Fiche de révision : Fondamentaux de l’intelligence artificielle

📋 Plan du Cours

1. Automatisation et intelligence artificielle
2. Définition et repères historiques de l’IA
3. Approches, branches et méthodes de l’IA
4. Applications et limites de l’IA
5. Agents, perceptions et actions
6. Décision et rationalité des agents
7. Propriétés des environnements
8. Catégories d’agents intelligents
9. Implémentations Python des agents
10. Corrections des notions fondamentales
11. Classification des environnements
12. Règles conditionnelles d’un agent Python
13. Agent de gestion électrique
14. Fonction d’utilité et rationalité

📅 Repères chronologiques

1. 1950Alan Turing propose un test de conversation pour discuter du comportement intelligent d’une machine.
2. 1956La conférence de Dartmouth contribue à établir l’IA comme domaine de recherche.
3. Années 1960–1980Des systèmes symboliques, la recherche et les systèmes experts se développent.
4. Années 1980–2000Les méthodes statistiques et l’apprentissage automatique se développent.
5. Années 2010L’apprentissage profond connaît d’importants progrès.
6. Années 2020Les grands modèles de langage et l’IA générative se diffusent.

📖 1. Automatisation et intelligence artificielle

🔑 Notions clés & Définitions

• Automatisation : Exécution automatique d’une tâche selon un processus défini et peut fonctionner sans intelligence artificielle.
• Intelligence artificielle : Ensemble de méthodes permettant à une machine d’accomplir des tâches associées notamment à la perception, au raisonnement, à l’apprentissage et à la décision.
• Algorithme : Suite finie d’instructions permettant de résoudre un problème ou d’effectuer un calcul.

📝 Points essentiels

• Un minuteur qui déclenche un feu à une heure fixée relève de l’automatisation, tandis qu’un système qui estime les embouteillages à partir de données et adapte les feux est une application possible de l’IA.

💡 Astuce mémo

Le minuteur suit une règle fixée ; le système de trafic estime les embouteillages.

📖 2. Définition et repères historiques de l’IA

🔑 Notions clés & Définitions

• Intelligence artificielle : Domaine de l’informatique qui étudie et développe des systèmes capables d’effectuer des tâches nécessitant habituellement certaines capacités cognitives.

📝 Points essentiels

• Les tâches associées à l’IA peuvent inclure :

  • la perception et l’interprétation de données
  • la représentation des connaissances
  • le raisonnement et la résolution de problèmes
  • l’apprentissage à partir d’exemples
  • la planification d’actions
  • la compréhension ou la génération du langage

• L’IA regroupe plusieurs approches, algorithmes et architectures plutôt qu’une seule technique.

📖 3. Approches, branches et méthodes de l’IA

🔑 Notions clés & Définitions

• Apprentissage automatique : Regroupe des méthodes qui ajustent un modèle à partir de données afin de produire des prédictions ou des décisions.
• Apprentissage profond : Sous-domaine de l’apprentissage automatique qui utilise des réseaux de neurones comportant plusieurs couches de transformations.

★ À maîtriser

• Les quatre approches classiques de l’IA sont :
  • penser comme un humain
  • agir comme un humain
  • penser rationnellement
  • agir rationnellement

📌 L’approche symbolique repose sur des règles explicites, des faits et relations, ainsi que sur la logique et la recherche, et son comportement est souvent interprétable.

📌 L’approche fondée sur les données utilise des exemples d’entraînement et l’estimation de paramètres pour détecter des régularités et généraliser à de nouveaux cas.

Compléments

• Ce cours privilégie l’approche par les agents rationnels, tout en étudiant le raisonnement, l’apprentissage et la résolution de problèmes.

• La recherche et la planification visent à trouver une suite d’actions conduisant à un objectif.

• La représentation des connaissances organise des faits et des relations sur un domaine.

• Le traitement du langage naturel analyse ou génère le langage humain.

• La vision par ordinateur interprète des images ou des vidéos.

• La robotique associe la perception, la planification et l’action dans le monde physique.

• Les systèmes experts exploitent des connaissances et des règles spécialisées.

• Les systèmes hybrides combinent des règles explicites avec des modèles appris.

📖 4. Applications et limites de l’IA

★ À maîtriser

📌 Une application plausible de l’IA n’est pas nécessairement déjà déployée, et toute solution doit être évaluée sur des données et dans un contexte d’utilisation réels.

• Les données ou les choix de conception peuvent produire des résultats injustes, ce qui constitue un risque de biais en IA.

• L’évaluation d’un système d’IA doit considérer : ses performances, ses erreurs, ses risques, leurs conséquences pour les personnes concernées

Compléments

• Au Togo, les applications plausibles de l’IA comprennent : l’analyse d’images de cultures et l’estimation des besoins en eau en agriculture, la prévision de la production photovoltaïque et la détection d’anomalies en énergie, l’estimation des durées de trajet à partir de données de circulation en transport, l’aide à l’analyse d’images médicales sous supervision professionnelle en santé, la détection de transactions inhabituelles et l’estimation du risque en finance, les exercices adaptés au niveau de l’apprenant en éducation, le classement de demandes et l’analyse de documents en gestion publique

• Une prédiction peut être incorrecte même si le modèle paraît performant.

📌 Les données personnelles doivent être protégées contre les atteintes à la confidentialité.

• Certaines décisions produites par l’IA sont difficiles à interpréter, ce qui pose un problème d’explicabilité.

• La robustesse d’un système d’IA peut diminuer lorsque les conditions changent.

• Une confiance excessive d’un utilisateur dans une sortie automatique constitue un risque lié à l’IA.

📖 5. Agents, perceptions et actions

🔑 Notions clés & Définitions

• Agent : Entité qui perçoit son environnement au moyen de capteurs et agit sur celui-ci au moyen d’actionneurs.
• Capteur : Dispositif ou mécanisme qui fournit des informations sur l’environnement.
• Perception : Information reçue par l’agent à un instant donné.
• Historique des perceptions : Ensemble des perceptions reçues par l’agent jusqu’à un instant donné.
• Actionneur : Mécanisme permettant à l’agent d’agir sur l’environnement.
• Action : Opération choisie par l’agent.

📖 6. Décision et rationalité des agents

🔑 Notions clés & Définitions

• Fonction agent : La fonction agent associe les historiques de perceptions à une action, des perceptions possibles à l’ensemble des actions possibles.
• Agent rationnel : Un agent rationnel choisit l’action qui maximise la performance attendue compte tenu des perceptions disponibles, de ses connaissances, des actions possibles, du critère de performance et de ses ressources et limites de calcul.
• Mesure de performance : Critère qui définit ce qu’un agent cherche à optimiser.

★ À maîtriser

📌 La fonction agent décrit le comportement attendu, tandis que le programme agent en est l’implémentation informatique.

Compléments

• Dans un agent simple, la décision peut dépendre uniquement de la perception actuelle, tandis qu’un agent plus complexe peut aussi utiliser l’historique, un état interne ou un modèle du monde.

📌 La rationalité d’un agent ne signifie pas qu’il est omniscient : avec des informations incomplètes, il peut prendre une décision rationnelle et obtenir malgré tout un mauvais résultat.

• Un agent ne peut pas être évalué correctement sans que son objectif et les compromis acceptables soient précisés.

• PEAS désigne les quatre éléments de description d’un agent :

  • Performance
  • Environment
  • Actuators
  • Sensors

📖 7. Propriétés des environnements

🔑 Notions clés & Définitions

• Environnement totalement observable : Un environnement totalement observable fournit à l’agent des informations suffisantes pour caractériser l’état pertinent pour la décision.
• Environnement partiellement observable : Un environnement partiellement observable ne fournit à l’agent qu’une partie des informations pertinentes.
• Environnement déterministe : Environnement dans lequel, selon le modèle retenu, l’état suivant est entièrement déterminé par l’état actuel et l’action.
• Environnement stochastique : Environnement dont l’évolution dépend aussi d’événements aléatoires ou d’incertitudes modélisées.
• Environnement épisodique : Environnement dans lequel chaque décision peut être évaluée indépendamment des décisions précédentes.
• Environnement séquentiel : Environnement dans lequel une action modifie les situations futures et influence les décisions ultérieures.

★ À maîtriser

• Un environnement se décrit notamment selon six dimensions :

  • totalement observable ou partiellement observable
  • déterministe ou stochastique
  • épisodique ou séquentiel
  • statique ou dynamique
  • discret ou continu
  • mono-agent ou multi-agent

• Un environnement est statique s’il ne change pas pendant la délibération de l’agent, tandis qu’il est dynamique s’il peut changer pendant cette délibération.

• Un environnement est discret lorsque ses états, ses actions ou le temps sont dénombrables, tandis qu’il est continu lorsque ses variables ou évolutions peuvent prendre un ensemble continu de valeurs.

• Un problème est mono-agent lorsqu’il est modélisé principalement du point de vue d’un seul agent décisionnel, tandis qu’il est multi-agent lorsque plusieurs agents interagissent.

Compléments

• Les propriétés d’un environnement influencent la conception de l’agent, les informations à mémoriser et les méthodes de décision à utiliser.

• Dans un environnement partiellement observable, l’agent peut devoir maintenir une estimation de l’état du monde.

• Un jeu de plateau au tour par tour est souvent discret, tandis que la vitesse et la position d’un véhicule sont des variables continues.

• Dans un environnement multi-agent, les agents peuvent coopérer, se concurrencer ou poursuivre des objectifs différents.

• La résolution d’un labyrinthe sans adversaire est un problème mono-agent, tandis que la négociation d’une ressource entre plusieurs robots et la circulation routière sont des problèmes multi-agents.

📖 8. Catégories d’agents intelligents

🔑 Notions clés & Définitions

• Agent à réflexes simples : Choisit une action à partir de sa perception actuelle en appliquant des règles condition-action.
• Agent fondé sur un modèle : Conserve un état interne pour estimer des aspects de l’environnement qui ne sont pas directement visibles.
• Agent fondé sur des objectifs : Évalue les actions en fonction d’un état souhaité.
• Agent apprenant : Améliore son comportement à partir de l’expérience ou des données.
• Fonction d’utilité : Attribue une valeur numérique à un état ou à une conséquence afin de comparer des options.

★ À maîtriser

📐 Formule - Un agent peut choisir l’action qui maximise l’utilité attendue, selon $a^* = \arg\max_{a\in A} E[U\mid a]$, où $U$ représente l’utilité et $A$ l’ensemble des actions disponibles.

Compléments

📌 Sans mémoire ni modèle interne, un agent à réflexes simples peut échouer lorsque la perception actuelle ne suffit pas à déterminer la bonne action.

• Le modèle interne peut représenter :

  • des éléments observés précédemment
  • les effets attendus des actions
  • des informations temporairement invisibles
  • les changements probables de l’environnement

• Pour atteindre un objectif, l’agent le représente, identifie les actions disponibles, prévoit leurs conséquences possibles et recherche une suite d’actions menant à cet objectif.

• Une architecture classique distingue : l’élément de performance, qui choisit les actions, l’élément d’apprentissage, qui améliore le comportement, le critique, qui évalue les résultats obtenus, le générateur de problèmes, qui propose des actions exploratoires utiles à l’apprentissage

💡 Astuce mémo

Réflexe simple → modèle interne → objectif → utilité → apprentissage.

📖 9. Implémentations Python des agents

★ À maîtriser

📌 Dans l’agent thermostat présenté, le chauffage s’active si la température est inférieure à la consigne moins 1 °C, le refroidissement si elle est supérieure à la consigne plus 1 °C, et le système maintient son état dans les autres cas.

Compléments

• Un agent simple implémenté en Python peut recevoir une perception dans une fonction et renvoyer une action selon des conditions : « sale » renvoie « aspirer », « propre » renvoie « se_deplacer » et toute autre perception renvoie « observer ».

• Dans l’exemple de thermostat, la consigne est de 24 °C et la zone de tolérance est de 1 °C.

• L’agent à mémoire présenté en Python enregistre les positions visitées et les directions déjà explorées afin de choisir une direction non explorée lorsque la position est propre.

📐 Formule - Dans l’exemple Python de comparaison d’itinéraires, le coût d’une option est calculé par $\text{coût} = \text{temps} + \text{poids du risque} \times \text{risque}$, et l’agent choisit l’option de coût minimal.

• Dans l’exemple de comparaison d’itinéraires, l’itinéraire A a un temps estimé de 20 et un risque de 8, tandis que l’itinéraire B a un temps estimé de 25 et un risque de 2.

• L’assistant d’irrigation reçoit les informations suivantes et recommande une action :

  • humidité du sol
  • température
  • pluie récente
  • disponibilité de l’eau
  • irriguer
  • attendre
  • demander une vérification

📖 10. Corrections des notions fondamentales

🔑 Notions clés & Définitions

• Intelligence artificielle : Ensemble de méthodes informatiques permettant notamment de percevoir, raisonner, apprendre et décider.

★ À maîtriser

📌 L’automatisation exécute un processus défini, tandis que l’IA peut mobiliser le raisonnement, l’apprentissage ou la décision face à des situations variées.

• La rationalité dépend des informations disponibles, du modèle et du critère de performance, et une information inconnue ou un événement imprévisible peut conduire à un résultat défavorable.

Compléments

📌 Un capteur fournit une information, tandis qu’un actionneur permet d’exécuter une action.

📖 11. Classification des environnements

★ À maîtriser

• Pour un robot dans un entrepôt fréquenté par des humains, l’environnement est partiellement observable et dynamique, le mouvement est souvent continu, et il est multi-agent si les humains ou d’autres robots sont modélisés comme agents.

Compléments

• Aux échecs, l’environnement est généralement observable, déterministe selon les règles, séquentiel, discret et multi-agent.

• Le classement indépendant de courriels est souvent une tâche épisodique et sa classification peut être discrète ; son observabilité dépend des informations fournies au modèle.

• La prévision photovoltaïque du lendemain repose sur des observations incomplètes ; l’environnement réel est dynamique et l’incertitude météorologique rend la prévision incertaine.

📌 La classification d’un environnement dépend parfois des hypothèses retenues, qui doivent être justifiées.

📖 12. Règles conditionnelles d’un agent Python

★ À maîtriser

• L’agent aspire si l’état est « sale », se déplace si l’état est « propre » et demande une inspection dans tout autre cas.

Compléments

• Dans une fonction Python, les conditions sont testées dans l’ordre et le bloc else traite toutes les perceptions qui ne correspondent pas aux cas explicitement prévus.

💡 Astuce mémo

Sale → aspirer ; propre → se déplacer ; sinon → inspection.

📖 13. Agent de gestion électrique

★ À maîtriser

• Le prototype de gestion électrique attend si la disponibilité est fausse, maintient l’usage si la priorité est critique, diffère l’usage si la demande est élevée et la priorité flexible, et l’autorise dans les autres cas.

Compléments

• Le travail pratique demande de définir l’objectif et la mesure de performance, de construire une description PEAS, de caractériser l’environnement selon six dimensions, de proposer au moins trois règles condition-action, d’implémenter un prototype Python, de le tester dans au moins cinq situations et de présenter deux limites.

📖 14. Fonction d’utilité et rationalité

🔑 Notions clés & Définitions

• Environnement partiellement observable : Environnement qui ne révèle pas à l’agent tout l’état pertinent.
• Fonction d’utilité : Fonction qui aide à comparer les conséquences selon un critère donné, sans garantir une décision parfaite.

📝 Points essentiels

• Un agent intelligent peut être logiciel ou physique ; il n’a pas besoin d’être un robot physique.