Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation des connaissanceset Web semantique
IntroductionMaster SDL – Universite d’Orleans
https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/
Thierry [email protected]
LIMSI-CNRS &Institut Galilee - Universite Paris 13
Septembre – decembre 2019
1/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Ma recherche
Maıtre de conferences en Informatique a Paris 13
Recherche au Laboratoire d’Informatique et de Mecanisquepour les Sciences de l’Ingenieur (LIMSI – Orsay)
Domaine : Traitement Automatique des Langues
applique aux domaines de specialite (electricite, medecine,risque chimique, etc.)sur des textes en francais, anglais, ukrainien, arabe
Proposition d’approches pour
Constitution et enrichissement de ressources terminologiquesArticulation d’outils de TALExtraction et recherche d’information
Type de donnees textuelles : bases bibliographiques,documents techniques, dossiers patients, articles scientifiques,forums de discussion, etc.
Developpement d’outils en Perl (modules CPAN)2/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Ma recherche
Constitution et enrichissement de ressources terminologiques
Exploration de corpus textuelsExtraction de termes : YATEA
[Aubin et Hamon 2006, Hamon et al. 2014, Neifar et al. 2016,
Hamon et Grabar 2016]
Acquisition de relations semantiques : SynoTerm[Hamon 2000, Grabar et al. 2008, Hamon et Grabar 2009]
Application : Identification automatique de mots-cles d’articles[Hamon 2012, Hamon 2016]
Articulation d’outils de TAL [Hamon et al. 2007]
Definition d’une plate-forme modulaire combinant des outilsde TAL pour annoter des documents avec des informationslinguistiques
3/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Ma recherche
Extraction et recherche d’information
Fouille de dossiers patients (en anglais) :Identification des maladies, des medicaments et des traitementsmais aussi des relations entre eux et de leur niveau de certitude
[Grabar et Hamon 2009, Hamon et al. 2010, Prinet et al. 2011]
Fouille de donnees bibliographiques :Collecte des facteurs de risque associes aux maladies
[Hamon et al. 2010]
Collecte ciblee de documents sur le Web [Gollub et al. 2007]
Integration d’informations linguistiques dans le moteur derecherche de l’intranet [Grabar et al. 2009]
Fouille de forums de discussion [Hamon et Gagnayre 2013]
Identifier des competences requises par des programmesd’education therapeutiqueProfilage des internautes (identification des informationsdemographiques – en cours)
4/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Organisation des enseignements
9 seances
Alternance de cours et de TD ou de TPTravail en binome
Pendant la plupart des seances : presentation d’articlesscientifiques en lien avec la representation des connaissances
Presentation de 15 minutes en binome5/10 minutes de questions (par tout le monde)Nombre de presentations en fonction du nombre de binomes
Evaluation
Presentation d’articles et questions poseesProjet final
5/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
Intelligence Artificielle et representation des connaissances ?
IA : raisonnement, inference (+ apprentissage, ...)Besoin de connaissances sur le monde dans lequel le systemeintervientInference : formalisation de connaissancesBesoin de representer les connaissances pour qu’un systemepuisse les utiliser
Web semantique et representation des connaissances
WS : Formalisation de connaissances disponibles sur le WebRepresentation des connaissances sous forme d’entites XML
6/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IntroductionRepresentation des connaissances, Web semantique et...
Traitement Automatique des Langues ?
Textes : Contiennent la plupart des connaissances produitesAcceder a ces connaissances : besoin d’analyser les textesConnaissances existantes : guide pour l’analyse de textes
Communication ?
Representations mentales des connaissances de l’emeteur et durecepteurInteraction : besoin de connaissances communes, d’inferenceOrganisation des connaissances
Didactique ?
Transmettre des connaissances : besoin de bien les representerRepresentation des connaissances : outil pour conceptualiserSupports pedagogiques numeriques : besoin d’uneformalisation des connaissances
7/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissance
Donnees, information, connaissance
5
5 ans
l’enfant est age de 5 ans
A 5 ans (en grande section), tout trouble specifique de
parole ou de langage oral doit amener a un bilan
orthophonique qui evaluera les differentes competences (...)
(Blanc&Touzin, 2014)
8/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation des connaissances
Magritte, La Trahison des Images”It’s a key.””No. Much more better...It is adrawing of a key.”
Approximation de l’entite qu’on souhaite representer, en fonctionde son utilisation
9/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Modelisation des connaissances
Recensement et
Structuration des connaissances
dans une representation schematique
pour les rendre visibles, manipulables, comprehensibles,communicables
(Paquette, 2002a)On obtient un modele de connaissances
10/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Pourquoi faire ?
Realisation d’inferences dans un systeme � intelligent �
La representation et la modelisation des connaissances sont aucœur de l’Intelligence Artificielle
Definition de systeme de gestion des connaissances enentreprise
Realisation de supports pedagogiques ou de materieldidactique (MOOC)
Clarification du domaineStructuration des connaissances abordeesIdentification des liens entre les connaissances
Representation du modele mental relatif aux connaissancesd’un domaine
(Basque&Pudelko, 2004)
11/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Gestion des connaissances en entreprise
Maıtrise de la collecte des informations
Circulation maıtrisee des connaissances
Integration des outils en place
Memoire et transfert d’expertise
Reperage des connaissances cruciales
Preservation des connaissances
Valorisation des connaissances
Actualisation des connaissances
12/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Trois axes de la gestion des connaissances en entreprise
(Wikipedia)Veille et acquisition
Cohesion des connaissances
Partage des connaissances et de l’information
13/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Plan
Introduction
Intelligence Artificielle (IA)
Historique de l’IADefinitions
Notions importantes
InferenceCodage des informationsConnaissances
Modeles de representation de connaissance
Systemes fondes sur la logiqueReseaux semantiquesLes objets structures : schemas et scripts
14/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
L’Intelligence Artificielle
15/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Qu’est ce que l’IA concretement ?
Rechercher
Analyser, resoudre des problemes, trouver des methodes deresolution
Representer des connaissances
logique, regles, memoire, cas, langue naturelle, etc.
Mettre en application les idees 1) et 2)
Systemes Experts, Pilotes automatiques,Planification, Data Mining,Agents d’interfaces, fouille de texte, systeme de dialogueRobots, avatars, chatbots, etc.
On est loin du transparent precedent !
16/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Qu’est ce que l’IA concretement ?
Rechercher
Analyser, resoudre des problemes, trouver des methodes deresolution
Representer des connaissances
logique, regles, memoire, cas, langue naturelle, etc.
Mettre en application les idees 1) et 2)
Systemes Experts, Pilotes automatiques,Planification, Data Mining,Agents d’interfaces, fouille de texte, systeme de dialogueRobots, avatars, chatbots, etc.
On est loin du transparent precedent !
16/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Historique
17/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
L’Intelligence Artificielle (IA)
La naissance de l’IA est liee indirectement aux trois facteurs
le probleme de la decidabilite, auquel s’associe celui de lacalculabilitel’amelioration des capacites industrielles et des decisionseconomiquesla seconde guerre mondiale et la guerre froide
18/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Decidabilite : definition
l’existence d’une procedure generale permettant d’attribuer lavaleur � vrai � ou � faux � a toute proposition logique
ce processus est appele � algorithme �
Un algorithme resout un probleme de decision lorsque
1 il prend en entree les parametres du probleme
2 il determine si l’enonce est vrai ou faux pour ces parametres
Exemple :
determiner si un entier naturel quelconque est premier est unprobleme de decision. Ce probleme est decidable : il existe unalgorithme (un calcul, un programme) qui le resout.
19/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Decidabilite : probleme
Certains problemes sont indecidables c’est-a-dire qu’il n’existe pasd’algorithme ou de programme qui les resolve.Il est important de savoir si un probleme est decidable avant dechercher a le resoudre.
De nombreux problemes sont indecidables.
Le plus fameux d’entre eux est le probleme de l’arret : etrecapable de determiner, pour tout programme informatique, s’ils’arretera de lui-meme ou continuera son executioneternellement.
20/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
L’indecidabilite de l’arret
Un programme prend un entier en entree et s’arrete (1) ou boucleeternellement (0).
On suppose qu’il existe un programme h(p, q)
qui renvoie 1 si le programme p s’arrete sur la donnee qrenvoie 0 sinon
On construit un programme d(x) qui
s’arrete si h(x , x) vaut 0boucle indefiniment sinon.
On montre par l’absurde que h(p, q) n’existe pas :d(d) boucle indefiniment si et seulement si h(d , d) vaut 1, si etseulement si d(d) s’arrete.
(Turing, 1936)
21/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
L’indecidabilite de l’arret
Un programme prend un entier en entree et s’arrete (1) ou boucleeternellement (0).
On suppose qu’il existe un programme h(p, q)
qui renvoie 1 si le programme p s’arrete sur la donnee qrenvoie 0 sinon
On construit un programme d(x) qui
s’arrete si h(x , x) vaut 0boucle indefiniment sinon.
On montre par l’absurde que h(p, q) n’existe pas :d(d) boucle indefiniment si et seulement si h(d , d) vaut 1, si etseulement si d(d) s’arrete.
(Turing, 1936)
21/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Decidabilite : probleme
Kurt Godel (1931) : theoreme d’incompletude
dans tout systeme axiomatique il existe inevitablement despropositions pour lesquelles ce meme systeme est incapable dedemontrer si elles sont vraies ou faussesainsi quel que soit la puissance d’un langage de formalisation,il existera toujours dans l’Univers des faits qu’il ne pourra pasdemontrer
22/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Decidabilite : solution (calculabilite)
Alain Turing (1936) : notion de calculabilite
s’il est possible de calculer le resultat d’une fonction danstoutes les circonstances, alors la question associee a cettefonction est decidableMachine � de Turing � : pour toute fonction, on y trouve unemachine qui, a la fin de son calcul, fournit le resultat de cettefonction
23/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Decidabilite : solution (calculabilite)
Calculabilite d’une fonction
il existe une procedure determinee permettant de calculer savaleur en un nombre fini d’etapes quels que soient sesarguments
Decidabilite d’une fonction
il existe une procedure determinee (ou demonstration)permettant de resoudre cette question en un nombre finid’etapes
24/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La machine de Turing
Turing a demontre
l’existence de machines qui pouvaient ne jamais s’arreter decalculer� machine universelle � :
Turing a montre ensuite que, parmi les machines de Turing, ilexiste une pouvant simuler toutes les autreselle constitue le modele theorique des ordinateurs, premieretape sur le chemin de l’IA
25/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La machine de Turing
Un probleme ne pouvant pas etre resolu par une machine deTuring ne peut pas l’etre par l’esprit humain
Le principe de l’IA :toute forme de pensee humaine susceptible d’etre exprimeedans un langage peut etre simulee par la machine universelle
26/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Defi technique
Seconde guerre mondialeEnigma
Systeme allemand de codage de messages
Colossus (1943-1945)
Serie de calculateurs programmables bases sur le modele de lamachine de Turing, concus pour casser le code Lorenz
27/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La prise de decision
Herbert Simon (Avancee des sciences economiques)
1955 : Premier langage d’IA � Le Logic Theorist � pouvantresoudre des problemes mathematiques, parfois en utilisant desdemonstrations completement originalesInference a l’aide de 3 regles :
Substitution :N’importe quelle variable peut etre substituee par uneexpressionRemplacement :Une expression peut etre remplace par sa definitionDetachement
Si A est vrai et A implique B, alors B est vrai
28/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Le Test de Turing
1950 : jeu de l’imitation ou test de Turing
Lors de ce test, le succes permet de determiner le caractereintelligent,L’echec ne permet aucune conclusion
Ce test se base sur le comportement de l’interlocuteur, enignorant les mecanismes de ce comportement
29/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Naissance de l’IA
Les annees 50
convergence des recherches sur ces problemes
un reseau de recherche : A. Newell, J. C. Shaw, M. L. Minsky,J. McCarthy, C. Shannon1956 : l’organisation de la conference du Dartmouth College
Le domaine a recu le nom de � IA � [McCarthy, 1956]
30/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : deux ecoles
(1) Heritiers de la cybernetique
Se preoccupent des processus d’apprentissageLeur demarche est dans le cadre de la simulation numeriquesur le base des travaux de Marvin MinskyEcole du MITTravaux dans le domaine de la robotique et des systemesexperts
31/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : deux ecoles
(2) l’ecole Carnegie-Mellon
Guidee par les idees d’Allan Newell, Herbert Simon sur letraitement symboliqueLogic Theorist [Newell, Shaw et Simon, 1956] : demonstrationde theoremes de la logique des propositions1957 : un systeme reellement � intelligent � le GeneralProblem Solver ou GPSSe caracterise sur les travaux sur la resolution de problemes etsur la nature de raisonnement
32/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Annees 60-70
Projet de traduction automatique (1966)
Rapport ALPAC (Automatic Language Processing AdvisoryCouncil)
Weizenbaum, J., (1966)
ELIZA – A computer program for the study of naturallanguage communication between man and machine.
Les annees noires 1966-1969
33/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
The (in)famous ”ALPAC report”
En 1966, par the US National Academy of the SciencesY. Bar-Hillel
La bonne qualite ou l’automatisation complete ne peuvent pasetre atteintesL’automatisation complete n’est pas souhaitablecouts eventuellement plus eleves qu’avec les traducteurshumains”MT is hopeless”Recommandation :
mettre plus d’effort dans la recherche en linguistiquequ’elle contribue ou non a la traduction automatiquedirectement
Consequences : baisse des budgets pour la traductionautomatiqueMais debut des travaux en Traitement Automatique des Langues (TAL)
34/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
ELIZA
Premier agent conversationnel (chatbot) de l’histoire
Man : Pourquoi est-ce que vous ne me contredisez jamais ?
Le systeme reconnaıt les mots clefs vous et meauxquels est associee la forme : (*vous*me*) qui corresponda la transformationQu’est-ce qui vous fait penser que je 2 vous 3 ?
Machine : Qu’est-ce qui vous fait penser que je ne vouscontredis jamais ?
Evolution : ALICE (1995)
35/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
ELIZA & ALICEImplementations
http://www-ai.ijs.si/eliza/eliza.html
https://www.pandorabots.com/pandora/talk?botid=
a847934aae3456cb
http://www.strout.net/info/science/ai/brian/
http://eliza.levillage.org/index.html
http://sboisse.free.fr/technique/info/eliza.php
https://elizia.net/
36/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
3 niveaux d’intelligence artificielle
Intelligence specifique (NAI )Intelligence artificielle faibleSysteme d’IA dedie a une tache
Intelligence generale (AGI )Systeme d’IA pouvant etre applique sur n’importe quel problemeauquel un humain peut s’attaquer
Super intelligence (ASI )Systeme d’IA dote de conscience et capable de comprendre sespropres raisonnements→ source de debats depuis le debut de l’IA
37/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : definitions
Plusieurs definitions :
� The building of computer programs which perform taskswhich are, for the moment, performed in a more satisfactoryway by humans because they require high level mentalprocesses such as : perception learning, memory organizationand critical reasoning. � [Marvin Lee Minsky, 1956]
Son but est la creation de � programmes informatiques quipuissent se comporter ou penser intelligemment � [Gardner,1993]
� Chaque aspect de l’apprentissage ou toute autrecaracteristique de l’intelligence peut en principe etre decritd’une facon suffisamment precise pour qu’une machine puissele simuler. � [McCorduck, 1979]
38/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : definition[R.Kurzweil, 1990]
Le champ de recherche relatif a la construction de machineseffectuant des taches considerees comme requerant del’intelligence
Double objectif :
Rendre les machines plus efficacesComprendre ce qu’est l’intelligence
L’etude de la connexion computationnelle entre l’action et laperception
L’intelligence se definit en termes de ses processusconstituants, comprenant
l’apprentissage,le raisonnement,la capacite de manipuler des symboles
39/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Quatre types de definition de l’IA
1. Systeme qui pense comme les hommes (complexe)
Modelisation cognitive (GPS [Newel & Simon, 1961])
2. Systeme qui pense rationnellement (limite)
Logicisme : pensee logique
Pascal [1623-1662] (machine a calculer)Leibnitz [1646-1716] (machine a raisonner)Babbage [1792-1871] (machine analytique)
40/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Quatre types de definition de l’IA
3. Systeme qui agit comme les hommes (theorique)
Systeme passant le test de Turing
Apprendre des connaissances (s’adapter)Representer des connaissances (memoriser)Resoudre des problemes (raisonner)Comprendre (communiquer)
4. Systeme qui agit rationnellement (pragmatique)
Agent rationnel (annee 1990)Agit selon ses croyances pour atteindre des objectifs (passeulement logique)
41/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Quatre types de definition de l’IAResume
Objectif : construire un artefact capable deFidelite aux perfor-mances humaines
Lois de la pensee
Pensee et rai-sonnement
Penser comme des hu-mains
Penser rationnellement
Comportement Agir comme des hu-mains
Agir rationnellement
Empirique (Hypotheseset experimentations)
Agent rationnel
42/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : definition
est une des branches des Sciences Cognitives
a pour objectif
d’obtenir de la machine un comportement � intelligent �
l’etude et la construction de systemes artificiels de traitementde connaissances
43/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA : definition
L’IA est marquee par des techniques specifiques
de representation des connaissancesde traitements de ces connaissancesd’organisation architectural des systemesd’interaction de ces systemes avec leur environnement,permettant par ailleurs leur capacite d’evolution
44/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Les principaux langages de l’intelligence artificielle
Lisp1960, J. MacCarthy
Prolog1973, A. Colmerauer
SmallTalk1972, A. Kay, D. Ingals, T. Kaehler, A. Goldberg
JAVA1994
C++ (1993), Scheme (1975), ...
45/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Un champ pluri-disciplinaire
Informatique
systemes, codage, ...
Linguistique
Psychologie
intelligence humaine, animale, developpement
Ergonomie
analyse des taches
Biologie, Statistique, Economie, Ethologie,
...
46/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA aujourd’hui
47/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA aujourd’hui
Ambitions initiales abandonnees
On ne pense plus faire une IA a court terme
Reflexion sur l’ethique (IA faible vs. IA forte, impact de l’IA)
Les retombees de l’IA sont partout
objets, agents, methodologies, representation desconnaissancesapproches causales, qualitativesfouille de donnees, fouille de textestatistiques non lineaires (reseaux neuronaux)programmation par contraintesnouvelles methodes d’optimisation (evolution artificielle)
48/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA aujourd ’huiExemples d’application
Validation de facturettes American Express
3611 pages jaunes, www.pagesjaunes.fr, etc.
Jeux de reflexion sur ordinateur
Medecine, Psychologie, Accompagnement de certains malades
Assistants personnels intelligent (Google Home, Siri, AmazonEcho)
Telephonie mobile, etc..
Resolution numerique d’une equation mathematique (solveurs)
Suivi d’une strategie gagnante dans certains jeux (Deep Blue,AlphaGo)
Identification d’une decision qui optimise un grand nombre defacteurs (Plannification, stockage, Logistique, Routage, etc.)
49/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
IA aujourd’hui
Captcha (Completely Automated Public Turing test to TellComputers and Humans Apart)� l’inverse du test de Turing � : eviter les soumissionsautomatiques de robot.
Prix Loebnerdecerne aux chatbots qui satisfont au mieux les criteres dutest de TuringExemples :
ELIZA (Weizenbaum, 1966)ALICE (Wallace, 2000, 2001, 2004)ELBOThttp://elbot_e.csoica.artificial-solutions.com/cgi-bin/elbot.cgi?START=normal%27,
%27elbot%27,%27width=425,height=650,scrollbars=no
50/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Comment concevoir un systeme/agent intelligent ?
Approche symboliquesans se limiter a reproduire des phenomenes observables
Approche neuro-mimetique
en s’inspirant de la realite biologiqueen construisant des modeles biologiquement plausibles
Approche hybride neuro-symbolique
51/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Approche symbolique
Fondee principalement sur la logique
Manipule des expressions et met en œuvre des processus deraisonnement
Necessite une representation explicite du probleme et desmethodes de resolution
Demande un effort important de programmation
52/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Approche neuro-mimetique
S’inspire de la realite biologique
En construit des modeles informatique
Demande peu ou pas de programmation explicite
Exploite des processus d’apprentissage
Permet de developper des systemes auto-adaptatifs et evolutifs
53/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Recherche en IA
De nombreux aspects :
Representation et Raisonnement
Ingenierie des Connaissances
Apprentissage Automatique
Reconnaissance des Formes, Vision
Robotique, Automatique
Traitement Automatique des Langues
Satisfaisabilite, Contraintes Sustainabiity
Interaction avec l’Humain : EIAH, IHM
Extraction et Gestion des Connaissances
Agents et Systemes Multi-Agents
54/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La recherche en IA en France
AFIA (Association francaise pour l’intelligence artificielle)creation en 1989
Conferences annuelles : PFIA (RJCIA, IC, etc.), EGC
+ Associations thematiques (ATALA pour le TAL parexemple)
De nombreuses entreprises dans le secteur
Hub FranceIA
55/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Recherche en IA dans le monde
AAAI (Association for the Advancement of ArtificialIntelligence)Creation en 1979
Conferences annuelles : AAAI, IJCAI, etc.
+ Associations thematiques (ACL pour le TAL par exemple)
De nombreuses entreprises dans le secteur
56/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Quelques perspectives
Moyen terme :
Imitation du comportement humain non pas de l’humainDeep Learning (une toute petite partie de l’IA)
Long terme :
Jonction ineluctable entre Big Data et IAEthique
57/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Notions importantes
58/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation des connaissances et logique
Logique : approche declarative pour representer desconnaisances
Deux principaux outils mathematiques (parmi bien d’autres) :
Logique des propositionsLogique des predicats
Utilisation de methodes d’inference bien connues pour deduirede nouvelles connaissances→ Programmation logique
59/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Inference
� Operation logique par laquelle on admet une proposition envertu de sa liaison avec d’autres propositions deja tenues pourvraies. � [Petit Robert]
Il ne s’agit pas d’un mecanisme unique
Il doit exister un ensemble de proprietes caracteristiques quifont qu’un processus peut etre qualifie d’inferentiel
60/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Inference
Pour etre efficace, l’inference doit etre guidee par laconnaissance
L’ambition des premiers programmes d’IA etait de realiser unemachine a inferer universelle
Conclusion : s’il ne peut pas exister de machineuniversellement efficace pour rendre compte du comportementintelligent, donc
soit il ne peut pas en exister du toutsoit il ne peut en exister que localement
61/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Inference
But :
Generer de nouvelles phrases (np) vraies sachant que lesanciennes sont vraiesLes anciennes phrases sont stockees dans la base deconnaissance (knowledge Base/KB)
Une regle d’inference ri permet soit :
de generer de nouvelles phrases np qui pretendent etre laconsequence semantique de KBde pretendre tester si une phrase np est la consequence logiqueou non de KB
L’ensemble des derivations elementaires est appele la preuve
62/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Logique des propositions(syntaxe)
Propositions : un enonce
Une proposition a une valeur de verite V ou F
Exemples :
La Rochelle est en Charente-Maritime (V)La hauteur de la Tour Eiffel est inferieure a 300m
(F)
Connecteurs pour combiner les propositions
∧ ET∨ OU¬(NON)→ (IMPLIQUE)⇐⇒ (EQUIVALENT)
63/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Equivalences (formules ayant la meme interpretation)
¬(¬A) equivaut a A
A→ B equivaut a ¬A ∨ B
¬(A ∧ B) equivaut a ¬A ∨ ¬B¬(A ∨ B) equivaut a ¬A ∧ ¬B
Les deux dernieres equivalences sont les lois de De Morgan.
64/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Logique des propositions (autres equivalences)
Distributivite
(A ∧ B) ∨ C equivaut a (A ∨ C ) ∧ (B ∨ C )(A ∨ B) ∧ C equivaut a (A ∧ C ) ∨ (B ∧ C )
Commutativite
A ∧ B equivaut a B ∧ AA ∨ B equivaut a B ∨ A
Associativite
A ∧ (B ∧ C ) equivaut a (A ∧ B) ∧ CA ∨ (B ∨ C ) equivaut a (A ∨ B) ∨ C
Contraposee
A→ B equivaut a ¬B → ¬A
65/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Regles d’inferences (regles de derivation)
Modus ponensSi A et (A → B ) Alors on deduit B
Modus tollensSi ¬B et (A → B) Alors on deduit ¬A
EnchaınementSi A → B et B → C alors on deduit A → C
66/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Notions importantes
Axiomes
formules de depart
Theoremes
formules dont il existe une demonstration
Demonstration
enchaınement de derivations (ou inferences)
Decidabilite
logique des proposition est decidable (il existe un procede finipermettant de decider si une formule est un theoreme ou non)
67/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple et Limites
Exemple :
A : tout homme est mortel
B : Socrate est un homme
C : Socrate est mortel
Formule logique : A ∧ B → C
Necessite une autre proposition pour Platon, une enumeration pour”tous les philosophes”...
68/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Logique des predicats
On definit des identificateurs (des variables) pouvant etreassocies a des valeurs (entiers, caracteres, etc.)
Un identificateur peut etre remplace par une expression (unoperateur ou une fonction mathematique) comme parexemple, x < y
On definit des predicats (H(x)) possedant une valeur de veritedependant de x
On introduit les quantificateurs existentiel ∃var et universel∀var
69/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple
Pour tout x , si x est un homme alors x est mortel
Socrate est un homme
Socrate est mortel
x est un homme : predicat H(x)
x est mortel : predicat M(x)
Formule logique : ∀x(H(x)→ M(x)) ∧ H(Socrate)→ M(Socrate)
70/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Definition des identifiantsIdentifiants : nom des elements qu’on represente
Nom d’une variable ou d’un objet (case memoire qui contientune valeur, une instance)Une personne quelconque (valeur inconnue), Le prof deRepK&WS (valeur : Thierry Hamon), le nombre d’heures decours (valeur : 30)
Nom des fonctions et des procedures (correspond a uneaction, un etat ou un ensemble d’actions)Afficher un message, se trouve chez/a
Nom des constantes (valeurs universelles ou constantes dansun programme)π, e
Nom des fichiers contenant un programme, des donnees, desressourcesUne resources qui contient des synonymes, des connaissances,etc.
71/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Definition des identifiants
Pour la machine : aucune importanceMais dans un programme, l’identifiant unique peut suivre desregles voire des normes
Pour l’etre humain : le choix de l’identifiant est tres importantRepresenter des connaissances, ecrire un programme,etc., c’est complique !
Il faut se rappeler de quoi on parlerIl faut donc que l’identifiant soit simple, explicite et qu’ilsignifie quelque choseOn sait immediatement a quoi correspond l’identifiantSauf cas particuliers lies a des conventions de nommage :
coordonnees dans un espace : x, y, zcompteurs de boucle : i, jconstantes universelles, fonctions mathematiques : π, e, f , g ,sin, cosen general, on n’utilise pas le caractere espace ou on lesremplace par des caracteres _
72/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Definition des identifiants
Exemples :
personne, professeur, professeur RepKWS, nbCours
print, printf, afficheMessage, afficheMsg,
π, PI, e, g
liste synonymes.txt, connaissances.xml
73/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Definition d’un predicat
Socrate est un homme :
Socrate : objet (personne) → la valeur d’unevariableOn veut pouvoir changer d’objet → variable p ou pers
est un homme : represente un etat → predicat H(x) ouestHomme(x)
Mais suivant le probleme, on peut aussi vouloir changerd’etat :
homme est la valeur d’un autre variable Eest un est un predicat avec deux arguments est(x , y)
74/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation d’une phraseen logique des predicats
P
Punc
.
SN
Nom
homme
Art
un
SV
Verbe
est
SN
NP
Socrate
En fonction de ce qu’on veutrepresenter
Representation 1 :
Predicat : le verbe
Arguments du predicat :Nom, nom propre
Representation 2 :
Predicat : le groupe verbal
Arguments du predicat :syntagme nominal
75/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation d’une phraseen logique des predicats
Arthur est a la maison .P
Punc
.
SP
SN
Nom
maison
Det
la
Prep
a
SV
Verbe
est
SN
NP
Arthur
Sophie est a l’ universite .
P
Punc
.
SP
SN
Nom
universite
Det
l’
Prep
a
SV
Verbe
est
SN
NP
Sophie
76/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation d’une phraseen logique des predicats
Pour representer les deux phrases :
Predicat : le verbe
est (a) → seTrouve (moins mabigu et plus explicite)
Premier argument du predicat : Premier syntagme
Arthur, Sophie → Valeurs d’une variable et du premier argument
Deuxieme argument du predicat : Deuxieme syntagme
maison, universite → Valeurs d’une variable et du deuxiemeargument
Resultats :
Arthur est a la maison .
seTrouve(Arthur ,maison) ou
Sophie est a l’ universite .
seTrouve(Sophie, universite)77/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation d’une phraseen logique des predicats
Autre possibilite :
X = ArthurY = maisonseTrouve(X ,Y )
Z = SophieT = UniversiteseTrouve(Z ,T )
78/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Unification
Appariement de clauses :
Logique des propositions : immediat
Logique des predicats : complexe car presence de variables
⇒ Utilisation du mecanisme d’unification pour rendre deuxformules identiques par substitution de variables
79/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Bilan
Logique des propositions
Methode de preuve efficaceTrop restreint car il n’y a pas de quantificateurs
Logique des predicats
indecidable dans le cas generalarret si c’est un theoreme mais risque de ne pas s’arreter si onl’applique a une formule non valide (semi-decidable)
80/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Programmation logique
Representation de connaissances symboliques
Calcul de connaissances par demonstration automatique
Prolog [Colmerauer, Roussel, 75]
Raisonnement dans le chaınage arriere guide par le butExemple :
homme(Socrate).
mortel(x) :- homme(x).
? mortel(Socrate)
81/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple (2)
hors d œuvre(artichauts melanie). poisson(sole meuniere).
hors d œuvre(truffes sous le sel). poisson(bar aux algues).
hors d œuvre(cresson œuf poche). dessert(sorbet aux poires).
viande(grillade de bœuf). dessert(fraises chantilly).
viande(poulet au tilleul). dessert(melon en surprise).
plat(P) :- viande(P) ; plat(P) :- poisson(P) ;
repas(E, P, D) :- hors d œuvre(E), plat(P), dessert(D) ;
? repas(artichauts melanie, bar aux algues, sorbet aux poires)
Ok
? repas(artichauts melanie, bar aux algues, Z)
> Z = sorbet aux poires
> Z = fraises chantilly
> Z = melon en surprise
82/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Logiques non-classiques
Il est difficile d’ecrire toutes les situations avec la logique despredicats car elle est trop restrictive.On doit avoir recours a des logiques non classiques :
Logique des defauts [Reiter, 1980]
Logique modale (necessite, obligation, possibilite,impossibilite, savoir, croyance, etc.) [Moore, 1985]
Logique temporelle
Logique floue
Logique probabiliste
etc.
83/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissances
Donnees, Informations, Connaissances
84/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Quelques notions
Donnees :
Element fondamental et objectif, qualitatif ou quantitatifservant de base a un raisonnement ou a la realisation destraitements
Informations :
Ensemble de donnees non structurees et organisees pourdonner forme a un message resultant d’un contexte donne etdonc parfaitement subjectif.
85/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La notion de connaissance
Varie en fonction des disciplines
Anthropologue : la premiere connaissance est celle que leshommes ont d’eux-memes et de leur environnementPhilosophie : on etudie avant tout la connaissance au sens del’etat de celui qui connaıt ou sait quelque chose.Psychologie cognitive : toute activite mentale humaine sefonde sur une representation interne du monde exterieur,constituee a la fois de connaissances sur
les objetsles situationsles evenements
86/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La notion de connaissance dans la gestion desconnaissances
Modele hierarchique de la connaissance :
C = I · U avec
C = ConnaissanceI = InformationU = Utilisation
ConnaissanceInformation assimilee
pour realiser une action
Je suis a Orleans aujourd’hui
Je m’habille chaudement
I = D · k avec
I = InformationD = Donneesk = Contexte
InformationDonnees mises en contexte
La temperature est de 10oCa Orleans aujourd’hui
DonneesElements bruts en
dehors de tout contexte
10oC
87/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Les sources d’information existantes
Plusieurs niveaux d’informations :
Donnees brutesInformations internes, externes structurees ou pasConnaissances / competencesSavoir-faire / experiences
Plusieurs niveaux de partage
IndividualisePartageIntegre dans un processus organise
88/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Cycle Donnees Informations Connaissances
Donnees : quatre dimensions (le sujet, l’objet et l’espace, letemps)
Analyse des donnees par rapport a un contexte
Convertion en informationsContexte : Points de repere a partir de differentes influences(langue, culture, codes symboliques et code de communicationde l’utilisateur, besoins du moment)
Connaissance : etablissement par l’utilisation d’unecorrespondance entre
la conception d’une realite,l’information sur cette realite.
La connaissance sert a preciser l’action
89/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Cycle Donnees Informations Connaissances
Exemple :
Si Tristan est le fils de Gilles alors il a probablement autourde 30 ans de moins que lui, il porte le meme nom de famille,etc.
→ Propositions deduites et convoquees en fonction du contexte dustatut de la relation pere- fils.
L’information doit rentrer en resonance avec les referentiels derecepteur de l information.
La connaissance est caracterisee par sa propension a produirede l information
90/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La psychologie cognitive
Toute activite mentale humaine se fonde sur unerepresentation interne du monde exterieur, constituee a la foisde connaissances sur
les objetsles situationsles evenements
91/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La psychologie cognitive
� notre connaissance sur les etres et les objets estconstituee par ce que nous appelons les concepts. [...] Il ap-paraıt donc que le concept est une unite cognitive de base,qui decrit un objet a differents niveaux de generalites etqui permet de categoriser les objets qu’il decrit. �
(J-F.Richard, 1990, Les Activites mentales : comprendre, raisonner,trouver des solutions)
92/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
La notion de connaissance
Pour l’informatique et intelligence artificielle, lesconnaissances sont vues comme
des entites symboliques manipulables par l’ordinateur,correspondant aux significations associees a des descriptions dumonde � concepts � qui peuvent etre exprimees par le langage
L’objectif est de mettre en machine des informations de facon a ceque le programme ait la connaissance
des objets d’un domaine donne
de la realisation des taches a accomplir
des evenements susceptibles d’arriver
93/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissances pour la machine
Problemes
les modelisations de differentes formes de connaissancesleur stockageleur utilisation
94/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Modelisation de connaissances : deux types
Une modelisation precise du fonctionnement cognitif humain,contrainte par les faits experimentaux (psychologie cognitive)
Une modelisation formelle des mecanismes de la connaissance,donc theorique et sans aucune contrainte que celles du modelelui-meme et de la machine utilisee
95/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissances pour la machine
Un systeme artificiel est cense pouvoir executer
l’acquisition de nouvelles connaissancesla recuperation de connaissances deja acquises (rappel)le raisonnement sur les connaissances dont dispose le systeme
96/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissances pour la machine
8 aptitudes fondamentales pour une machine IA
la perception
l’action
la planification
l’apprentissage
le TAL
la cooperation
la coordination
le metaraisonnement
97/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Types de connaissances
Classification universelle – Porphyre (234-vers 305 ap. J.C.)
Organisation des objets principalement au moyen de la relationd’inclusion d’ensembles
Dictionnaires encyclopediques
Utilisation du langage et des illustrations pour diversifier lesmodes d’expression de la connaissancePresupposition d’une maıtrise suffisante
du langagede leur propre mode d’emploid’une masse d’elements presumes connus de tout etre humain
98/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Types de connaissances
Quelques categories de connaissances [Kayser, 1985]
DefinitionConnaissances evolutivesIncertainesVaguesTypiquesSous-determinees
Le choix de la categorie depend du point de vue
99/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissances pour la machine : Types de connaissances
Les objets, les classes et les categories d’objets
Les evenements
Les realisations
La metaconnaissance
100/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissance ?
L’inference est l’element de base de toute description de lacognition
Pour etre efficace, l’inference doit etre guidee par laconnaissance
Inference 6= Raisonnement
Inference avec / sans representation de la connaissance
101/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Connaissance ?
Connaissance → capacite a mobiliser des informations pouragir
Le passage de information a connaissance est lie al’experience de l’action → pas de frontiere parfaitement definie
Definition : Connaissance = Information (donnee) quiinfluence un processus.
Pas de classement universel des differents types deconnaissances (cf. tentative de Porphyre)
102/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation ?
Dire que A � represente � B
Ne suffit pas pour que ce soit � vrai �
Il convient de verifier que si B a un certain effet sur unprocessus P, A demontre un effet � equivalent � sur unprocessus � equivalent �
A n’est cependant pas � equivalent � a B� Une carte n’est pas le territoire � (heureusement !)Une carte � represente � le territoire dans le cadre d’unprocessus de recherche d’un itineraire (par exemple)
103/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation ?
Representer ⇔ Approximer dans le contexte d’une tache (ouactivite) particuliere
Representer ⇔ Structure de symboles pour � decrire � uneapproximation du � monde � (un modele du monde) dans lecontexte d’une tache particuliere.
Interpreter une structure (une representation) ⇔ Compositionde l’interpretation des differents symboles la constituant
104/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation ?
La propriete de compositionnalite n’est pas � naturelle � dansla langueExemple : tout a l’heure ne s’interprete pas facilement commeune composition d’interpretations de tout, a et l’heure
La notion d’interpretation presuppose que le modele (dumonde) est constitue d’objets, et que parmi les symboles, il enest qui s’interpretent comme des objets du modele.
Les symboles ont la capacite de declencher des inferences.
105/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Langage de representation
Langages formels :
un alphabet : ensemble de symboles pas necessairement reduita des caracteresun procede de formation des expressions, pas necessairement laconcatenationun ensemble d’axiomes :
des expressions obeissant aux deux premiers points ci-dessusdont on decide arbitrairement qu’ils appartiennent au systeme
des regles de derivation qui, a partir des axiomes,
permettent de produire des theoremes (c’est-a-dire desexpressions appartenant au systeme),et peuvent ensuite s’appliquer aux theoremes pour en produired’autres
106/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Langage de representation
Representation de procedures : Langage formel
Une procedure ou l’objet d’une procedure
λ-Calculmachine de TuringAlgorithmes de Markovfonctions recursiveslogique combinatoire...
Il a ete demontre qu’un procede decrit dans une de cesmethodes X peut etre decrit a l’aide d’une autre de cesmethodes Y
107/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representation dans un modele (approche logique)
Langage → aspects � syntaxiques � de la representation(attention langage formel !)
Systeme de deduction → aspects � semantiques � (attention,represente un calcul et peut etre tres eloigne d’un� sens � quelconque)
Regles de valuation → � vrai �, � faux � (attention, ne pasconfondre avec le sens general vrai et faux. . . )
108/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Notions de correction et de completude
Un systeme est � correct � si toutes les formules qui sont destheoremes sont des tautologies (valuees � vrai �)
Preuve par recurrence : on montre que la premiere formule dela preuve d’un theoreme est une tautologie et que si les n-1premieres formules d’une preuve sont des tautologies, alors laformule n est egalement une tautologie.
Un systeme est � complet � si toutes les formules qui sontdes tautologies sont des theoremes.
Preuve un peu plus compliquee, mais fonctionnant egalementsur la recurrence.
109/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Modeles de representation de connaissance
Reseaux Semantiques
Les objets structures : schemas et scripts
Web semantique
Ontologies
A suivre...
110/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Bilan
Analysedu besoin
Acquisition desconnaissances
Modelisation Formalisation Implementations
Sciences cognitives Representation des connaissances
Methodesd’acquisition
TraitementAutomatiquedes Langues
Cartes conceptuelles Langage formelInference
POOIHM
Ingenierie des connaissances
111/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Cartes conceptuelles
(cartes topiques/topic maps/cartes conceptuelles, cartes mentales,cartes heuristiques, etc.)(Buzin, 1971)
Outil tres general de representation des connaissances
Agregation des informations disponibles autour d’un theme(aussi, point d’indexation, le topic)Mise en relation des informations dans un reseau semantiquea l’aide d’association
Standard ISO avec une syntaxe XML (XTM)ISO/IEC 13250 :2003 – Topic Mapsgestion distribuee de l’information et de la connaissance
Langage de requetes des cartes conceptuelles (TMQL)
http://www.topicmaps.org/
112/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
Objectifs :
Gerer la surabondance d’informations
Construire des reseaux de connaissances sur n’importe quellesressources
Structurer l’information
113/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
Definition : representation graphique d’un ensemble deconcepts relies entre eux
Fonctionnalites
Ordonnancement et classement des informations/connaissancesOrganisation de structures complexes
114/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
Organisation similaire a un livre : 2 couches
Contenu : le niveau informationnel
information stockee dans un format quelconquetexte, image, videeo
l’index de fin du livre : le niveau conceptuel (connaissance)
sujet : concept representant l’informationassociation : relation entre sujets
Mise en relation des 2 couches avec les relations d’occurrence
115/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
3 notions primitives :
1. sujet (Topic/concept) i.e. individus des langages derepresentation de connaissances
nom donne aux concepts.Possibilites :
plusieurs noms pour le meme conceptDefinition de cartes conceptuelles multilinguesnoms partages par plusieurs concepts
2. Association : mise en relation de concepts, permet lanavigation dans le sujet
3. Occurrences : entite externe pouvant etre indexee par lestopicsRessource associee a un concept (URL, livre, image, etc.)
116/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Introduction
Mais aussi :
Portee : specification du contexte dans lequel une relation estvalide
Facette : prise en compte d’un aspect particulier (sorte defiltrage)
117/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Representations
3 types de nœuds : topic, association, portee
4 types d’arcs (instance, occurrence, portee, nom)
Relations : des nœuds dont les arcs sortant portent desetiquettes identifiant leur role
Interpretations differentes donnees aux primitives suivant lesetiquettes placees sur les arcs et les nœuds
(Baget&al, 2003)
118/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple de carte conceptuelle
Extrait de (Baget&al, 2003)
le topic de vol est instanciepar myFlight
il a pour nom
� vol pour Boston � dont la portee est celle de mesdiscussions avec des colegueset � flight AF322 � lors de discussions avec l’immigrationamericaine
119/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple de carte conceptuelle
Exploration de Mars par la NASA (Briggs&al, 2004)
120/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple de carte conceptuelle
121/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Applications generales
Identification des concepts d’un theme ou d’uneproblematique, et des liens existants entre les concepts
Construction progressive de la synthese d’un theme, d’unconcept, d’une problematique
Definition des differents aspects d’une problematique ou d’untheme, etude de cas, simulation
Evaluation de la description d’un processus (symptome d’unpatient et lien avec les traitements)
122/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Applications
Conception de portails Web
Conception d’intranet d’entreprise (gestion de la connaissancede l’entreprise)
Connection de systemes d’information d’entreprise
eLearning
Modelisation des processus metiers
Organisation et compte-rendu de reunion
...
Nombreuses utilisation en pedagogie et dans l’education
123/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Sur le plan pedagogique
Apprentissage des signifiants grace aux liens entre les concepts
Structuration des connaissances grace a leur ordonnancementet leur classement
Utilisation de connaissances anterieures et integration expliciteavec de nouvelles connaissances
124/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Construction d’une carte conceptuelle
1. Definition/identification des concepts (central, generaux,specifiques).
2. Hierarchisation des concepts
3. Definition des relations entre les concepts, en precisant leurtype
4. Association de ressources ou d’exemples (Video, image,son, schema/diagramme, URL)
5. Revision/verification de la carte produite
Logiciels : Freemind, freeplane, Cmap tool, Inspiration
125/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Conception d’une carte conceptuelle
Regles de conception :
Un concept de plus haut niveau (concept central)
Les concepts generaux sont places en haut. Les conceptsspecifiques sont places plus bas
Les concepts sont representes dans des formes specifiquesavec un nom a l’interieur
Les fleches orientees (−→) represente les liens. Un mot estassocie a chaque lien.
126/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple (1)
Identification des concepts
127/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple (2)
Organisation des concepts
128/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Exemple (3)
Mise en relation des concepts
129/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Cartes conceptuelles : bilan
Avantages :
Mode de representation naturel
Possibilite de representation graphique des ontologies
Inconvenients :
Pas de semantique claire (pas de semantique formelle)
Utilisation de n’importe quel type de concept et de relation
On privilegie la richesse du langage et les interpretationsmultiples
130/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Sources des transparents
Transparents de Iris Eshkol
...
131/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Hamon (Thierry), Grana (Martin), Raggio (Vıctor), Grabar (Natalia) et Naya (Hugo). –
Identification of relations between risk factors and their pathologies or health conditions by mining scientificliterature. In : Proceedings of MEDINFO 2010, pp. 964–968. –PMID : 20841827.
Hamon (Thierry), Engstrom (Christopher) et Silvestrov (Sergei). –
Term ranking adaptation to the domain : genetic algorithm based optimisation of the C-Value. In :Proceedings of PolTAL 2014 – Advances in Natural Language Processing, ed. par Springer , pp. 71–83.
Hamon (Thierry), Nazarenko (Adeline), Poibeau (Thierry), Aubin (Sophie) et Deriviere (Julien). –
A Robust Linguistic Platform for Efficient and Domain specific Web Content Analysis. In : Proceedings ofRIAO 2007. –Pittsburgh, USA, 2007. 15 pages.
Aubin (Sophie) et Hamon (Thierry). –
Improving Term Extraction with Terminological Resources. In : Advances in Natural Language Processing(5th International Conference on NLP, FinTAL 2006), ed. par Salakoski (Tapio), Ginter (Filip),Pyysalo (Sampo) et Pahikkala (Tapio). pp. 380–387. –Springer.
Hamon (Thierry) et Grabar (Natalia). –
Exploring Graph Structure for Detection of Reliability Zones within Synonym Resources : Experiment withthe Gene Ontology. In : Proceedings of BioNLP’2009 – Workshop of NAACL-HLT 2009. –Boulder, Colorado, June 2009.
Hamon (Thierry) et Grabar (Natalia). –
Adaptation of Cross-Lingual Transfer Methods for the Building of Medical Terminology in Ukrainian. In :Proceedings of the 17th International Conference on Intelligent Text Processing and ComputationalLinguistics (CICLING2016). –Springer.
Hamon (Thierry) et Gagnayre (RA c©mi). –
Improving knowledge of patient skills thanks to automatic analysis of online discussions. Patient Educationand Counseling, 2013. –Special section on Health Communication and Artificial Intelligence (IF : 2.305, 5yIF : 2.929).131/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Neifar (Wafa), Hamon (Thierry), Zweigenbaum (Pierre), Khemakhem (Mariem Ellouze) et Belguith
(Lamia Hadrich). –Adaptation of a Term Extractor to Arabic Specialised Texts : First Experiments and Limits. In :Proceedings of the 17th International Conference on Intelligent Text Processing and ComputationalLinguistics (CICLING2016), ed. par Springer .
Grabar (Natalia), Jaulent (Marie-Christine) et Hamon (Thierry). –
Combination of endogenous clues for profiling inferred semantic relations : experiments with Gene Ontology.In : Proceedings of the AMIA 2008 Annual Symposium, pp. 252–256. –Washington, DC, November 2008. PMID 18999042.
Grabar (Natalia), Varoutas (Paul-Christophe), Rizand (Philippe), Livartowski (Alain) et Hamon
(Thierry). –Automatic acquisition of Synonym Ressources and Assessment of their Impact on the Enhanced Search inEHRs. Methods of Information in Medicine, vol. 48 (2), 2009, pp. 149–154. –PMID 19283312, DOI 10.3414/ME9213.
Gollub (Koraljka), Hamon (Thierry) et Ardo (Anders). –
Automated classification of textual documents based on a controlled vocabulary in engineering. KnowledgeOrganization, vol. 34 (4), 2007, pp. 247–263.
Perinet (Amandine), Grabar (Natalia) et Hamon (Thierry). –
Identification des assertions dans les textes medicaux : application a la relation {patient, problememedical}. Traitement Automatique des Langues (TAL), vol. 52 (1), 2011, pp. 97–132.
Grabar (Natalia) et Hamon (Thierry). –
Exploitation of speculation markers to identify the structure of biomedical scientific writing. In :Proceedings of AMIA 2009 Symposium, pp. 203–207. –San Francisco, USA, November 2009.
Hamon (Thierry). –
Rapport de Stage a l’UQAM - 19 juin - 21 juillet 2000, octobre 2000.
Hamon (Thierry). –131/131 Repr. K & IA T Hamon
Introduction Historique Notions importantes Connaissances Cartes conceptuelles
Indexation automatique de notices bibliographiques a l’aide d’approches d’acquisition terminologique. In :Actes de DEFT 2016, pp. 20–26. –Paris, France, Juillet 2016. Atelier de la conference JEP-TALN-RECITAL 2016.
Hamon (Thierry). –
Acquisition terminologique pour identifier les mots cles d’articles scientifiques. In : Actes de l’atelier DEFT2012, pp. 25–31. –Grenoble, France, Juin 2012.
131/131 Repr. K & IA T Hamon