1' Prsentation du cours 2' IA Fondement des STI 1: Introduction

1
1. Présentation du cours2. IA Fondement des
STI (1) Introduction
INF7470 Systèmes Tutoriels Intelligents

• Roger Nkambou / Daniel Dubois

2
Motivation du cours pourquoi des STIs?

• QUESTION POUR VOUS
• Quelles sont vos motivations pour ce cours?
• Qu'est-ce qu'enseigner?
• Manière multiples
• instruction, questions, démonstration,
  supervision, interactions de groupe, etc.
• Pourquoi des systèmes artificiels?
• contraintes physiques, temporelles, humaines

3
Quelques éclaircissements

• Multiples appellations
• STI Système Tutoriel Intelligent --- ITS
• SABC Système dApprentissage à Base de
  Connaissances
• EIAH Environnement Intelligent/Interactif
  d'Apprentissage Humain
• Différents des systèmes "non intelligents"
• CBT Computer-Based Training
• ILE Interactive Learning Environment

4
Description du cours

• Utilisation de l'intelligence artificielle dans
  la création de systèmes d'aide à l'apprentissage
  humain.
• Représentation du domaine d'apprentissage,
  théories d'apprentissage et d'instruction,
  modélisation du tutorat, modélisation de
  l'usager-apprenant.
• Planification du contenu et des activités
  d'apprentissage, stratégies tutorielles,
  production de systèmes tutoriels intelligents
  (outils auteurs).
• Standardisation et apport du Web sémantique,
  distribution de ressources d'apprentissage,
  apprentissage social. Études de cas.

5
Objectifs spécifiques

• À la fin de la session, l'étudiant(e) devrait
  être capable de 
• comprendre et de décrire les composants dun
  système tutoriel intelligent (STI)
• comprendre le rôle joué par lintelligence
  artificielle (IA) dans la conception de STIs
• comprendre lenjeu des recherches dans le domaine
  de lAIED (Artificial Intelligence in EDucation)
  ainsi que les défis actuels et grandes questions
  de recherche dans ce domaine.
• concevoir, implémenter et déployer, à laide
  doutils appropriés, un petit système tutoriel
  intelligent.

6
Contenu planification
7
Méthode pédagogique et évaluation

• Méthode
• Séance typique
• Cours magistral
• Présentations des étudiants discussion globale
• Évaluation
• Quiz IA 10
• Projet 1 (individuel) État de l'art sur un
  thème lié aux STI 45
• Participation 5
• Projet 2 (équipe de 2 ou 3) Implémentation dun
  STI 40

8
Ressources

• http//gdac.dinfo.uqam.ca/inf7470

9
Introduction à lintelligence artificielle

• Partie 1
• - Histoire

10
Lintelligence

• selon A. Turing
• ce qui rend difficile la distinction entre une
  tâche réalisée par un être humain ou par une
  machine,
• selon C. Darwin
• ce qui permet la survie de l'individu le plus
  apte, parfaitement adapté à son environnement,
• selon T. Edison
• tout ce qui fait que cela fonctionne et produit
  le plus de revenus pour l'entreprise.
• selon Yam (1998)
• Une définition exacte de lintelligence est
  probablement impossible la plus vraisemblable
  la capacité de gérer la complexité et à résoudre
  des problèmes dans un contexte utile.
• selon Voss (2004)
• La capacité dune entité à atteindre des buts.
  Une intelligence plus grande permet de gérer des
  situations plus complexes et imprévues.

11
Lintelligence artificielle

• Lintelligence artificielle produit des machines
  imitant les humains
• Simule les processus intelligents de lhumain
• Reproduit les méthodes ou les résultats du
  raisonnement ou de lintuition humaine

12
IA Quelques définitions

• Selon Marvin Minsky
• ... the science of making machines do things
  that would require intelligence if done by
  humans
• Selon E. Feigenbaum
• AI is the part of computer science concerned
  with designing intelligent computer systems

13
IA Définitions selon quatre orientations

• L'IA est une discipline qui systématise et
  automatise les tâches intellectuelles pour créer
  des machines capables de

Source Russell et Norvig, 2003
14
Agir comme un humain

• IA est l'art de créer des machines qui réalisent
  des fonctions exigeant de l'intelligence
  lorsqu'elles sont effectuées par des humains
• Méthodologie Identifier une tâche intellectuelle
  dans laquelle l'homme est bon et la faire
  réaliser par un ordinateur
• prouver un théorème
• enseigner
• jouer aux échecs
• planifier une opération chirurgicale
• diagnostiquer une maladie
• se déplacer dans un bâtiment

15
Test de Turing une définition opérationnelle

• En 1950 Alan Turing publie son papier "Computing
  Machinery and Intelligence" dans lequel il décrit
  une méthode pour tester un système d'intelligence
  artificielle
• prédit qu'avant l'an 2000, une machine aurait 30
  de chance de tromper une personne non avertie
  pendant 5 minutes
• principales composantes d'un système d'IA
• connaissances, raisonnement, compréhension du
  langage naturel, apprentissage
• Test de Turing un individu communique à l'aide
  d'un terminal d'ordinateur avec un interlocuteur
  invisible. Il doit décider si l'interlocuteur est
  un être humain ou un système d'IA imitant un être
  humain.
• http//www.turing.org.uk/turing/

interrogateur
humain
machine
16
Test de Turing requis pour la machine

• TLN (NLP)
• pour communiquer avec les humains
• Représentation de la connaissance
• pour conserver ce quelle sait et entend
• Raisonnement automatique
• utiliser le savoir enregistré pour tirer des
  conclusions et répondre aux questions
• Apprentissage (apprentissage machine)
• pour détecter des patrons, extrapoler des patrons
  latents, et tirer de nouvelles conclusions.
• avons-nous besoin de reproduire l'humain?

17
Test de Turing étendu

• En supplément, il faudra à la machine
• sens artificiels
• pour percevoir
• capacités robotiques
• pour manipuler les objets et se déplacer

18
PENSER comme un humain

• Nous devons ici entrer dans l'esprit humain
• introspection
• études psychologiques
• Reproduire les agissements et le synchronisme
  observé
• selon les mécanismes qu'on croit probables
• Allen Newell et Herbert Simon GPS
• "General Problem Solver"
• faire plus que juste résoudre des problèmes le
  faire comme les humains.
• comparer les étapes suivies à celles observées
  chez les humains

19
Penser RATIONNELLEMENT

• Fondée sur la tradition des logiciens.
• 19e siècle création d'une notation précise pour
  la logique
• But machines qui prennent des décisions sans
  faille, explicables
• Difficultés
• difficile de traduire le savoir informel ou
  implicite
• difficile de suivre la trace d'un savoir
  incertain
• QUESTION POUR VOUS À quel genre de monde cela
  peut-il convenir?

20
AGIR rationnellement

• L'approche agent
• du latin agere, faire
• vise des agents rationnels
• QUESTION POUR VOUS
• Qu'est-ce qu'agir rationnellement?
• agir pour atteindre le meilleur résultat
• Dans l'incertain agir pour atteindre le meilleur
  résultat espéré

21
Fondements de lIA

• Philosophie
• logique, méthodes de raisonnement, esprit comme
  système physique
• fondements apprentissage, langage, rationalité
• Mathématiques
• représentations formelles et preuves,
  incomplétude
• algorithmes (PGCD d'Euclide), (in)décidabilité,
  explosion combinatoire, probabilité
• Psychologie
• William James psychologie cognitive le cerveau
  est un organe de traitement de l'info.
• agents à base de connaissances (stimulus ?
  représ. internes ? traitement ? action)
• adaptation phénomènes de perception et de
  contrôle moteur techniques expérimentales
• Helmholtz il y a des inférences inconscientes
• Économie
• utilité
• théorie de la décision (probabilité utilité vs.
  incertitude) les groupes vs. l'individu)
• Linguistique
• représentation des connaissances
• grammaire
• Neurosciences
• substrat physique et biologique de l'activité
  mentale comment le cerveau traite l'info?

22
Les grands inspirateurs

• Mc Culloch et Pitts (1943) réseaux neuronaux
  artificiels (approche physiologique)
• Shannon théorie de linformation
• Von Neumann architecture dun calculateur
• Turing théorisation des fonctions calculables
  par machine

23
Une histoire en train de sécrire1956
Fondations

• Genèse autour de la notion de  machines à
  penser 
• Comparaison du cerveau avec les premiers
  ordinateurs
• IA ne peut s'inclure sous une autre science
  spécifique
• Acte de naissance 1956, Darmouth College (New
  Hampshire, USA)
• John McCarthy (tenant de la logique)
  l'expression Artificial Intelligence
• Marvin Minsky (tenant dune approche par
  schémas) apprendre à penser sur des micro-mondes
• 1952-1969 enthousiasme et espoirs sans borne
  (premiers programmes dIA)
• 1952 programmes pour jouer aux Dames et
  apprendre à jouer (A. Samuel)
• 1958 McCarthy
• LISP pour représenter des connaissances
  générales sur le monde
• "Programs with common sense (Advice Taker 1ere
  description d'un pgm IA complet)
• 1959 Geometry Theorem Prover (Samuel) meilleur
  que les étudiants!
• suivi du General Problem Solver
• qui progresse dans la résolution en évaluant la
  différence entre la situation du solveur et le
  but à atteindre.
• 1962 amélioration de l'apprentissage de Hebb
  dans Adaline Perceptron
• 1963 représentation en multiples éléments
  simples (? robustesse parallélisme)

24
Premiers défis

• Programmes capables de jouer' aux échecs
  (premières idées en 1950 par Shannon!) -gt
  première victoire sur un maître en 1997 Deep Blue
  bat Kasparov (loin des prévisions de Simon en
  1957 qui donnait 10 ans pour que cela se
  produise)
• Test  dintelligence  (Evans 1963) trouver la
  suite dune série de figures.
• Dialogue en  langage naturel 
• ELIZA, Weizenbaum 1966 (voir page suivante)
• SHRDLU, Winograd 1971

25
ELIZA Un programme qui simule l'intelligence

• a conversation between eliza and a young woman
• young woman Men are all alike.
• eliza In what way?
• young woman They're always bugging us about
  something specific or other.
• eliza Can you think of a specific example?
• young woman Well, my boyfriend made me come
  here.
• eliza Your boyfriend made you come here?
• young woman He says I'm depressed much of the
  time.
• eliza I am sorry to hear you are depressed.
• young woman It's true. I'm unhappy.
• eliza Do you think coming here will help you
  not to be unhappy?
• young woman I need some help, that much seems
  certain.
• eliza What would it mean to you if you got some
  help?
• young woman Perhaps I could learn to get along
  with my mother.
• eliza Tell me more about your family.
• young woman My mother takes care of me.
• eliza Who else in your family takes care of
  you?
• young woman My father.
• eliza Your father.

26
Une histoire en train de sécrire1966-1973 Une
dose de réalisme

• 1957, Simon Un ordinateur vaincra l'humain aux
  échecs d'ici 10 ans
• il fallut plutôt 40 ans (1997 Deep Blue vs.
  Kasparov)
• Expérimentations en "évolution des machines"
  (algorithmes génétiques) solution par
  recombinaison
• Écueils
• explosion combinatoire.
• insuffisant tester les multiples combinaisons
  syntaxiques
• Les succès à petite échelle (sur micromondes) ne
  peuvent simplement grossir et affronter le "vrai"
  monde et sa complexité (explosion combinatoire)
• Leçon il faut une connaissance du monde.
• 1969, Minsky Papert livre Perceptron Les RN
  sont super-bons pour faire presque rien (trop
  faible capacité de représentation)
• 1973 Rapport Lighthill IA ne mérite pas des
  fonds de recherche

27
Une histoire en train de sécrire1969-1979
Systèmes à base de connaissances

• Les années 70 et 80 virent un véritable
  engouement pour les systèmes experts
• DENDRAL
• Le premier système à base de connaissances une
  vaste collection de règles spécifiques
• a mené au projet Heuristic Programming Project
• pour confronter l'idée de systèmes experts à des
  domaines autres que les molécules.
• MYCIN (infections sanguines) 450 règles dans une
  domaine où n'existait aucun modèle théorique
  général
• La nouveauté interviews pour extraire le savoir
  implicite.

28
Lère des  systèmes experts 

• Les années 70 et 80 virent un véritable
  engouement pour les systèmes experts
• DENDRAL (en chimie)
• MYCIN (en médecine)
• Hersay II (en compréhension de la parole)
• Prospector (en géologie emplacement et contenu
  probables d'un dépôt)
• Générateurs de systèmes experts
• GURU
• CLIPS

29
MYCIN (1976)

• Heuristiques pistes pour orienter vers la
  solution, et élaguer les candidats peu
  intéressants.

30
Systèmes expertsLeurs limites (source
http//www.cs.unm.edu/7Eluger/ai-final/chapter1.h
tml)

• Il est difficile d'y transférer
• les connaissances du quotidien (common sense)
• Par exemple, MYCIN, poursuivant son diagnostic,
  posa la question au sujet d'un patient Le
  patient porte-il un bébé?, même s'il savait déjà
  que le patient était un homme
• les connaissances fondamentales sous-jacentes
• MYCIN, par exemple, n'incorpore ni le rôle du
  sang, ni la fonction de la colonne vertébrale
  dans ses raisonnements diagnostiques.
• Ils ne s'appuient pas sur des connaissances
  premières (fondamentales)
• auxquelles ils pourraient retourner en cas de
  cul-de-sac, afin d'ouvrir de nouvelles avenues de
  recherche.
• Ne peuvent fournir une explication fondamentale.
  Les experts fournissent habituellement les étapes
  de leur diagnostic, sans nécessairement pouvoir
  fournir la raison profonde justifiant la justesse
  de ce diagnotic.
• Les systèmes experts sont souvent dénués d'une
  capacité d'apprendre
• Ils opèrent à partir d'un savoir reçu et
  statique.

31
heuristiques

• Heuristiques pistes pour orienter vers la
  solution, et élaguer les candidats peu
  intéressants.
• Ne garantit pas une solution, mais réduit le
  nombre de solutions potentielles à examiner.
• Herbert Simon
• if you take a heuristic conclusion as certain,
  you may be fooled and disappointed but if you
  neglect heuristic conclusions altogether you will
  make no progress at all.
• The use of heuristic programming by Dendral
  allowed it to replicate the human problem solving
  behavior in machines, and designated itself as
  the first expert system.

32
Une histoire en train de sécrire1986-aujourd'hu
i réseaux neuronaux. Le retour

• Des domaines autres que l'IA ont continué
  d'explorer les réseaux neuronaux
• En physique John Hopfield (1982)
• propriétés des réseaux (d'atomes) pour
  l'enregistrement et l'optimisation
• Psychologie Rumelhart
• r.n. comme modèles de la mémoire
• 1986 rétro-propagation gros succès
• La tendance actuelle il n'y a pas un seul
  paradigme vers le succès.

33
Une histoire en train de sécrire2000-aujourd'hu
i Les problèmes concrets sont grands 

• Besoin de nouvelles méthodes et techniques pour
• la vérification, lestimation, le diagnostic,
  lextraction des connaissances etc.
• Émergence de la nouvelle IA
• Fouille de Données, Intégration de Données,
  Traitement de Corpus,
• Interaction Homme-Machine, Systèmes Multi-Agents
  et Distribués

Systèmes Tutoriels Intelligents (STI)
34
Langages de programmation pour lIA ?

• LISP (origine américaine)
• PROLOG (France ! Alain Colmerauer
  (http//alain.colmerauer.free.fr/))
• SmallTalk (Langage objet)
• Les langages de Frame
• YAFOOL (Yet Another Frame based Object Oriented
  Language)
• KL-ONE (Knowledge Language)
• Langage de logique de description

35
Dautres grandes réalisations

• Aujourd'hui quelques industries (automobile,
  électronique) sont très robotisées et on trouve
  de plus en plus de robots domestiques
• Des robots ont exploré Mars
• Des robots humanoïdes sont opérationnels et
  disponibles à la location

36
DEEP BLUE
Saying Deep Blue doesnt really think about chess
is like saying an airplane doesnt really fly
because it doesnt flap its wings. Drew
McDermott
I could feel I could smell a new kind of
intelligence across the table -Gary Kasparov

37
Guide-Robot pour musée
Minerva, 1998
Rhino, 1997
Parle, sapproche des visiteurs, Senseurs
(cameras, ultrason) pour la perception de son
env. Avant de décider de ces actions. Chante
lorsquelle est contente Se frustre lorsquelle
est bloquée!
38
RoboCup, une compétition annuelle de soccer pour
robots !
39
Reconnaissance de la parole
40
Débuté Janvier 1996 Lancée Octobre 1998
A rencontré la comète Borrelly et retourné les
images de cette dernière quelques données
scientifiques.
41
Quelques expressions du robot Kismet (expression
facial)
42
Pour voir plus de robots

• http//www.robopolis.com/

43
Les grandes questions de lIA

• Représenter, acquérir des connaissances
• Algorithmes généraux de résolution de problème
• Intelligence artificielle  collective 
• Formaliser, mécaniser types de raisonnement
• Evaluer des situations, décider, planifier
• Raisonner sur le temps et lespace
• Résumer, apprendre, découvrir
• Langue et IA
• Indexation et IA
• Réalité virtuelle et IA

44
Nouvelles questions de lIA

• Sadapter à des situations changeantes
• Assister lapprentissage humain !
• Gérer des dialogues entre agents hétérogènes
• Voir la cognition comme une émergence dans
  linteraction avec lenvironnement
• Concevoir une nouvelle génération de systèmes
  informatiques
• Imaginer des systèmes qui sont conçus dans la
  continuité sur la base des usages
• Cognition située, distribuée, émergente

45
Multiples facettes de lIA

• Facette des mathématiques
• formalisation du raisonnement mathématique
  (logique)
• Contribution à de nouveaux champs (logiques
  modales -gt logique possibiliste)
• Facette informatique
• Nouveau  paradigmes  de programmation
• Programmation logique
• Programmation objet
• Programmation fonctionnelle
• Nouvelles façons de voir les systèmes
  dinformation
• Gestion de la connaissance
• Indexation WEB (semantic web)
• Description des documents numériques
• Applications nombreuses
• Aide à la décision
• Aide au diagnostic
• Aide à la planification
• Aide au traitement automatique de la langue
• Aide à la conception

46
Multiples facettes de lIA

• Sciences de la cognition et IA
• Cest le même projet au départ
• Vision symbolique (la pensée est un calcul sur
  des symboles avec processeur et mémoires)
• Vision sub-symbolique (la vision symbolique
  fonctionne mais est virtuelle, les mécanismes
  sont biologiques mais produisent le même effet au
  niveau macroscopique) Réseaux neuronaux,
  automates cellulaires.
• Vision  sociale  la connaissance émerge de
  comportements distribués dans un environnement
  (approche multiagents). Réseaux neuronaux
  dynamiques, colonies dinsectes, etc.

47
Alors, que faut-il apprendre ?

• Les bases de lIA sont les bases historiques
• Modèle symbolique
• Raisonnement logique
• Résolution automatique de problèmes
• Programmation logique
• Alors nous allons commencer par

48
Introduction à la notion dagent

• Comment formaliser le problème de construction
  dun agent ?
• Dichotomie entre la notion dagent et de son
  environnement
• Plus simple à traiter
• Un agent est une entité qui perçoit et agit
• Un agent est une fonction dune perception (ou
  séquence de percepts) à des actions

49
Agent

• Percept unité élémentaire de perception (via
  des capteurs)
• A un ensemble dactions (via des effecteurs)
• Lagent possède une fonction f Pgt A
• Agent architecture programme (implantation de
  f )

50
Exemples dagents

• Agent humain
• C yeux, oreilles, nez, etc.
• E Mains, jambe, bouche, autres parties du corps
• Agent robot
• C cameras and capteurs infrarouges
• E moteurs comme effecteurs
• Agent logiciel
• C Saisies de données, lecture d'un fichier,
  paquets réseau reçus comme des capteurs
• E Affichage à l'écran, écriture de fichiers,
  paquets envoyés sur le réseau

51
Environnement de lagent aspirateur

• 2 localisations A et B
• Perceptions localisation et contenu,
  exADirty
• Actions Left, Right, Suck, NoOp
• Une fonction possible
• Si la localisation courante est sale, alors
  aspirer, sinon aller à lautre localisation

52
Concept de rationalité

• Un agent est rationnel sil effectue toujours
  laction appropriée étant donnée sa perception
  et ses actions possibles.
• Quest-ce quune action appropriée?
• Définie par une mesure de performance.
• La rationalité de lagent dépend de 4 facteurs
• La mesure de performance
• Un agent est rationnel si pour toute séquence de
  percepts, il sélectionne laction qui maximise la
  mesure de performance rationnel réussi
• La clairvoyance
• Entretien une séquence percepts rationnel
  clairvoyant
• Lomniscience
• Sait tout sur son environnement rationnel
  omniscient ?
• Les actions possibles
• Ce que lagent sait faire rationnel capacité
  daction pertinente
• Cela peut impliquer que dispose des capacités d
  
• exploration, apprentissage, autonomie

53
Aspirateur exemple dagent rationnel

• Lagent aspirateur est rationnel si
• La mesure de performance accorde un point par
  case nettoyée
• Lenvironnement de lagent est connu mais pas
  lemplacement initial de lagent ni la
  distribution de la poussière
• Lagent perçoit correctement la case où il se
  trouve et sa propreté (ou pas)
• Actions Droite, Gauche, Aspirer, NRF

54
Aspirateur  ex dagent non rationnel

• Lagent aspirateur nest pas rationnel si
• Sil continue des déplacements dans un
  environnement propre (actions non optimale)
• Sil a une pénalité pour chaque déplacement un
  agent rationnel devrait minimiser les
  déplacements dans ce cas!
• Si lenvironnement peut changer un agent
  rationnel devrait le vérifier périodiquement
  (révision des croyances)
• Si lenvironnement est inconnu un agent
  rationnel devrait lexplorer.

55
Exemple de situation rationnelle

• Situation se munir dun parapluie
• Est-ce rationnel ?
• Cela dépend de la météo, et de ma connaissance de
  la météo.
• Si jai entendu le bulletin météo, que je le
  crois et que je pense quil va pleuvoir, alors il
  est rationnel de se munir dun parapluie.
• Une action est considérée comme rationnelle si
  elle conduit à bien faire ce que lagent essaie
  de faire!
• Cela nindique pas par exemple que ce que lagent
  essaie de faire est intelligent ou stupide.

56
Agent rationnel et environnement

• Pour modéliser un agent rationnel, on doit
  spécifier lenvironnement où doit se dérouler la
  tâche de lagent
• Lenvironnement représente le problème à résoudre
• Lagent représente la solution
• On doit définir les propriétés de cet
  environnement

57
Environnement dune tâche

• PEAS (Performance, Environment, Actuators,
  Sensors)
• Définir la mesure de performance
• Notion de compromis en cas de conflits dans les
  objectifs à atteindre
• Définir lenvironnement
• Définir les capteurs
• Définir les effecteurs

58
Ex Un agent taxi automatique

• Mesure de performance?
• Sécurité, arrivée à destination, minimisation du
  temps, maximisation du profit, minimisation de
  la consommation de carburant, légalité,
  maximisation du confort des passagers.
• Environnement?
• rues/autoroutes, trafic, piétons, météo
• Effecteurs?
• Contrôle de la direction, accélérateur, freins,
  klaxon, boite de vitesse,..
• Capteurs?
• Cameras Vidéo, accéléromètres, jauges, capteurs
  du moteur, clavier, GPS,

59
Ex Agent de shopping sur internet

• Mesure de performance?
• prix, qualité, pertinence, efficacité
• Environnement?
• Sites web, vendeurs, expéditeurs
• Actuateurs?
• Afficher à l'utilisateur, ouvrir lURL, remplir
  le formulaire
• Capteurs?
• pages HTML (textes, graphiques, scripts)

60
Propriétés de lenvironnement

• Entièrement observable(vs. Partiellement
  observable)
• Déterministe (vs. Non-Déterministe ou
  stochastique)
• Episodique (vs séquentiel)
• Statique (vs. Dynamique)
• Discret (vs. Continu)
• Mono-agent vs multi-agent

61
Entièrement observable(vs. Partiellement
observable)

• Peut-on voir l état du monde directement?
• Entièrement observable (vs. partiellement
  observable) lagent a accès en tout temps à
  toute linformation pertinente sur
  lenvironnement (on parle aussi détat)
• Taxi automatique Partiellement accessible
• Echecs accessible

62
Déterministe (vs. Non-Déterministe ou
stochastique)

• Est-ce quune action conduit dun état à un seul
  autre état ?
• Ex un agent qui conduit sur une route évolue
  dans un environnement stochastique (aléatoire)
• Environnement déterministe échecs

63
Episodique (vs. Non-épisodique ou séquentiel)

• Dans les environnements épisodiques,
  lexpérience de lagent est divisée en épisodes
  atomiques
• Chaque épisode consiste en une perception de
  lagent et une action en réponse à cette
  perception
• Le choix de laction dans chaque épisode dépend
  seulement de lépisode lui-même.
• Exemple Tâche de classification
• Dans les environnements séquentiels, la décision
  courante peut affecter les décisions futures
• Exemples Echecs et taxi automatique

64
Statique (vs. Dynamique)

• Est-ce que le monde peut changer pendant la
  délibération de lagent ?
• Environnement statique mots-croisés
• Environnement dynamique taxi automatique
• Lorsque lenvironnement ne change pas mais que la
  performance de lagent change au fur et à mesure
  que le temps sécoule, on parle denvironnement
  semi-dynamique
• Ex échecs chronométrés

65
Discret (vs. Continu)

• Est-ce que les perceptions et les actions sont
  discrètes (comme des entiers) ou continues (comme
  les nombres réels)?
• un nombre fini de perceptions et dactions
  différentes?
• Exemple Les échecs ont un nombre fini détats
  discrets et disposent dun ensemble discret de
  perceptions et dactions
• Le taxi automatique possède des états et des
  actions continus.

66
Mono-agent vs Multi-agent

• Environnement mono-agent
• Environnement multi-agent concurrentiel les
  échecs
• Environnement multi-agent partiellement
  coopératif évitement de collisions par
  différents taxis automatiques
• Environnement multi-agent partiellement
  concurrentiel trouver un stationnement
• Communication entre les agents
• Comportement stochastique souvent nécessaire!

67
Types denvironnement
Le type denvironnement détermine largement la
modélisation de lagent Le monde réel est
partiellement observable, non déterministe,
séquentiel, dynamique, continu, multi-agent
68
Structures dagents

• 4 types de base
• Les agents réflexes simples
• Les agents réflexes fondés sur des modèles
• Les agents fondés sur les buts
• Les agents fondés sur lutilité
• Agents évolués les agents capables
  dapprentissage

69
Les agents réflexes simples
Sélectionner des actions en fonction de la
perception courante et sans tenir compte de
lhistorique des perceptions
Règles condition-action
70
Implantation dun agent reflexe aspirateur
71
Inconvénients des agents reflexes

• Les agents reflexes sont simples, mais leur
  intelligence est très limitée!
• Lagent ne peut fonctionner que si une décision
  correcte peut être prise en fonction de la
  perception courante.
• Lenvironnement doit être complètement observable
• Pb des boucles infinies souvent rencontrées, on
  peut tenter dy remédier par un mécanisme de
  randomisation

72
Les agents réflexes fondés sur des modèles

• Lagent doit connaître son environnement (ex
  mémorisation de la topologie de lenvironnement)
• Lagent doit maintenir un état interne qui dépend
  de lhistorique des perceptions
• La mise à jour de cet état interne nécessite deux
  types de connaissances à encoder dans lagent
• Une information sur la manière dont le monde
  évolue indépendamment de lagent
• Une information sur la manière dont les actions
  de lagent affectent lenvironnement

73
Agent possédant un modèle
74
Les agents fondés sur les buts

• Connaitre létat courant de lenvironnement nest
  pas toujours suffisant pour décider de laction à
  accomplir (ex. décision à une jonction de route)
• Lagent a besoin dune information sur le but qui
  décrit les situations désirables
• Lagent peut alors combiner cette information
  avec linformation sur les résultats des actions
  possibles afin de choisir laction qui satisfait
  le but
• Un tel agent nécessite des capacités de recherche
  et de planification

75
Les agents fondés sur les buts
76
Comparaison

• Les agents basés sur les buts sont flexibles car
  la connaissance qui supporte leurs décisions est
  représentée explicitement et peut être modifiée
• Pour lagent reflexe, les règles condition-action
  doivent être modifiées et réécrites dans toute
  nouvelle situation
• Il est facile de modifier le comportement dun
  agent basé sur les buts

77
Les agents fondés sur lutilité

• Les buts seuls ne sont pas suffisants pour
  générer un comportement intéressant dans beaucoup
  denvironnements. Ils permettent seulement de
  faire une distinction binaire entre les états
   satisfait  et  non satisfait 
• Une mesure de performance plus générale doit
  permettre une comparaison entre les différents
  états du monde en fonction de la satisfaction
  exacte de lagent sils sont atteints.
• Une fonction dutilité associe un nombre réel à
  un état. Ce nombre décrit le degré de
  satisfaction associé à létat.

78
Les agents fondés sur lutilité
79
Les agents capables dapprentissage

• Turing Plutôt que de programmer des machines
  intelligentes à la main, ce qui nest pas
  vraiment réalisable, il faut construire des
  agents apprenants et les instruire de la tache à
  accomplir
• Lapprentissage permet à lagent dopérer dans
  des environnements inconnus et de devenir plus
  compétents quinitialement.

80
En résumé

• Les agents interagissent avec leur environnement
  à travers des effecteurs et des capteurs
• La fonction de lagent décrit ce que lagent fait
  dans toute circonstance
• La mesure de performance évalue le comportement
  de lagent dans son environnement
• Un agent parfaitement rationnel maximise la
  performance attendue

81
Exemple darchitecture dagent agent BDI
(Définition)

• Basée sur le modèle BDI (Croyance-Désir
  Intention)
• BDI Belief, Desire and Intention
• Croyances
• informations que l'agent possède sur
  l'environnement et sur d'autres agents qui
  existent dans le même environnement.
• Les croyances peuvent être incorrectes,
  incomplètes ou incertaines et sont donc
  différentes des connaissances de l'agent, qui
  sont des informations toujours vraies.
• Les croyances peuvent changer au fur et à mesure
  que l'agent, par sa capacité de perception ou par
  l'interaction avec d'autres agents, recueille
  plus d'information.

82
Agent BDI (Définition)

• BDI (suite)
• Les désirs
• représentent les états de l'environnement, et
  parfois de lui-même, que l'agent aimerait voir
  réalisés.
• Un agent peut avoir des désirs contradictoires 
  dans ce cas, il doit choisir parmi ses désirs un
  sous-ensemble qui soit consistant.
• Les intentions
• sont les désirs que l'agent a décidé d'accomplir
  ou les actions qu'il a décidé de faire pour
  accomplir ses désirs.
• Même si tous les désirs d'un agent sont
  consistants, l'agent peut ne pas être capable de
  les accomplir tous.

83
Architecture BDI (Fondement)

• La théorie de laction rationnelle (proposée par
  Michael Bratman) est à la base du modèle BDI.
• Cette théorie sinspire sur la façon dont les
  gens raisonnent dans la vie de tous les jours, en
  décidant, à chaque moment, ce qu'ils ont à faire.
  
• Cette théorie montre que les intentions jouent un
  rôle fondamental dans le raisonnement pratique,
  car elles limitent les choix possibles qu'un
  humain (ou un agent artificiel) peut faire à un
  certain moment.
• Illustration
• L'agent Pierre a la croyance que, si quelqu'un
  passe son temps à étudier, cette personne peut
  faire une thèse de doctorat. En plus, Pierre a le
  désir de voyager beaucoup, de faire une thèse de
  doctorat et d'obtenir un poste d'assistant à
  l'université. Le désir de voyager beaucoup n'est
  pas consistant avec les deux autres et Pierre,
  après réflexion, décide de choisir, parmi ces
  désirs inconsistants, les deux derniers. Comme il
  se rend compte qu'il ne peut pas réaliser ses
  deux désirs à la fois, il décide de faire d'abord
  une thèse de doctorat. En ce moment Pierre a
  l'intention de faire une thèse et, normalement,
  il va utiliser tous ses moyens pour y parvenir.
  Il serait irrationnel de la part de Pierre, une
  fois sa décision prise, d'utiliser son temps et
  son énergie, notamment ses moyens, pour voyager
  autour du monde. En fixant ces intentions, Pierre
  a moins de choix à considérer car il a renoncé à
  faire le tour des agences de voyage pour trouver
  l'offre de voyage qui le satisferait au mieux.

84
Architecture BDI (Composantes)
revc B x P -gtB est la fonction de révision des
croyances de l'agent lorsqu'il reçoit de
nouvelles perceptions sur l'environnement, où P
représente l'ensemble des perceptions de
l'agent  elle est réalisée par la composante
Révision des croyances  options D x I-gtI est
la fonction qui représente le processus de
décision de l'agent prenant en compte ses désirs
et ses intentions courantes  cette fonction est
réalisée par la composante Processus de
décision  des B x D x I-gtD est la fonction
qui peut changer les désirs d'un agent si ses
croyances ou intentions changent, pour maintenir
la consistance des désirs de l'agent (on suppose
dans notre modèle que l'agent a toujours des
désirs consistants)  cette fonction est
également réalisée par la composante Processus de
décision  filtre B x D x I-gtI est la
fonction la plus importante car elle décide des
intentions à poursuivre  elle est réalisée par
la composante Filtre plan B x I-gt PE est la
fonction qui transforme les plans partiels en
plans exécutables, PE étant l'ensemble de ces
plans  elle peut utiliser, par exemple, une
bibliothèque de plans (LibP).
85
Architecture BDI (Algorithme de contrôle)

• Reprenons l'exemple de Pierre introduit plus
  haut. Si Pierre a décidé que son intention est de
  faire une thèse de doctorat, il s'est alors
  obligé à cette intention. Pierre commence à
  travailler et faire sa recherche. Entre temps, il
  découvre qu'il n'aime pas trop travailler et
  qu'il préfère passer son temps avec ses amis dans
  les bistros. Pierre se rend compte que son
  intention est impossible à accomplir, ce qui le
  conduit à abandonner son intention de faire une
  thèse. Dans un autre cas, comme Pierre veut aussi
  gagner un peu d'argent, il prend un job dans une
  compagnie. Comme il est très éloquent et
  persuasif, on lui offre un poste dans la
  compagnie qui lui demande de voyager beaucoup
  pour représenter les intérêts de la compagnie.
  Pierre constate alors qu'une autre de ses
  intentions devient opportune, il abandonne son
  engagement de faire une thèse et accepte le poste
  qu'on lui a offert.

• Soient B0, D0 et I0 les croyances, désirs et
  intentions initiales de l'agent.
• Algorithme de contrôle d'agent BDI (par
  Woodridge)
• 1      B B02      D D03      I I04     
  répéter            4.1    obtenir nouvelles
  perceptions p            4.2    B revc(B,
  p)            4.3    I options(D,
  I)            4.4    D des(B, D
  ,I)            4.5    I filtre(B, D,
  I)            4.6    PE plan(B, I)           
  4.7    exécuter(PE)        jusqu'à ce que
  l'agent soit arrêtéfin

La question est Combien de temps lagent
reste-t-il obligé par une intention ?
86
Architecture BDI (Algorithme de contrôle et
stratégies dobligation)

• 3 principales stratégies d'obligation 
• Obligation aveugle (ou obligation fanatique). Un
  agent suivant cette stratégie va maintenir ses
  intentions jusqu'à ce qu'elles soient réalisées,
  plus précisément jusqu'à ce qu'il croie qu'elle
  sont réalisées.
• Pas bone pas efficace l'environnement change
  entre le moment où l'agent a choisi (filtré) ses
  intentions, et le moment où ces intentions
  doivent être accomplies.
• Obligation limitée. L'agent va maintenir ses
  intentions, ou bien jusqu'à ce qu'elles soient
  réalisées, ou bien jusqu'à ce qu'il croie
  qu'elles ne sont plus réalisables.
• Obligation ouverte. Lagent maintient ses
  intentions tant que ces intentions sont aussi ses
  désirs. Cela implique aussi que, une fois que
  l'agent a conclu que ses intentions ne sont plus
  réalisables, il ne les considère plus parmi ses
  désirs.

87
Arch. BDI (Algo de contrôle et stratégies
dobligation)
Algorithme de contrôle d'agent BDI avec
obligation ouverte 1      B B02      D
D03      I I04      répéter           
4.1    obtenir nouvelles perceptions
p            4.2    B revc(B, p)           
4.3    I options(D, I)            4.4    D
des(B, D ,I)            4.5    I filtre(B, D,
I)            4.6    PE plan(B, I)           
4.7 tant que (PEltgt et nonaccompli(I, B)
et possible(I, B))
répéter                     - x première(PE) 
exécuter(x)  - PE reste(PE)            
         - obtenir nouvelles perceptions
p                     - B revc(B,
p)                     - D des(B, D
,I)                     - I filtre(B, D,
I)                     - PE plan(B,
I)            fin tant que        jusqu'à ce
que l'agent soit arrêtéfin

• Algorithme de contrôle d'agent BDI avec
  obligation limitée
• 1      B B02      D D03      I I04     
  répéter            4.1    obtenir nouvelles
  perceptions p            4.2    B revc(B,
  p)            4.3    I options(D,
  I)            4.4    D des(B, D
  ,I)            4.5    I filtre(B, D,
  I)            4.6    PE plan(B, I)           
  4.7 tant que (PEltgt et nonaccompli(I, B) et
  possible(I, B)) répéter                     - x
  première(PE)  exécuter(x)  PE
  reste(PE)                     - obtenir
  nouvelles perceptions p                     - B
  revc(B, p)            fin tant que       
  jusqu'à ce que l'agent soit arrêtéfin

possible(I, B) est la fonction qui vérifie si,
après avoir obtenu la perception p sur
l'environnement et révisé ses croyances, les
intentions choisies sont encore réalisables 
nonaccompli(I, B) est la fonction qui vérifie
si, par hasard, les intentions de l'agent sont
déjà accomplies avant même que l'exécution de son
plan soit terminée.
88
BDI et architecture dagents réatifs

• Une excellente architecture pour agent
  intelligent ou cognitif intégrant une grande
  capacité à raisonner.
• Toutefois, les agents réactifs peuvent aussi
  donnés des résultants intéressants même dans des
  tâches complexes (Ex Exploration de Mars)
  pouvant nécessité lintelligence.
• Lintelligence dans ces agents réactifs nen est
  pas une au sens IA du terme, mais une qui émerge
  de linteraction entre les composants simples ou
  entres les agents réactifs dans lenvironnement.
• Nécessité davoir des architectures hybride
  combinant les vertus de la réactivité et du
  raisonnement.
• Cest le cas de larchitecture InteRRaP
  (("Integration of Reactive Behavior and Rational
  Planning" Intégration du comportement réactif
  et planification rationnelle).

89
En résumé

• Les programmes dagent implantent des fonctions
• Les environnements sont catégorisés selon de
  multiples dimensions
• observable? déterministe? épisodique? statique?
  discret? multi-agent?
• Plusieurs architectures de base reflexes,
  reflexes avec modèle, basée sur les buts, basée
  sur la notion dutilité
• Agent évolué agent capable dapprentissage