-first (en largeur d’abord) est un cas particulier de la recherche à coût
uniforme
• Recherche totalement ordonnée: utilisation d’heuristiques
Heuristique = ensemble de procédures, de critères ou de règles permettant de
réduire les alternatives et indiquant un bon choix.
Techniques de recherche heuristique: Best-First-Search , Greedy Search,
Algorithme A* et variantes
Dr P. PODA,,, 2015-2016 28
Techniques de résolution de problèmes
TECHNIQUES DE RECHERCHE TOTALEMENT ORDONNÉE:
Dans la recherche totalement ordonnée, on exploite deux
types d’information pour chaque nœud:
g(u) sur le passé= coût du chemin parcouru;
h(u) sur le futur= estimation du coût minimal de ‘’u’’ vers l’état objectif
Rq: h est-t-elle une heuristique???
On définit ainsi une fonction d’évaluation
f(u)=g(u)+h(u)
Dr P. PODA,,, 2015-2016 29
Techniques de résolution de problèmes
TECHNIQUES DE RECHERCHE TOTALEMENT ORDONNÉE:
Schématisation de la fonction d’évaluation f:
U0
g(u)
f(u)=g(u)
g(u)
U1 Un
Uj
+
h(u)
h(u)
Uf
Dr P. PODA,,, 2015-2016 30
Techniques de résolution de problèmes
TECHNIQUES DE RECHERCHE TOTALEMENT ORDONNÉE: ALGORITHMES
Algorithme A: algorithme de recherche dans les graphes
où les nœuds sont sélectionnés par valeur de f croissante
Algorithme A* : c’est l’algorithme A avec la contrainte pour
tout « u », h(u)< hm(u)=h*(u);
hm(u)= coût d’un chemin minimal s’il existe.
Autrement formulé, si pour tout u on a h(u)<=h*(u), on
démontre que l’algorithme A trouvera un chemin optimal
s’il existe et on parle de A*
Par exemple, si h=0 on a bien A* qui est l’exploration en
largeur et (on a toujours 0<=h*(u))
Dr P. PODA,,, 2015-2016 31
Techniques de résolution de problèmes
Exercice: recherche heuristique dans les graphes
On considère le problème du jeu de taquin qui consiste à
transformer l’état initial u0 en l’état final uf (fig. ci-dessous)
en utilisant les 4 règles de déplacement de la case vide.
U0 Uf
2 8 3 1 2 3
1 6 4 8 - 4
7 - 5 7 6 5
Dr P. PODA,,, 2015-2016 32
Techniques de résolution de problèmes
1) on utilisera une représentation par espace d’états et on cherchera une
fonction heuristique h1(u) et une fonction coût g(u) du chemin
parcouru en vue de définir une fonction d’évaluation f(u)=g(u)+h1(u).
a) Donner le graphe de résolution obtenu par l’algorithme A (ou A*)
défini par f en indiquant les valeurs de g(u) et de h1(u) pour
chaque nœud ainsi que l’ordre des nœuds développés.
b) Combien de nœuds sont apparus et combien ont été développés?
2) Proposer une 2ème fonction heuristique h2(u) plus puissante qui
permet d’optimiser la recherche de la solution.
a) Développer le graphe de résolution en indiquant les valeurs de
h2(u) pour chaque nœud ainsi que l’ordre des nœuds développés.
b) Combien de nœuds sont apparus et combien de nœuds ont été
développés? Comparer aux résultats obtenus en 1)
Dr P. PODA,,, 2015-2016 33
Techniques de résolution de problèmes
Indications:
1) prendre h1 = nb de pions qui ne sont pas à leur place
et g= distance par rapport au nœud initial.
2) prendre h2 = somme(distances (=nb de
déplacements) minimales pour remettre chaque pion à
sa place)
Dr P. PODA,,, 2015-2016 34
Techniques de résolution de problèmes
Algorithme A*:
On rencontre cet algorithme sous plusieurs variantes dont une formulation très
simplifiée est ici présentée:
A* partitionne l’ensemble des états explicitement engendrés en:
P = ens. des états pendants: susceptibles d’être développés ou développés à nouveau
Q=ens. d’états déjà développés et qui ne sont pas candidats au développement
P est l’ensemble des alternatives: A* doit y choisir l’état à développer
P est totalement ordonné (structure de pile) par ordre de f croissante, puis si égalité de
g décroissante
A tout moment, û désigne la tête de la pile
Pour tout u∈P∪Q, A* ne retient qu’un seul chemin de u0 à u; en associant à u un
pointeur père(u) vers l’état dont u est successeur sur le chemin.
On note chemin de u : chemin(u)=(u0,…,père(père(u)),père(u),u)
Dr P. PODA,,, 2015-2016 35
Techniques de résolution de problèmes
Algorithme A*
Dr P. PODA,,, 2015-2016 36
Techniques de résolution de problèmes
Algorithme A*:
U = ensemble des états
S(u) = états descendants d’un état quelconque
û = tête de la pile=état à développer en 1er lieu
v∈P∪Q est un élément de S(u) correspondant à un état
rencontré pour la 2ème fois au moins (autrement il
n’appartiendrait ni à P ni à Q).
Dr P. PODA,,, 2015-2016 37
Techniques de résolution de problèmes
Algorithme A*: propriétés
A* se termine
A* est admissible
Complexité: pour les résultats connus A* est o(2N) développements
d’états dans le pire des cas. N= nb d’états dans U.
Pour une heuristique minorante et moyennant l’adjonction d’un test, on
peut ramener la complexité max à O(N2).
Si h est monotone, ∀ u g(u)=g*(u); alors u n’est dvppé qu’au plus une fois:
nb d’états dvppés = O(N)
Résultat loin d’être satisfaisant car N souvent grand.
D’où beaucoup d’amélioration de A* proposées:
Martelli A. ‘’On the complexity of admissible search algorithm’’. A.I. 8. pp 1-13,
1977.
Hart & Nilson & Raphael: ‘’ a formal basis for the heuristic determination cost
path’’ SIGART Newsletters, 3. pp 28-29, 1972
Pohl I. ‘’ Practical and theoritical consideration in heuristic search algorithm’’.
Machine Intlligence 8, Elcok and Michie (ed) Horwood pp 55-71, 1977
Dr P. PODA,,, 2015-2016 38
Techniques de résolution de problèmes
Applications de l’algorithme A* et variantes :
Recherche de chemin libre d’obstacles pour robots
mobiles ou pour manipulateurs
Générateurs automatiques de phrases en langage naturel
correction automatique de fautes d’orthographe
Dr P. PODA,,, 2015-2016 39
Techniques de résolution de problèmes
Exercice d’application:
Soit le graphe d’état donné à la page 41 :
Le coût g est mentionné sur les arcs k(u,v)
L’heuristique h est dans les cercles représentant un
état.
Dr P. PODA,,, 2015-2016 40
Dr P. PODA,,, 2015-2016 41
La séquence de développements effectués par
A* est donnée par le tableau de la diapositive
suivante (page 43) :
Dr P. PODA,,, 2015-2016 42
Dr P. PODA,,, 2015-2016 43
•Définition
•Principe
•Architecture
•Différents types
•Exemples de SE
•Domaines d’application
•Industries et disciplines consommatrices de SE
Dr P. PODA,,, 2015-2016 44
Définition d’un Système Expert(SE)
Un SE est un programme informatique avancé qui peut, à
un haut niveau de compétence, résoudre des problèmes
difficiles nécessitant l’appel à l’expertise et à l’expérience.
Un SE résout les problèmes en employant la connaissance
des techniques, l’information, les heuristiques (règles de
découverte) et les procédés de résolution que des experts
humains utilisent pour ces problèmes.
Les SE fournissent ainsi un moyen de mémoriser dans les
ordinateurs la connaissance, l’expertise et
l’expérience humaines; c’est-à-dire une façon de « cloner »
des experts humains (au moins à un certain degré).
Dr P. PODA,,, 2015-2016 45
Vocabulaire
Le processus de développement d’un SE est appelé
Ingénierie de la connaissance
Les développeurs de SE sont appelés des Ingénieurs
connaissance
Un SE est également appelé système à base de
connaissances (KBS en anglais)
Dr P. PODA,,, 2015-2016 46
Principe des SE
Les SE sont des outils de l’IA, et par conséquent
sont utilisés dans les situations où aucune
méthode algorithmique exacte n’est disponible ou
praticable.
Les SE ne sont concevables que pour des domaines
où il existe des experts humains;
Un expert est quelqu’un qui a une connaissance
pointue d’un domaine et qui est +/- capable de
transmettre ce qu’il sait.
Dr P. PODA,,, 2015-2016 47
Principe des SE
Le principe des SE consiste à:
Soutirer la connaissance aux experts d’un domaine donné
acquisition de la connaissance
Résoudre le problème de la représentation de cette
connaissance : traduire donc les connaissances en un
formalisme (règles par exemples) qui se prête au traitement
automatique
Un élément essentiel des SE réside dans l’indépendance de
la connaissance du domaine vis-à-vis du mécanisme de
raisonnement effectué sur cette connaissance.
Dr P. PODA,,, 2015-2016 48
Structure des SE
Données
Moteur Base de Ingénieur Expert
utilisateur
d’Inférence connaissance connaissance
I/O
Mémoire
de travail
ARCHITECTURE FONDAMENTALE D’UN SYSTEME EXPERT
Dr P. PODA,,, 2015-2016 49
Exemples d’architectures
Utilisateur
Interface
utilisateur
Conseils,
Faits, consultation,
requêtes justification
Moteur
Base de
d’Inférence
Connaissance
Architecture simplifiée d’un système expert
Dr P. PODA,,, 2015-2016 50
Exemples d’architectures
Utilisateur
Interface
DBMS utilisateur
Domain Conseils,
Database Faits, consultation,
(facts) requêtes justification
Knowledge Faits Moteur
Database Règles
d’Inférence
(rules)
Architecture étendue (séparation base de données
du domaine de celle de la connaissance)
Dr P. PODA,,, 2015-2016 51
Exemples d’architectures
Utilisateur
Expert
Faits,
Interface
règles DBMS utilisateur
Domain Conseils,
Knowledge Database Faits, consultation,
requêtes justification
(facts)
Acquisition
Knowledge Faits Moteur
Facility d’Inférence
Database Règles
(rules)
Ajout d’utilitaires d’acquisition de la connaissance
Dr P. PODA,,, 2015-2016 52
Mode de raisonnement dans les SE:
Schémas d’inférences
Dans les SE, les MI sont responsables de la décision du
comment et dans quel ordre la connaissance des BdCs
devra être utilisée;
Les MI sont responsables du contrôle et de l’exécution des
stratégies de raisonnement utilisées par les SE
Les stratégies de raisonnement dans les SE concernent
principalement : le chaînage arrière,
arrière le chaînage avant,
avant
diverses stratégies de recherche,
recherche la réduction de
problème, etc…
Stratégies de recherche des MI sont utilisées par le MI pour
localiser la connaissance pertinente dans les bases de
connaissance (BdF et BdR). On peut citer: le depth-first
search et le breadth-first search).
Dr P. PODA,,, 2015-2016 53
Outils pour la construction de SE
On note deux principaux outils qui sont:
Les langages: LISP, Prolog, OPS5 sont trois exemples
les shells: sont comparables aux EDI ou AGL.
Exemples: ART, KEE.
Dr P. PODA,,, 2015-2016 54
Méthodologie de l’Ingénierie de la Connaissance
L’Ingénierie de la Connaissance suit les étapes suivantes:
(i) Sélection du domaine : domaine d’application pour le SE
(ii) Choix de l’expert ou des experts
(iii) Acquisition de la connaissance : déterminer les
techniques, la connaissance, et les heuristiques utilisées par le/les
expert(s) pour exécuter des tâches dans le domaine
(iv) Développement du programme : concevoir et
implémenter un programme informatique qui incorpore les
techniques, la connaissance et les heuristiques
Dr P. PODA,,, 2015-2016 55
Exemples de SE
Parmi les SE déjà développés on peut citer:
MYCIN qui est un SE conçu pour aider les médecins à
diagnostiquer et appliquer un traitement adéquat pour des
maladies infectieuses du sang.
DENDRAL est un SE qui interprète les données produites
par les spectromètres de masse et détermine la structure
moléculaire et la composition atomique.
TAXADVISOR, ISIS, EDAAS, COMPASS, …
Dr P. PODA,,, 2015-2016 56
Intérêts des SE
Fournir l’expertise quand elle est rare ou dans les situations où
l’obtention d’un expert humain est coûteuse.
Pourvoir à l’expertise quand ne sont disponibles des experts là où
besoin est.
Pour accélérer le temps pris par une analyse d’expert
Pour élever les performances de personnel moins expérimenté et
moins qualifié, particulièrement quand est élevé le nombre de
niveaux de qualifications (hiérarchiques) dans l’exécution d’une
tâche désirée.
Perfectionner les performances de personnel expérimenté et
qualifié de sorte qu’il réalise un niveau d’expertise très proche de
l’ultime expertise.
Dr P. PODA,,, 2015-2016 57
Intérêts des SE
Appliquer des analyses d’expert à des situations pour lesquelles
les spécialistes n’ont pas le temps (des situations telles que
l’analyse de grands volumes de données, ou bien accorder de
l’importance à chaque éventualité, même la plus
invraisemblable, avant la prise de décision) ; ainsi mettre à
niveau les performances même du meilleur expert.
Capturer et préserver la connaissance quand l’expertise peut être
perdue de quelque manière que ce soit (mobilité de l’expert,
retraite, maladie, etc…).
Capture et préservation de la connaissance quand des experts, au
paroxysme de leur expertise aujourd’hui, peuvent perdre
certaines de leurs qualifications actuelles dans le futur, tel que la
perte de main du fait de peu d’exercices de la tâche.
Dr P. PODA,,, 2015-2016 58
Intérêts des SE
Permettre l’accès à l’expertise quand les spécialistes humains
sont absents, soit parce que malades ou en vacances.
Minimiser ou éliminer un besoin continu de former de nouveaux
experts ; surtout dans le cas de renouvellement continuel de
personnel.
Libérer le temps des meilleurs experts pour les plus difficiles
problèmes ou pour d’autres plus importantes tâches.
Automatiser l’expertise qui peut être commercialisée comme
produit ou service.
Etc.
Dr P. PODA,,, 2015-2016 59
Différents types de SE
Expert autonome :
Le SE autonome analyse une situation, prend une décision,
et puis agit directement sur elle ou commande une action
humaine et cela sans la participation d’un humain.
Le SE autonome réagit en adéquation avec des
circonstances précises ou inhabituelles.
exemple : dans le rôle d’un expert autonome, un SE
pourrait directement déclencher une réaction chimique,
en lisant des senseurs et en faisant des ajustements de
variables contrôlables comme la température ou la
pression ; ou bien pourrait guider un technicien humain
peu qualifié à remplacer une partie d’une machine que le
système aurait trouvé défaillant.
Dr P. PODA,,, 2015-2016 60
Différents types de SE
Expert autonome avec ‘’supervision humaine ‘’ :
Le SE agit comme un expert autonome mais présente
ses décisions à un expert humain, qui peut
éventuellement les modifier.
Dans ce rôle, un SE formulerait une conception
complexe qu’un concepteur humain examinerait avant
exécution.
Dr P. PODA,,, 2015-2016 61
Différents types de SE
Expert consultant :
Le SE fournit une consultation à un niveau d’expertise
pour un praticien en la manière d’un expert consultant
humain : donner des recommandations sur des situations
particulièrement difficiles ou insolites.
Le SE pourrait améliorer les performances de praticiens
moyens à des performances voisines de celles des experts.
exemple : un SE qui recommanderait – des traitements
pour des maladies rares – à un pharmacien généraliste.
Dr P. PODA,,, 2015-2016 62
Différents types de SE
Expert collègue :
Ce type de SE fait des suggestions à un égal humain.
SE pouvant ne pas avoir un niveau de qualification plus
élevé que l’humain ; en revanche il peut s’appliquer à
faire des analyses que l’humain n’a pas le temps de
faire ou peut explorer plusieurs alternatives complexes
pendant que l’humain poursuit les traitements
probables de l’action.
Dr P. PODA,,, 2015-2016 63
Domaines d’application des SE
Des domaines variés d’application:
le diagnostic la conception (design)
la programmation
(établissement de la prévision
calendrier)
l’interprétation de signaux
la planification
le monitoring la configuration
le contrôle de processus la formation
Dr P. PODA,,, 2015-2016 64
Industries ou disciplines dans lesquelles
des SE ont été développés.
Aérospace Ingénierie Médecine
Agriculture Ing. de conception Science militaire
Génie chimique Sc. environnementales Génie nucléaire
Pharmacie Finance Edition
CAO Géologie Gestion ressource
Construction Gouvernement Télécoms
Génie élect. et électroniq Assurance Formation
Utilités électroniques Manufacture Transports
Dr P. PODA,,, 2015-2016 65
Plan du cours
Chapitre 1: Introduction à l’IA
Chapitre 2: Recherche dans les graphes – Systèmes
Experts
Chapitre 3: Représentation de la connaissance et
Raisonnement : logique.
Chapitre 4: Langages spécialisés d’IA: LISP et Prolog.
Chapitre 5: atelier bibliographique (par les étudiants)
Dr P. PODA,,, 2015-2016 66
