L’intelligence artificielle (IA) représente une avancée technologique majeure, propulsant les capacités de la pensée humaine à un niveau supérieur. Elle confère aux machines la faculté d’une intelligence précise et intégrée.
Les êtres humains possèdent des aptitudes cognitives de haut niveau, telles que la réflexion, le raisonnement, l’interprétation et la compréhension. Les connaissances que nous accumulons nous permettent de mener diverses activités dans le monde réel.
Grâce aux progrès technologiques, les machines sont désormais capables d’accomplir un éventail croissant de tâches.
L’utilisation de systèmes et d’appareils basés sur l’IA connaît une croissance rapide, en raison de leur efficacité et de leur précision dans l’exécution de tâches complexes.
Cependant, alors que les humains acquièrent de multiples niveaux de connaissances au cours de leur vie, les machines rencontrent des difficultés pour interpréter ces mêmes connaissances.
C’est là qu’intervient la représentation des connaissances. Cette approche permet de résoudre des problèmes complexes qui seraient difficiles et chronophages à traiter pour les humains.
Dans cet article, je vais explorer la représentation des connaissances dans l’IA, son fonctionnement, ses différents types et techniques, et bien plus encore.
Commençons sans plus tarder !
Qu’est-ce que la Représentation des Connaissances et le Raisonnement ?
La représentation et le raisonnement des connaissances (RCR) constituent une branche de l’intelligence artificielle dédiée à la formalisation des informations du monde réel, de manière à ce qu’un ordinateur puisse les comprendre et agir en conséquence. Cette formalisation permet de s’attaquer à des problèmes complexes, tels que des calculs élaborés, des dialogues en langage naturel ou des diagnostics médicaux.
La représentation des connaissances s’inspire de la psychologie pour étudier comment les humains résolvent les problèmes et représentent les informations, dans le but de concevoir des formalismes adaptés à l’IA. L’objectif est de permettre à l’IA de comprendre comment un humain simplifie les systèmes complexes lors de la conception et de la réalisation.
Les premières recherches se sont concentrées sur la résolution de problèmes généraux, notamment les travaux d’Herbert A. Simon et Allen Newell en 1959. Ces systèmes utilisaient des structures de données pour la décomposition et la planification. Ils partaient d’un objectif principal, le décomposaient en sous-objectifs, puis définissaient des stratégies pour atteindre chaque sous-objectif.
Ces efforts ont ensuite mené à une révolution cognitive dans la psychologie humaine et à une phase de l’IA axée sur la représentation des connaissances. Cela a conduit aux systèmes experts des années 1970 et 1980, aux langages de cadres, aux systèmes de production, etc. Par la suite, l’IA a réorienté son objectif vers des systèmes experts capables d’égaler la compétence humaine, comme le diagnostic médical.
De plus, la représentation des connaissances permet aux systèmes informatiques de comprendre et d’utiliser les connaissances pour résoudre des problèmes concrets. Elle définit également une méthode pour représenter les connaissances et le raisonnement dans l’IA.
La représentation des connaissances ne se limite pas à stocker des données dans des bases de données. Elle vise à permettre aux machines intelligentes d’assimiler les connaissances humaines et d’en faire l’expérience, afin qu’elles puissent agir de manière similaire à un humain.
Les humains possèdent des connaissances spécifiques, telles que les émotions, les intentions, les croyances, le bon sens, les jugements, les préjugés ou l’intuition, qui sont étrangères aux machines. Certaines connaissances sont simples, comme la connaissance de faits, d’événements, de personnes, d’objets, de langues ou de disciplines académiques.
Grâce à la RCR, il est possible de formaliser les concepts humains dans un format compréhensible par les machines, rendant ainsi les systèmes d’IA véritablement intelligents. La connaissance implique de fournir et de stocker des informations sur l’écosystème, tandis que le raisonnement consiste à prendre des décisions et à agir en fonction de ces informations.
Quelles connaissances doivent être représentées dans les systèmes d’IA ?
Les connaissances à intégrer dans les systèmes d’intelligence artificielle comprennent :
- Objets : Les objets sont omniprésents dans notre environnement. Les informations les concernant sont donc cruciales. Par exemple, un piano a des touches noires et blanches, une voiture a des roues, un bus nécessite un chauffeur, un avion un pilote, etc.
- Événements : Le monde est le théâtre d’événements constants. La perception humaine est étroitement liée aux événements. L’IA doit en avoir une compréhension pour pouvoir agir. Parmi les exemples, on trouve les famines, l’évolution des sociétés, les guerres, les catastrophes, les réussites, etc.
- Performance : Ces connaissances concernent les actions humaines dans diverses situations. Elles représentent l’aspect comportemental des connaissances, essentiel pour que l’IA comprenne.
- Méta-connaissances : Si nous devions observer le monde et synthétiser toutes les connaissances disponibles, on pourrait les regrouper en trois catégories :
- Ce que nous savons déjà
- Ce que nous savons de manière incomplète
- Ce que nous ignorons
- Les méta-connaissances concernent la première catégorie et permettent à l’IA de percevoir ce que nous savons.
- Faits : Ces connaissances se basent sur la description factuelle du monde. Par exemple, la Terre n’est pas plate, mais elle n’est pas parfaitement ronde non plus. Notre soleil est gourmand, etc.
- Base de connaissances : La base de connaissances est un élément essentiel de l’intelligence humaine. Il s’agit d’un ensemble de données ou d’informations pertinentes sur un domaine, une description, etc. Par exemple, une base de connaissances sur la conception d’un modèle de voiture.
Comment fonctionne la représentation des connaissances ?
Généralement, un objectif à atteindre, un problème à résoudre et la recherche d’une solution sont présentés de manière informelle, comme la livraison de colis ou la résolution de problèmes électriques dans une maison.
Pour résoudre un problème réel, le concepteur du système doit :
- Déterminer la meilleure solution possible pour la tâche
- Formaliser le problème dans un langage que l’ordinateur pourra comprendre et utiliser
- Utiliser le système pour obtenir un résultat final, qui sera la solution au problème ou une séquence d’actions à réaliser
- Interpréter le résultat final comme la solution au problème de départ
La connaissance est une information que les humains possèdent déjà, mais que les machines doivent acquérir. La machine a besoin de connaissances pour traiter la multitude de problèmes auxquels elle est confrontée. Dans le cadre de la conception du système, il est nécessaire de définir les connaissances à représenter.
Lien entre la représentation des connaissances et l’IA
La connaissance joue un rôle crucial dans l’intelligence, et elle est à la base de la création de l’intelligence artificielle. Elle est indispensable pour exprimer un comportement intelligent chez les agents d’IA. Un agent incapable de traiter correctement les informations, faute d’expérience ou de connaissances appropriées, ne peut pas agir avec précision.
Par exemple, si vous essayez de communiquer avec une personne dont vous ne comprenez pas la langue, il est évident que vous ne pourrez pas bien interagir. Il en va de même pour le comportement intelligent des agents. L’IA doit avoir suffisamment de connaissances pour exécuter une tâche donnée. Elle doit explorer l’environnement et mobiliser les connaissances nécessaires pour prendre les bonnes décisions.
En d’autres termes, l’IA ne peut manifester un comportement intellectuel sans les éléments de connaissance nécessaires.
Types de connaissances représentées dans l’IA
Maintenant que nous avons une vision claire de l’importance de la représentation des connaissances dans l’IA, explorons les différents types de connaissances représentées dans un système d’IA.
- Connaissance déclarative : Elle décrit les objets, les concepts et les faits qui composent le monde qui nous entoure. Elle décrit les choses et s’exprime sous forme de phrases déclaratives.
- Connaissance procédurale : Elle est moins descriptive que la connaissance déclarative. Elle est également connue sous le nom de connaissance impérative, et elle est souvent utilisée par les robots mobiles. Elle décrit comment accomplir une tâche. Par exemple, avec un simple plan d’un bâtiment, un robot mobile peut élaborer son propre itinéraire. Un robot peut également planifier une attaque ou effectuer une navigation.
De plus, les connaissances procédurales sont appliquées directement à la tâche et incluent des règles, des procédures, des agendas, des stratégies, etc.
- Méta-connaissances : Dans le domaine de l’intelligence artificielle, les connaissances pré-établies sont appelées méta-connaissances. Par exemple, l’étude du marquage, de l’apprentissage ou de la planification relève de ce type de connaissances.
Ce modèle évolue avec le temps et utilise des spécifications différentes. Un ingénieur système ou un ingénieur des connaissances utilise différentes formes de méta-connaissances, telles que l’exactitude, l’évaluation, le but, la source, la durée de vie, la fiabilité, la justification, l’exhaustivité, la cohérence, l’applicabilité et la désambiguïsation.
- Connaissance heuristique : Également appelée connaissance superficielle, elle se base sur des règles empiriques. Elle est très efficace pour le raisonnement, car elle peut résoudre des problèmes en s’appuyant sur des expériences passées ou des problèmes analysés par des experts. Elle recueille les expériences passées et fournit une approche plus précise pour définir les problèmes et prendre les mesures appropriées.
- Connaissances structurelles : Elles sont les connaissances les plus fondamentales pour résoudre des problèmes complexes. Elles visent à établir des liens entre les objets et les concepts. Elles décrivent également les relations entre plusieurs concepts, comme « partie de », « type de » ou « regroupement de ».
La connaissance déclarative décrit, tandis que la connaissance procédurale agit. De plus, les connaissances déclaratives sont explicites, contrairement aux connaissances procédurales, qui sont tacites ou implicites. La connaissance est déclarative si elle peut être exprimée verbalement, et elle est procédurale si ce n’est pas le cas.
Techniques de représentation des connaissances dans l’IA
Il existe quatre techniques principales pour la représentation des connaissances dans l’IA :
- Représentation logique
- Réseaux sémantiques
- Règles de production
- Représentation par cadre
Représentation logique
La représentation logique est la forme de base pour la représentation des connaissances pour les machines. Elle utilise une syntaxe définie avec des règles fondamentales. Cette syntaxe est non ambiguë et gère des propositions. La représentation logique sert de langage de communication, ce qui la rend appropriée pour transmettre des faits aux machines.
La représentation logique se divise en deux types :
- Logique propositionnelle : Également appelée logique d’énoncé ou calcul propositionnel, elle fonctionne sur un système booléen (vrai ou faux).
- Logique du premier ordre : Ce type de représentation logique, également nommé logique de calcul des prédicats du premier ordre (FOPL), représente des prédicats et des objets dans des quantificateurs. Il s’agit d’un modèle plus sophistiqué que la logique propositionnelle.
Cette forme de représentation des connaissances est similaire aux langages de programmation, car elle utilise la sémantique pour transmettre des informations. Elle permet de résoudre des problèmes de manière très logique. Cependant, son principal inconvénient est sa rigidité, ce qui la rend difficile à exécuter et parfois peu efficace.
Réseaux sémantiques
Il s’agit d’une représentation graphique dans laquelle des objets connectés sont utilisés dans un réseau de données. Les réseaux sémantiques sont constitués d’arcs/arêtes (connexions) et de nœuds/blocs (objets) qui décrivent les relations entre les objets.
Cette forme de représentation est une alternative à la logique du premier ordre (FOPL). Les relations dans les réseaux sémantiques sont de deux types :
Cette forme de représentation est plus naturelle que la logique, car elle est facile à comprendre. Son principal inconvénient réside dans son coût de calcul et dans l’absence de quantificateurs équivalents à ceux que l’on trouve dans la représentation logique.
Règles de production
Les règles de production sont une forme courante de représentation des connaissances dans les systèmes d’IA. Il s’agit de la forme la plus simple de représentation basée sur des règles de type « si-alors », facile à comprendre. Elle combine des aspects de la FOPL et de la logique propositionnelle.
Pour bien comprendre les règles de production, il est nécessaire de connaître les composants du système de représentation. Ce système comprend un ensemble de règles, une mémoire de travail, un applicateur de règles et un cycle d’action.
Pour chaque donnée d’entrée, l’IA vérifie les conditions à partir des règles de production. Si une règle appropriée est trouvée, l’action correspondante est exécutée. Ce cycle de sélection des règles en fonction des conditions et d’action est appelé cycle « reconnaissance-action », et il se produit pour chaque entrée.
Cependant, cette méthode présente des inconvénients, tels qu’une exécution inefficace en raison du nombre de règles actives et un manque d’expérience lié à l’absence de mémorisation des résultats passés. Néanmoins, ces inconvénients peuvent être compensés par le fait que les règles sont exprimées en langage naturel. De plus, les règles peuvent être facilement modifiées ou supprimées en cas de besoin.
Représentation par cadre
Pour comprendre la représentation par cadre, imaginez un tableau avec des noms dans des colonnes et des valeurs dans des lignes. Les informations nécessaires sont ainsi transmises de manière structurée. En termes simples, la représentation par cadre est une collection de valeurs et d’attributs.
Il s’agit d’une structure de données spécifique à l’IA, qui utilise des emplacements (slots) contenant des valeurs de différents types. Les emplacements et leurs valeurs forment ensemble un cadre. Le processus est similaire à un système de gestion de base de données (SGBD).
Les emplacements ont des noms ou des attributs, et les informations correspondantes sont stockées dans leurs valeurs. Le principal avantage de cette forme de représentation est qu’elle permet de regrouper des informations similaires en structures, qui peuvent être subdivisées.
Comme une structure de données classique, ce type de représentation est facile à comprendre, manipuler et visualiser. Des actions typiques telles que la suppression ou l’ajout d’emplacements peuvent être réalisées sans difficulté.
Exigences pour la représentation des connaissances dans un système d’IA
Une bonne représentation des connaissances doit posséder les qualités suivantes :
- Exactitude de la représentation : La représentation des connaissances doit représenter précisément tous les types de connaissances nécessaires.
- Efficacité inférentielle : Elle doit permettre de gérer les mécanismes inférentiels de manière productive et efficace en utilisant des guides appropriés.
- Adéquation inférentielle : La représentation des connaissances doit permettre de manipuler les structures pour représenter de nouvelles connaissances à partir des structures existantes.
- Efficacité d’acquisition : La représentation doit permettre d’acquérir de nouvelles connaissances à l’aide de méthodes automatiques.
Cycle de connaissance de l’IA
Les systèmes d’IA intègrent plusieurs éléments essentiels pour manifester un comportement intelligent et permettre la représentation des connaissances.
- Perception : Ce composant permet au système basé sur l’IA de collecter des informations sur l’environnement à l’aide de différents capteurs. Il permet de se familiariser avec l’écosystème afin d’interagir efficacement avec les problèmes.
- Apprentissage : Ce composant permet aux systèmes d’IA d’exécuter des algorithmes d’apprentissage profond qui sont pré-écrits. Les informations du composant de perception sont utilisées pour un apprentissage et une compréhension améliorés.
- Représentation des connaissances et raisonnement : Les humains utilisent les connaissances pour prendre des décisions. Ce composant a pour rôle de mettre à disposition les données de connaissance des systèmes d’IA et de les utiliser lorsque c’est nécessaire.
- Planification et exécution : Ce composant est autonome. Il utilise les données des composants de connaissance et de raisonnement pour exécuter les actions appropriées.
Conclusion
Les humains et les machines d’IA peuvent acquérir des connaissances de différentes manières. À mesure que l’IA progresse, une meilleure représentation des connaissances permet de résoudre des problèmes complexes avec un minimum d’erreurs. La représentation des connaissances est donc essentielle pour que les machines d’IA fonctionnent de manière intelligente et efficace.
Vous pouvez également consulter un article sur la différence entre l’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond.