Chapitre 9
-
Upload
tamara-dillon -
Category
Documents
-
view
27 -
download
0
description
Transcript of Chapitre 9
Sujet: Nos ordinateurs plus performantsGeorges se plaint ces jours-ci d'un mal a son coude. Il en parle a son meilleur copain: - " Aiee Aujourd'hui j'ai encore mal au coude. - Qu'est-ce que tu vas faire? - Je vais aller voir le medecin, je ne peux plus tenir. - T'es dingue! A l'aube du vingt et unieme siecle, aller chez le medecin n'est plus la solution la plus pratique et la plus efficace. Maintenant on dispose de supers ordinateurs qui savent diagnostiquer toutes les maladies efficacement et pour beaucoup moins cher que le medecin. - Ah bon? - Oui. Tu vas au supermarche du coin, il y en a un d'ordinateur, tu y vas avec un flacon d'urine, une piece de 1$ et le tour est joue.
Rentrant chez lui, Georges repense a ce que lui a dit son copain.Apres tout, s'il veut tenter l’experience, il n'a que 1$ a perdre.Le lendemain, Georges se rend au super marche avec un flacon d'urine.Il trouve l'ordinateur en question, pose le flacon d'urine al'endroit indique et met 1$ dans la fente. L'ordinateur commencea s'agiter, des lumieres multicolores se mettent a clignoter.Puis, finalement, une feuille de papier sort de la machine.
Georges la lit: " PROBLEME : VOUS SOUFFREZ D'UNE TENDINITE AU COUDE.SOLUTION: TREMPEZ VOTRE COUDE TOUS LES SOIRS DANS DE L'EAU CHAUDE PENDANTDEUX SEMAINES - EVITER DE PORTER DES CHARGES LOURDES".
Georges est effare! Rentrant chez lui il repense a l'experience qu'ilvient de vivre et admet que la science progresse. Pourtant, comme toutetre humain, il doute. Il se dit que, quand meme, un ordinateur peutetre faillible, qu'il peut etre pris en defaut.L'experience se montrant amusante, il se decide de passer a l'acte des le lendemain...Le lendemain, il prend un flacon, et le remplit partiellement avec del'eau du robinet. Il recueille un peu de la bave de son chien, y melangeun peu d'urine de sa femme et de sa fille et pour couronner le tout, setape une petite branlette par dessus le melange afin d'en assurer l'homogeneite.. .Georges se rend au super marche avec le flacon contenant la " mixture"..Dans l'ordinateur il pose le flacon d'urine a l'endroit indique et met1$ dans la fente. L'ordinateur commence a s'agiter, des lumieresmulticolores se mettent a clignoter.L'ordinateur s'agite des plus en plus, les lumieres clignotent de plusen plus. Georges se frotte les mains: la machine risque d'exploser.
Puis, finalement, une feuille de papier sort de la machine. Georges la lit: "PROBLEME : VOTRE EAU EST CALCAIRE EST IMPURESOLUTION : INSTALLER UN PURIFICATEUR D'EAU.PROBLEME : VOTRE CHIEN A DES VERSSOLUTION : METTEZ LE SOUS VERMIFUGE PENDANT UNE SEMAINEPROBLEME : VOTRE FILLE SE DROGUE A LA COCAINESOLUTION : METTEZ LA EN CURE DE DESINTOXICATIONPROBLEME : VOTRE FEMME EST ENCEINTE. CE SONT DEUX JUMELLES. ELLES NE SONT PAS DE VOUS.SOLUTION : CONTACTER DES MAINTENANT VOTRE AVOCAT.
CONSEIL DU JOUR: ARRETER DE VOUS MASTURBER, CELA NE VA PAS ARRANGERVOTRE TENDINITE AU COUDE. .. "
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 3
9- Systèmes experts Plan
Vue d’ensemble Architecture Représentation des connaissances Moteur de déduction
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 4
Découverte Karkan & Tjoen, Systèmes experts: un nouvel
outil pour l’aide à la décision, Masson, 1993. Acheté à Paris, avril 2003 Bonne vue d’ensemble Couvre la plupart des principaux thèmes, mais un
peu superficiellement Giarratano & Riley, Expert Systems: Principles
and Programming, 2nd Ed. PWS Publishing, 1994. Excellente référence dans le domaine Porte essentiellement sur les S.E. et les
coquilles 2e partie: CLIPS, coquille de SE (issue de NASA)
Rich & Knight, Artificial Intelligence, 2nd Ed., McGraw Hill, 1993.
Couvre IA symbolique surtout Approche connexioniste - perceptron multi,
Hopfield Couvre beaucoup + large que ref. ci-haut
(Giarratano) Encyclopédique Livre de cours
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 5
9.1 Vue d’ensemble Un système expert est un logiciel qui tente de simuler le raisonnement humain tenu par un expert dans un domaine particulier. Les mécanismes utilisés sont généralement restreints en regard du potentiel qu’offre à cet égard notre cerveau.
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 6
Programmation de l’expertise : Insuffisamment structurée pour être transcrite sous forme d’algorithmes
Sujette à de nombreuses révisions Incomplète parce qu’en continuelle évolution
Sinon : Problème mieux résolu par algos classiques
Problème hors de portée (expertise difficilement formalisable)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 7
Domaines d’utilisation des SEs Configuration Diagnostic Enseignement Interprétation Surveillance Planification Prédiction Diagnostic médical Commande de processus
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 8
Quelques SEs célèbres DENDRAL (le premier, 1965) chimie
interprétation de la structure moléculaire
CADHELP électroniqueinstructions pour la CAO
MYCIN (beaucoup d’influence) médecinediagnostic pour infections bactériennes
PROSPECTOR géologieinterprétation données géol. Minerais
XCON (beaucoup de succès) informatiqueconfiguration mini ordi. VAX de DEC
MACSYMA mathématiquerésolution symbolique de problèmes de math
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 9
Historique 1956 Conférence de Darmouth.
Le terme « IA » est adopté
1958 LISP (McCarthy)Avant le Fortran !
1965 • Logique floue (Zadeh)• DENDRAL : 1er SE
1969 MA CSYMA : SE demathématique symboliqueAncêtre de Mathematica
1970 PROLOG
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 10
Historique (suite)
1973 MYCIN : SE de diagnosticmédical. Raisonnement avecincertitude
1977 – 1978 XCON/ R1 : SE deconfiguration de mini VAXpour DEC
1979 Algorithme RETE :appariement rapide deformes
1987 SOAR : SE qui apprend desraccourcis dans l’applicationdes règles de production
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 11
Composantes de base d’un SE Connaissances
– Base de connaissances– Base de faits (mémoire de travail)
Mécanisme de raisonnement Expertise = Savoir - Faire
Connaissances correspondent à ce que nous savons du domaine considéré
Mécanismes de raisonnement correspondent à ce que nous faisons pour obtenir une solution
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 12
10.2 ArchitectureConnais- Faitssances (mémoire de travail)
Connais- Faitssances
Module Moduled’inférence d’explica-
tion
Interface
Moteur de déduction
Base de connaissances
Expert Utilisateur
acquisition consultation
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 13
Systèmes de production Architecture de SE la plus répandue
Connaissances : règles de production
Mécanisme d’inférence
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 14
Moteurs d’inférence– Cycle de base
Sélection des règles Filtrage Résolution des conflits Exécution
– Stratégies de recherche Largeur d’abord Profondeur d’abord
Stratégie irrévocable Stratégie par tentatives
Profondeur limité Recherche heuristique
– Mode d’invocation des règles Chaînage avant Chaînage arrière
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 15
9.3 Représentation des connaissances
Règles de productionSi (proposition logique) Alors (actions)
prémisse conclusions
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 18
Caractéristiques des règles de production : Les règles sont indépendantes Les règles sont déclaratives Facilité d’expression Développement aisé et formation peu exigeante des programmeurs
Large diffusion des logiciels Clarté de la connaissance (transparence des règles)
Mise-à-jour aisée Vérification et validation possible de la connaissance
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 19
9.4 Moteur de déduction Mécanisme d’inférence
Une règle se matérialise sous la forme d’une proposition logique conditionnelle
Règle Si A Alors B A BTable de vérité:
A B A B 0 0 1 0 1 1 1 0 0 1 1 1
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 20
Mécanismes d’inférence Modus Ponens (raisonnement direct)
((A B) ET A) B règle faitPermet de déduire que B est VRAI si la règle de production est vraie ET le fait A est VRAIForme la base des systèmes à base de règles
Si ma batterie est à platAlors ma voiture ne partira pas
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 21
Modus Tollens (raisonnement indirect)
((A B) ET B) A règle actionPermet de déduire que NON A est VRAI si la règle de production est vraie ET l’action NON B est VRAIRarement utilisé même si fait appel au sens commun
Si j’ai la touristaAlors je suis allé en Amérique du Sud
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 22
Moteur d’inférence
Cycles de base1- Phase de restriction
Choix du sous-ensemble de connaissances
2- Phase de filtrageChoix des règles applicables
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 23
3- Phase de sélection–Stratégies de recherche
Largeur d’abord Profondeur d’abord
Stratégie irrévocable Stratégie par tentatives
Profondeur limité Recherche heuristique
–Résout conflits lorsque plusieurs règles s’appliquent
Sélection simple (1ère de la liste, la + utilisée, etc.)
Sélection selon contexte (chaînage avant, arrière, la plus prometteuse, la plus fiable, etc.)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 24
4- Phase d’exécution–Appliquer la règle sélectionnée
Modification de l’ensemble de faits (générer des états intermédiaires)
Questionner l’usager Exécuter les actions externe
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 25
Stratégies de recherche1. La recherche en largeur d’abord2. La recherche en profondeur
d’abord3. La recherche en profondeur
limitée4. La recherche heuristique
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 26
1. Largeur d’abord On parcourt à l’horizontal un
niveau de l’arbre de décision avant d’aller au suivant
On commence par explorer toutes les possibilités présentes avant d’entrer dans les détails
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 27
Avantages :–Atteint toujours son but–Si une solution existe, c’est le chemin le + court en terme de noeuds
Inconvénient :–Pas très efficace
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 28
b
b
b
1
2 3
4 56 7
8 910
11
14
1213
15
16
Largeur d’abord
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 29
2. Profondeur d’abord On s’enfonce dans l’arbre de
décision en passant d’état en état jusqu’à ce que le chemin se termine
On cherche à explorer au maximum une possibilité en appliquant les règles de façon à obtenir le plus de détails
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 30
Profondeur d’abord (suite) Chaînage arrière : ajout du retour-arrière
Chaînage avant : imposition d’une limite de recherche (éviter voie sans issue)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 31
b
b
b
1
10
9
11
12
13
14
15
16
8
2
3
4
5
6
7
Profondeur d’abord
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 32
3. Profondeur limitée La recherche en profondeur limitée
combine les deux approches précédentes : profondeur d’abord et largeur d’abord.
L’arbre des états est découpé en k niveaux.
Une recherche en profondeur est effectuée dans chaque tranche avant de passer à la tranche inférieure.
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 33
b
b
b
1
2
3 4
5
6 7
13
14
15
8 12
911
10
16
Profondeur limitée
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 34
4. Recherche heuristique Des connaissances spécifiques sur
le problème à traiter sont exploitées pour trouver une solution
La connaissance du problème à traiter prend la forme d’une fonction d’évaluation qui mesure la « promesse » de se trouver sur un chemin intéressant
Une heuristique garantit une bonne solution mais pas nécessairement la solution optimale
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 35
Exemple: jeu du taquin Heuristique:minimiserF(E) = L + MPavecE= état courantL= longueur du chemin de l’état initial à EMP= le nombre de carrés mal placés par rapport à la configuration finale
1 2 3
8 6 *
7 5 4
État initial État final
1 2 3
8 * 4
7 6 5
G * déplacé à gaucheD * déplacé à droiteH * déplacé vers le hautB * déplacé vers le bas
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 37
Profondeur d’abord
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 38
Profondeur limitée
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 40
Invocation des règles : chaînage avant Part des faits pour arriver au but Ne sélectionne que les règles dont la partie prémisse est vérifiée par les faits présents
Ajoute les nouveaux faits à l’ensemble des faits
S’arrête :–Avec succès dès que le but est atteint–Avec échec quand il n’y a plus de règles applicables
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 41
Chaînage avant (suite) Avantage : répond plus rapidement à tout nouvelle information
Inconvénients :–Déclenche toutes les règles, même celles sans intérêt
–Pas intéractif–L’ensemble des faits doit contenir suffisamment de faits
–Risque d’explosion combinatoire
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 42
Chaînage avant (suite et fin) Approprié :
–Réponse rapide–Nombre de buts possibles est très élevé–On ne connaît pas a priori le but à atteindre
–On cherche à obtenir le maximum de faits correspondant à une situation donnée
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 43
Invocation des règles : chaînage arrière Part du but ou d’une hypothèse de but et essaie de remonter aux faits pour le démontrer
Ne sélectionne que les règles dont la partie conclusion contient le but à vérifier
Détermine autant de sous-buts à démontrer qu’il y a de conditions inconnues dans la partie prémisse de la règle
S’arrête :–Avec succès lorsque tous les sous-buts sont vérifiés
–Avec échec lorsqu’il ne peut plus sélectionner de règles
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 44
Chaînage arrière (suite) Avantages :
–Pose uniquement des questions quand cela est nécessaire et après avoir exploré toutes les possibilités
–Le processus est intéractif–L’arbre de recherche est souvent plus petit qu’en chaînage avant
Inconvénient : bouclage–Pour démontrer A, il faut démontrer B–Pour démontrer B, il faut démontrer A ...
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 45
Chaînage arrière (suite et fin) Approprié :
–Aux problèmes présentant un nombre relativement restreint de solutions puisque l’on n’applique que les règles qui sont directement reliées aux buts à vérifier
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 46
Illustration: labyrinthe
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 47
Base de connaissance: règles de déplacement R1: Si dans un couloir
Alors continuer dans la même direction
R2: Si à une intersectionAlors tourner à droite
R3: Si à une intersectionAlors tourner à gauche
R4: Si à un coinAlors tourner le coin
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 48
Recherche en profondeur d’abord Toujours tourner à gauche aux intersections (choix irrévocable)
GPA-779 Application des réseaux de neurones et des systèmes expertsCours #11 - 49
Recherche en profondeur d’abord Tourner à gauche aux intersections sauf si échec (choix par
tentatives)