Fiche de révision : Introduction à l'Intelligence Artificielle Symbolique

📋 Plan du Cours

1. IA symbolique et symboles
2. Historique et deux approches de l’IA
3. Résolution de problèmes par recherche
4. Espace d’états et graphes
5. Recherche en largeur
6. Recherche en profondeur
7. Recherche A* et heuristiques
8. Représentation des connaissances
9. Web sémantique et graphes de connaissances
10. Apprentissage symbolique et embeddings
11. Applications et bilan

📖 1. IA symbolique et symboles

🔑 Notions clés & Définitions

• IA symbolique : Approche d’IA où la connaissance est représentée explicitement par des symboles et des relations entre symboles.
• Symboles : Représentations abstraites d’entités et de concepts du monde, utilisées comme unités de raisonnement.
• Manipulation de symboles : Opérations logiques appliquées aux symboles pour produire des conséquences dérivées par la connaissance formalisée.
• Relations règles contraintes : Formes de connaissance utilisées pour relier les symboles et limiter ce qui est dérivable ou possible.

📝 Points essentiels

• En IA symbolique, le raisonnement consiste à dériver ce qui est inféré en manipulant des symboles décrits par relations et règles.
• La connaissance explicite se distingue des approches qui stockent plutôt des paramètres numériques implicites dans un modèle.
• Les symboles correspondent à des entités et concepts du monde, pas à des paramètres bas niveau.

💡 Astuce mémo

Symbolique = symboles + règles : on “calcule” des conséquences sur des objets du monde.

📖 2. Historique et deux approches de l’IA

🔑 Notions clés & Définitions

• Newell et Simon : Chercheurs associés à une perspective fondatrice sur la résolution de problèmes en IA via des systèmes symboliques.
• General Problem Solver : Système de résolution de problèmes développé en 1956, souvent cité comme pionnier des idées d’IA symbolique pour le problème-solution.
• IA sub-symbolique : Approche où l’IA s’appuie sur des paramètres numériques appris à partir de données plutôt que sur une connaissance explicitement symbolisée.
• GOFAI : Courant associant l’IA symbolique à une capture de l’expertise via des représentations explicites de la connaissance.

📝 Points essentiels

• Le General Problem Solver a été développé par Allan Newell et Herbert Simon en 1956 et est considéré comme une des premières réalisations d’IA.
• Une opposition historique oppose IA symbolique et IA sub-symbolique, aussi décrite comme knowledge-centric versus data-centric.
• Le cycle d’essor puis de recul de chaque approche se produit depuis les années 1950, avec des applications différentes.

💡 Astuce mémo

1956 : premiers “programmes de résolution” ; puis séparation symbolique vs numérique.

📖 3. Résolution de problèmes par recherche

🔑 Notions clés & Définitions

• Problème : Objet à résoudre défini par un état de départ, des moyens autorisés de transition, et un état but à atteindre.
• Connaissance explicite : Représentation formelle de la connaissance, fournie au système via une étape d’élaboration puis de représentation.
• Solution : Étape finale recherchée : état but atteint à partir de l’état initial selon les transitions autorisées.
• Système par recherche : Mise en correspondance d’un problème avec un processus de recherche de chemin menant d’un état initial à un état but.

📝 Points essentiels

• En IA symbolique, le problème peut être formulé avec une situation de départ, une connaissance de transitions, puis un objectif menant à une solution.
• La recherche vise à obtenir une trajectoire entre états : de l’état initial vers l’état désiré via des changements autorisés.
• Dans l’exemple bloc, une solution s’exprime comme une suite d’actions move qui transforme l’état jusqu’au but.

💡 Astuce mémo

Problème = départ + transitions autorisées + but : chercher un chemin.

📖 4. Espace d’états et graphes

🔑 Notions clés & Définitions

• Espace d’états : Ensemble de toutes les situations possibles considérées dans le monde du problème.
• Graphe dirigé : Structure où des nœuds représentent des états et des arêtes dirigées représentent des transitions possibles.
• Successeurs : Ensemble des nœuds atteignables en suivant une arête sortante depuis un nœud donné.
• Chemin : Suite ordonnée de nœuds reliés par des transitions qui relie un état initial à un état but.

📝 Points essentiels

• Transformer un problème en recherche revient à prendre les états comme nœuds, et les transitions comme arêtes dirigées.
• L’état initial correspond au nœud de départ dans le graphe, et l’état but correspond au nœud visé.
• Résoudre le problème revient à trouver un chemin du départ au but, en privilégiant les chemins plus courts.

💡 Astuce mémo

États = nœuds ; mouvements = flèches ; résoudre = trouver un chemin court.

📖 5. Recherche en largeur

🔑 Notions clés & Définitions

• Breadth First Search : Algorithme non informé qui explore d’abord les successeurs par couches à partir de l’état initial.
• Queue : Structure de données utilisée par BFS pour traiter les nœuds dans l’ordre d’exploration.
• Complétude : Propriété d’un algorithme garantissant de trouver une solution si elle existe.
• Optimalité : Propriété d’un algorithme garantissant de trouver une solution la plus courte sous les hypothèses du modèle.

📝 Points essentiels

• BFS explore les successeurs de l’état initial, puis ceux de ces successeurs, etc., jusqu’à atteindre l’état but.
• BFS est complet et garantit de trouver le plus court chemin.
• BFS peut devenir coûteux en temps et mémoire sur des problèmes où le chemin optimal est long.

💡 Astuce mémo

Largeur = couches : premier but trouvé = plus court chemin.

📖 6. Recherche en profondeur

🔑 Notions clés & Définitions

• Depth First Search : Algorithme non informé qui suit un chemin aussi loin que possible avant de revenir en arrière.
• Pile : Structure de données utilisée par DFS pour empiler les états à explorer en dernier d’abord.
• Limite de profondeur : Variante où l’exploration d’une branche s’arrête après un nombre maximal de niveaux.
• Iterative deepening : Stratégie consistant à augmenter progressivement la limite de profondeur si le but n’est pas trouvé.

📝 Points essentiels

• DFS parcourt une branche jusqu’au bout, puis backtrack si l’état but n’y apparaît pas.
• DFS est complet mais non optimal, car il peut choisir une branche longue avant de revenir.
• Avec une limite de profondeur, DFS peut s’interrompre sur une branche ; l’iterative deepening augmente ensuite la limite.

💡 Astuce mémo

Profondeur = “je creuse” : complet mais pas garanti de tomber sur le plus court.

📖 7. Recherche A* et heuristiques

🔑 Notions clés & Définitions

• A* : Algorithme de recherche informée qui ordonne l’exploration selon une estimation du coût restant vers le but.
• Heuristique : Fonction qui estime ce qu’il reste à faire pour atteindre le but depuis un état donné.
• g(n) : Composante représentant la longueur du chemin déjà parcouru jusqu’à l’état n.
• h(n) : Résultat de la fonction heuristique pour l’état n, représentant l’estimation du reste à faire.

📝 Points essentiels

• A* utilise f(n) = g(n) + h(n) pour trier les états candidats à visiter.
• La partie difficile d’A* est de choisir une heuristique précise tout en restant facile à calculer pour tout état.
• A* est complet et optimal si la heuristique est admissible, c’est-à-dire si elle n’exagère jamais la longueur restante réelle.

💡 Astuce mémo

A* : g accumule, h devine, f décide : f = g + h.

📖 8. Représentation des connaissances

🔑 Notions clés & Définitions

• Knowledge elicitation : Étape de recueil de connaissance permettant de formuler explicitement la connaissance du domaine pour un système IA.
• Ontologies : Structures conceptuelles qui organisent des connaissances sous forme de concepts et de relations pour un domaine.
• Règles : Formes de connaissance explicites qui décrivent des conditions et conséquences manipulables pour le raisonnement.
• Représentation par graphes : Modèle où la connaissance est exprimée via des nœuds et des liens plutôt que uniquement via des règles orientées problème.

📝 Points essentiels

• En IA symbolique, construire un système revient à capter et représenter explicitement la connaissance via une étape de knowledge elicitation et de représentation.
• La connaissance peut être structurée à partir de règles, puis étendue vers des représentations plus riches comme des graphes.
• Le cours annonce une transition de la représentation centrée sur les règles vers des graphes et des ontologies.

💡 Astuce mémo

Du “fait-règle” au “concept-relation” : la connaissance gagne en structure.

📖 9. Web sémantique et graphes de connaissances

🔑 Notions clés & Définitions

• Web sémantique : Approche visant à rendre les informations compréhensibles par des systèmes via des structures de données explicites et liées.
• Systèmes Web sémantiques : Outils et systèmes qui exploitent la représentation du Web sémantique pour raisonner ou interroger la connaissance.
• Knowledge Graph : Graphe reliant des entités et leurs relations pour représenter une connaissance structurée.
• Graphe de connaissances : Même idée qu’un knowledge graph : une représentation en graphe des informations du domaine.

📝 Points essentiels

• Le cours rattache l’évolution historique du domaine au développement du semantic web et des knowledge graphs.
• Une partie du plan traite spécifiquement du Web sémantique puis des graphes de connaissances.
• Les knowledge graphs s’inscrivent comme extension naturelle de la représentation par relations et contraintes entre symboles.

💡 Astuce mémo

Web sémantique = liens significatifs : graphes au lieu de simples pages.

📖 10. Apprentissage symbolique et embeddings

🔑 Notions clés & Définitions

• Learning rules and patterns : Processus d’apprentissage visant à détecter des règles et motifs dans des représentations symboliques.
• Knowledge graph embeddings : Représentation vectorielle de graphes de connaissances utilisée pour exploiter des modèles d’apprentissage tout en partant du graphe.
• Embeddings : Représentations numériques issues d’un modèle qui capturent la structure et la proximité d’entités/relations.
• Apprentissage symbolique : Apprentissage qui s’appuie sur des représentations symboliques plutôt que uniquement sur des paramètres sans interprétation.

📝 Points essentiels

• Le cours annonce l’apprentissage de règles et de motifs à partir de représentations symboliques.
• Le cours annonce aussi l’usage d’embeddings pour les graphes de connaissances.
• Ces thèmes relient explicitement la logique des représentations (symboles/graphes) à des représentations numériques exploitables.

💡 Astuce mémo

Règles → motifs ; graphes → embeddings : pont symbolique vers numérique.

📖 11. Applications et bilan

🔑 Notions clés & Définitions

• GPS navigation : Exemple d’application de problèmes de recherche orientés calcul de trajectoires dans un espace.
• Puzzle games : Catégorie d’exercices où l’on cherche des suites d’actions menant à un état but.
• Scheduling : Problème d’organisation où l’on recherche une solution répondant à des contraintes.
• Récapitulatif : Synthèse finale visant à relier les notions de recherche, de représentation et d’ouverture à la suite du cours.

📝 Points essentiels

• Des applications sont mentionnées : navigation type GPS, jeux de puzzle et planification (scheduling).
• Les sessions pratiques modélisent des problèmes comme recherches et testent les trois algorithmes pour trouver des solutions.
• Le cours annonce ensuite des “cas spéciaux” de problèmes de recherche avec techniques et heuristiques dédiées.

💡 Astuce mémo

Bilan : modéliser en recherche, tester BFS/DFS/A*, puis spécialiser avec des heuristiques.

📅 Repères chronologiques

📊 Tableaux de synthèse

BFS vs DFS vs A*

⚠️ Pièges & confusions fréquents

1. Confondre IA symbolique et IA sub-symbolique : la première manipule des symboles explicites, la seconde s’appuie sur des paramètres numériques implicites.
2. Croire que DFS est optimal : il est complet mais peut suivre une branche très longue avant d’atteindre le but.
3. Penser que BFS et DFS utilisent une heuristique : le cours les décrit comme recherches non informées.
4. Choisir une heuristique A* “trop optimiste” qui surestime la distance restante : A* perd alors la garantie d’optimalité.
5. Mélanger espace d’états et graphe : l’espace correspond à l’ensemble des situations, mais il est représenté via un graphe de transitions dans la reformulation.
6. Oublier que résoudre le problème revient à trouver un chemin du nœud initial au nœud but, pas simplement à atteindre un état quelconque.

✅ Checklist Examen

1. Définir l’IA symbolique et expliquer ce que signifie manipuler des symboles pour raisonner.
2. Expliquer l’opposition IA symbolique vs IA sub-symbolique (knowledge-centric vs data-centric) et le rôle des données/paramètres.
3. Formuler un problème en termes d’état initial, transitions possibles, et état but.
4. Décrire la correspondance entre espace d’états, graphe dirigé, successeurs, et chemin de l’initial vers le but.
5. Rappeler l’idée générale de BFS et le fait qu’il explore des couches successives.
6. Donner les propriétés de BFS : complétude et optimalité, ainsi que son coût potentiel en temps et mémoire.
7. Rappeler l’idée générale de DFS : suivre une branche puis backtrack, et utiliser une pile.
8. Donner les propriétés de DFS : complétude sans optimalité, et mentionner la limite de profondeur et l’iterative deepening.
9. Exprimer la formule f(n)=g(n)+h(n) et expliquer le rôle de la heuristique dans A*.
10. Donner la condition d’optimalité d’A* : heuristique admissible (ne pas surestimer la distance restante).
11. Citer l’exemple d’application de l’heuristique au block world : nombre de blocs mal placés.
12. Énoncer les thèmes de représentation des connaissances et leurs extensions annoncées : règles vers graphes et ontologies.
13. Citer les sujets “Web sémantique et graphes de connaissances” puis “embeddings et apprentissage symbolique” tels qu’ils apparaissent au plan.
14. Mentionner au moins trois applications indiquées (GPS navigation, puzzle games, scheduling) et le type de bilan annoncé.