1. Département de mathématiques et physique
Faculté des Sciences appliquées
Introduction à l’Intelligence
Artificielle
Nathanaël Ackerman
Le 2 décembre 2004

2. Introduction et Historique
• Premières définitions et dichotomies
• Historique : dates, noms, programmes…
• Domaines d’application actuels
• Conclusions
– Deux perspectives sur l’historique du domaine
– Le « pourquoi » de l’IA
• Concepts clés
• Bibliographie

3. Partie 1 :
Premières définitions et
dichotomies

4. Définitions
• Choix du nom 1956, conférence de Dartmouth
• « L’intelligence artificielle est la science qui
consiste à faire faire à des machines ce que
l’homme fait moyennant une certaine
intelligence » M. Minsky
• Problème de récursivité dans la définition

5. La « complexité » mentale est-elle comparable à la
complexité informatique ?
La définition de Minsky exclut des domaines majeurs
de l’IA :
– La perception (vision et parole)
– La robotique
– La compréhension du langage naturel
– Le sens commun

6. Dictionnaires
• Qu’est-ce que l’intelligence ?
• Qu’est-ce que l’artificiel ?

7. Remarques
• La définition du terme « intelligence » change.
• L’intelligence est liée à l’homme dans ses facultés de
compréhension, et d’apprentissage, et observable grâce au
comportement (adaptabilité).
• Renvoi à des questions fondamentales : qu ’est-ce que la
compréhension? Qu ’est-ce que l ’apprentissage ? Qu ’est-
ce que la connaissance ?

8. • Les tentatives de définitions de l’IA, sont floues quant
aux domaines d’application et s’inscrivent plutôt dans
une perspective cognitiviste de simulation du cerveau
humain. Elles excluent la possibilité d’une forme
d’intelligence non humaine.
• Le terme artificiel a une connotation relativement
péjorative et induit une tension conflictuelle entre
l’homme et l’ordinateur. L ’ordinateur reste
subordonné à l ’homme.

9. Définition « opérationnelle »
• « L’IA est le domaine de l’informatique qui
étudie comment faire faire à l’ordinateur des
tâches pour lesquelles l’homme est
aujourd’hui encore le meilleur. » E. Rich
• Définition essentiellement évolutive, l ’IA est
innovatrice :

10. Homme
Perception Processus actions
internes
Raisonnements Motricité
Vision Résolution de Robot
problèmes
Monde Planification Monde
Apprentissage
Audition Emotion Langage
Parler
Créativité

11. Domaines connexes
• Philosophie des sciences, de la connaissance, de l’esprit
• Logique
• Linguistique
• Neurophysiologie
• Psychologie cognitive
• Optimisation mathématique
• Automatique et contrôle
• Statistique
• Théorie des graphes
• Aquisition et traitement d’images
• Dynamique des systèmes chaotiques
• Programmation robotique …

12. Dichotomies
• Strong AI vs Weak AI
• Niveau de compétence vs niveau de performance
• Algorithmique vs non algorithmique
• Vision analytique vs vision émergente de la
résolution de problèmes
• Sciences du naturels vs sciences de l’Artificiel
• ...

13. Strong AI VS Weak AI
• Point de vue essentiellement philosophique relatif à la
conscience des machines
• La conscience peut-elle émerger de manipulations
purement syntaxiques ? (cf Chambre Chinoise, Searle 81)
• Hypothèse d ’un système physique de symboles (Newell
1980); la conscience du thermostat (D. Chalmers)
• Matrix

14. Niveau de compétence VS
Niveau de performance
• Distinction introduite par Chomsky : faire
« comme » ou faire « aussi bien que ».
• L’oiseau et l ’avion volent …
• Jeux d ’échecs : les GMI réfléchissent
différemment de Deep Blue
• Question fondamentale en Sciences Cognitives :
l ’aspect séquentiel du processeur limite-t-il la
validité de l ’approche connexionniste?

15. Algorithmique vs
non Algorithmique
• Un algorithme est une séquence finie
d ’instructions qui permet de résoudre un
problème en un temps fini.
• La définition de l ’IA comme domaine de la
programmation non algorithmique est
équivoque.

16. Vision analytique vs
vision émergente
• Décomposition de problèmes en sous-problèmes plus
simples à résoudre (analyse procédurale, système experts
basés sur la logique des prédicats)
• Distribution des tâches à un ensemble d ’agents qui
interagissent (NN, OO, Ant Algorithm)
• Dans la même veine :
– IA classique vs IA NN
– IA symbolique vs IA numérique

17. Plus court chemin
(méthode analytique)
f(x)
5
min ∫ 1 + f '2 ( x) dx
f ∈C 1 0
 ( 0) =
f 0
 x
 ( 2) =
f 10

 ( 4) =
f 11
f ( x ) − − >
x 4 0 ∀ : 1 <x <
x 3

 ' ( x) > 1
f − ∀ : 0 <x <
x 4

18. Plus court chemin
(approche émergente)
f(x) f(x)
x x

19. Sciences naturelles vs
Sciences de l’artificiel
• Compréhension des phénomènes de la nature
• Cette compréhension passe par la construction de
modèles capables de réaliser des simulations. D’où la
possibilité d ’explorer effectivement les conséquences des
postulats initiaux; éthologie des programmes informatiques
• Sciences normatives par opposition au caractère descriptif
des sciences naturelles.

20. Caractéristiques de l’IA VS
informatique classique
• Informatique plus symbolique
• Aspects plus déclaratif, moins procédural
• On privilégie la satisfaction à l’optimisation (sauf si
l’on introduit des méta-règles heuristiques)
• Données incomplètes, inexactes, conflictuelles
• La notion de représentation d’un problème est
fondamentale
• Pluridisciplinaire: logique, psycho-cognitive, biologie,
neurosciences, philosophies, mathématiques …

21. Partie 2 :
Historique : dates, noms,
programmes…

22. Automates : recréer la vie

23. Machines Programmables
Métier à tisser Machine Analytique
(Jacquard 1805) (Babbage & A. Ada Lovelace 1837)

24. Quelques approches théoriques
avant 1900
• XIII : Raymond Lulle (Ars Magna)
• XVIII : Gottfried Wilhelm Leibnitz (calculus
Ratiocinator)
• XIX :
– George Boole, The Laws of Thaught, 1854;
– Gottlob Frege (1879 – logique des prédicats)

25. Tentative de Leibnitz
substance = 2
material = 3 immaterial = 5
animate = 7 inanimate = 11
sensitive = 13 insensitive = 17
rational = 19 irrationnal = 23
…
Human = 2 x 3 x 7 x 13 x 19 = 10374
Mineral = 2 x 3 x 11 = 66
103674 mod 66 ≠0 => a human is not a mineral
Transitivité de l’héritage

26. Formalisation du raisonnement
• Logique des propositions
syntaxe inductive permettant d’écrire des formules
Sémantique vérifonctionnelle (+ table de vérité)
(A ∧(A ⇒ B)) ⇒ B modus ponens
(¬ B ∧(A ⇒ B)) ⇒ ¬ A) modus tollens
• Logique des prédicats
∀x homme(x ) ⇒ mortel(x ) (1)
homme(Socrate). (2)
homme(Socrate) ⇒ mortel(Socrate) (3)
mortel(Socrate). (4)

27. 1900-1945
• David Hilbert
– 23 problèmes (Second Congrès International des
mathématiques à Paris, 1900)
• Russell et Whitehead
– Principia mathematica (1913)
• Emil Post
– Systèmes de production
• Gödel
– théorème d’incomplétude (1931)
• Turing
– machine universelle (1936)
– pas d’a priori sur la non prouvabilité d’un théorème

28. La machine universelle
Unité de États internes:
Etat0, Etat1, Etat2,
commande ...
Ruban= entrée,
sortie et
mémoire Lecture/écriture
+ + + +
Etat de la Contenu de Ecrit sur le Déplacement
Etat suivant
machine la cellule ruban ruban
Etat0 vide D Etat0
Etat0 + D Etat1
Le Programme

29. Neurone formel
Mac Cullogh & Pitts (1943)
1 0.3
-1
0 Σ 1
0.5
1

30. Cybernétique (1947)
• Norbert Wiener, s’inspirant de la biologie,
introduit la notion de rétroaction dans les
systèmes de traitement de l’information.
• Idée des boucles réentrantes fondamentales
en IA et Sciences Cognitives.
input output
Système
controle
feedback

31. ENIAC 1945
• Electrical and Numerical Integrator and Calculator
• Architecture de Von Neumann: ranger les données et
les instructions dans une « mémoire »; le processeur
– séparé – réalise les calculs.
• 1900 tubes à vides, 1500 relais, des milliers de
résistances, capacités … 200 KW
• 10 khz (addition)

33. The Turing Test (1950)

34. Dartmouth 1956
« Chaque aspect de l’apprentissage, ou tout autre caractéristique
de l’intelligence, peut en principe être décrit si précisément
qu’il est possible de construire une machine pour le simuler »
• Minsky : le dinosaure…
• Newell et Simon (Prix Nobel d’économie 1978)
• John McCarthy
• Claude Shannon : théorie mathématique de l’information et
de la communication (1960)
• Selfridge : Pandemonium

35. Approche Symbolique
• Newell et Simon (CMU)
– Logic Theorist : démonstration des théorèmes des Principia
Mathematica de Russell et Whitehead
– General Problem Solver (GPS 59)
• Weizenbaum
– Eliza (1966) simule un psycholgue rogerien
• Dans la lignée de A. Turing
– Traduction automatique du langage
– Jeux d’ échecs

36. Exemples typiques de
problèmes (années 50-60)
• Le fermier, le loup, la chèvre et le choux
• Les recipients : comment obtenir 1 litre d’eau,
avec deux récipients de capacité 2 litres et 5
litres (ce dernier étant rempli au départ)
• Intégration symbolique de sin(x). cos(x)
• Voyageur de commerce
• Les huits reines
• Les tours de Hanoi
• Le Singe et les bananes

37. Résultats
• Première catégorisations sur les strucutres de
données : arbre de recherche, définition d’un espace
d’états, …
• Algorithme de recherche : A, A*,…
• Succès de l’application de la logique des prédicats
• MacSyma et GPS
• Échec flagrant de la traduction automatique : la
sémantique émerge du contexte; peu de moyen pour
représenter le sens commun
•

38. Recherche dans un arbre

39. Algorithme A* - problème du taquin
1+5 2+4 3+4
2 8 3 2 8 3 2 3 5+2
1 6 4 14 1 8 4 1 2 3
7 5 76 5 76 5 7 8 4
3+2 5
6 5
0+4 1+3 2+3 4+1
2 8 3 2 8 3 2 3 2 3 1 2 3
1 6 4 1 4 1 8 4 1 8 4 8 4
7 5 76 5 76 5 76 5 76 5
3+4 5+0
1+5 2+3 2 8 3 1 2 3
2 8 3 2 8 3 71 4 8 4
1 6 4 1 4 6 5 76 5
75 76 5
3+3 GOAL
8 3
2 1 4
76 5

40. Approche connexionniste
• Mac Cullogh & Pitts
– Développement du neurone formel (1943)
• Hebb
– relie les comportements de conditionnement simple à une loi de
renforcement synaptique (1949)
• Selfridge
– Pandemonium (1956)
• Rosenblatt
– modèle du Perceptron (1958)

41. Le perceptron
• réseau de neurones à 2
couches inspiré du système
visuel
• Définition d’une règle
d’apprentissage
– La règle delta

42. Les années 70 – début 80
• Période d’ombre pour l’approche connexionniste
– Minsky et Papert, Perceptrons, 1969
– Impossibilité de l’apprentissage du XOR
• Renforcement de l’approche symbolique :
– Travaux sur la représentation de la connaissance :
réseaux sémantiques, Scripts (Shank 1977),
approche déclarative
– Etude des micromondes : SHRDLU (Winograd,
1972)
– Développement des Systèmes Experts, apparition de
Prolog (1972)

43. Réseaux sémantiques
Winston 1970

44. Ontologie Web (2002)

45. Réseaux sémantiques

46. SHRDLU : the Block World
Winograd 1972

47. SHRDLU 2001
HMM Analyse Analyse
+ Syntaxique Sémantique
NN

48. Systèmes Experts
Base de connaissance (BC)
mémoire à long terme
Moteur
d’inférence
Base de faits (BF) (MI)
mémoire de travail
• Chainage avant (Rules) ou arrière (Prolog)
• Dendral (1965), Mycin (1974); Prospector(1983)

49. Mycin (1974 - …)
• Aide au diagnostic / thérapie dans le domaine
médical (septicémies, méningites …)
• Connaissances représentées explicitement sous
forme de règles
• Prise en compte de l’incertain
• Réelle compétence
• Capacité à expliquer le raisonnement

50. Mycin – exemple de règles
• Si le site de culture est le sang, et que le germe est
positif à la coloration de Gram et que la porte
d’entrée est l’appareil gastro-intestinal et que
• L’abdomen est le site d’infection ou
• Le bassinet est le site d’infection
Alors
• Il y a de très fortes présomptions pour que les
entérobactéries soient la classe d’organismes que la
thérapie devra traiter.

51. Années 80
• Récession de l’approche symbolique due aux
déclarations non tenues :
– Échec de la généralisation des micromondes
– Manque de souplesse des systèmes experts
• Succès dans des domaines ciblés, intégration dans la
vie économique : informatique de gestion …
• Renaissance de l’approche connexionniste :
– Hopfield, mémoire autoassociative, 1982
– Rumelhart & McClelland, Parallel Distributed Processes,
MIT Press, 1985

52. Le perceptron multi-couches

53. Hopfield
• Mémoires auto-associatives par un apprentissage
hebbien
• Utilisation des résultats de la physique statistique
et des verres de spins

54. Partie 3:
Domaines actuels

55. Domaines actuels de recherche
• Machine Learning, reinforcement learning
• Datamining : classification supervisée et non
supervisée; combinaison de classificateurs
• Vision artificielle, reconnaissance des formes
• Reconnaissance et traitement de la parole, sens
commun
• Définition de méthodes métaheuristiques : ants
algorithm, local search, algorithme génétique

56. • Systèmes multiagents (intelligence distribuée,
planification multiagents)
• Agents intelligents (sur internet); Objets Intelligents
• Programmation automatique
• Philosophie de l’Esprit : Hard Problem of
consciousness

57. • Robotique sensorielle (Cog, Kismet)
• Artificial Life
• Chimie computationnelle
• Etude du chaos dans les réseaux de neurones
• Evolutionary robotics

58. Images

59. •

61. Conclusions

62. Perspective philosophique
• Emulation de la pensée raisonnée
• Trois étapes :
– Représentation de la connaissance
– Mode déductif : le raisonnement
– Mode inductif : l’apprentissage

63. Perspective technologique
• Développement de la puissance de calcul des
ordinateurs (loi de Moore)
• Changement de paradigme : la technologie a pris
une longueur d’avance; distinction difficile entre
intégration technologique et véritable progrès
scientifique.

64. Conclusions
• Deux acceptions dans la définition :
– Programme scientifique et technologique visant à doter l’ordinateur
de capacités telles que la vision, l’acquisition des connaissances, la
prise de décisions … habituellement attribuées à l’intelligence
humaine (démarche pragmatique).
– Étude des mécanismes de l’intelligence en général, l’ordinateur est
un moyen de simulation (démarche cognitive).
• Réel échange entre l’homme et la machine (le Pourquoi? de la
définition opérationnelle)
– Enseignement intelligemment assisté
– Réalité augmentée
– Éthologie artificielle: S. Wolfram, A new kind of Science, 2002.
– Hans Moravec & nanotechnologies
– ICCS 2002, Boston, Massachussets

65. COURS à l’ULB
• INFO 362 : éléments de logique et d’intelligence artificielle
(Pierre Gaspart – 4ème info - FSA)
• MATH 304 : Intelligence artificielle
(Pierre Gaspart – 5ème FSA)
• INFO 373 : méthodes numériques en Intelligence artificielle
(Hugues Bersini – 5ème - FSA)
• INFO 087 : Intelligence artificielle
(Pascal Francq - Infodoc – Philo et Lettres)
• COGN00X : Introduction à l’intelligence artificielle
(Nathanael Ackerman – DEA Sciences Cognitives - PSycho)

66. Bibliographie
• A. Barr, E.A. Feigenbaum, The Handbook of Artificial
Intelligence, W. Kaufmann, Inc. , Palo Alto, 1981.
• Cornuéjols A., Miclet L., Apprentissage Artificiel, concepts
et algorithmes, Eyrolles, Paris, 2002.
• D. Crevier, The tumultuous History of the search for
Artificial Intelligence, Harper Collins Publishers, Inc., New
York, 1993. (Flammarion, coll. Champs, 1997).
• J.-P. Delahaye, L ’intelligence et le calcul, de Gödel aux
ordinateurs quantiques, Belin, Pour la Science, 2002.
• J.-P. Haton, M.-C. Haton, l ’Intelligence Artificielle, PUF,
coll. Que sais-je ?, 3d ed., 1993.

67. •Haykin S., Neural Networks, a comprehensive foundation,
Prentice Hall, 2nd ed., 1999.
•Hofstader D., Gödel, Escher, Bach : an Eternal Golden Braid,
Basic Books, USA, 1979 (Intereditions/ Masson, Paris, 1985)
•Nilsson N. J., Principles of Artificial Intelligence, Palo Alto,
Tioga Publishing Co., 1980.
•N.J. Nilsson, Artificial Intelligence: A New Synthesis, Artificial
Intelligence, n°125, pp 227-232, Elsevier, 2001.
• J.-F. Le Ny et al., Intelligence naturelle et Intelligence
Artificielle, Symposium de l ’APSLF (Rome, 1991), PUF, Paris,
1993.
•M. Minsky, The Society of Mind, Basic Books, First
TouchStone ed., New York, 1988.

68. • Rich E. , Knight K., Artificial Intelligence, McGraw
Hill Inc. (International Edition), USA, 1991.
• Searle J.R., The mystery of consciousness, Granta
Books, GB, 1997. (Odile Jacob, Paris, 1999)
• Searle J.R., Minds, Brains and Programs, the
Behavioral and Brain Sciences, 1981
• Turing A.M., Computing Machinery and Intelligence,
Mind, 1950.
• Pour la Science, L ’Intelligence, n° spécial, décembre
1998

69. Revues Scientifiques
• AI communications, The European Journal on
Artificial Intelligence, IOS Press, The Nederlands,
published quarterly.
• AI Magazine, AAAI Press, USA, published quarterly.
• Artificial Intelligence, Elsevier Science, The
Nederlands, published monthly.
• Artificial Life, MIT Press, Cambridge, Massachussets,
published quarterly.

70. • IEEE Intelligent Systems, IEEE Press, published 6
times in a year.
• JETAI : Journal of Experimental and theoretical
Artificial Intelligence, Taylor and Francis Ltd, UK.,
published quarterly.
• Journal of the ACM, ACM, NY, published 6 times a
year.