Qu’est-ce que l’intelligence artificielle ?
Prérequis : Aucun prérequis spécifique en IA. Notions de programmation Python.
Ouvre la voie vers : Toutes les séances suivantes. Cette séance fournit le cadre conceptuel pour comprendre le raisonnement (S2), la recherche (S3), l’incertitude (S4) et l’apprentissage (S5).
Introduction : La question fondamentale
L’Intelligence Artificielle est un domaine scientifique dont l’objet d’étude est la création de systèmes capables de réaliser des tâches qui, accomplies par un humain, seraient qualifiées d’intelligentes. Cette définition, volontairement large, cache une diversité considérable d’approches, de techniques et d’objectifs.
Ce cours commence par une question simple en apparence : qu’est-ce que l’IA ? La réponse à cette question détermine la structure de tout le cours. Selon la façon dont on définit l’IA, on obtient des programmes de recherche radicalement différents.
Ce que ce cours couvre
Ce cours d’introduction à l’IA n’est pas un catalogue exhaustif de toutes les techniques existantes. L’objectif est de construire une compréhension profonde des fondements : pourquoi l’IA existe, quels problèmes elle cherche à résoudre, et quelles sont les grandes familles d’approches pour y parvenir.
À l’issue de ce semestre, vous comprendrez :
- La distinction entre IA, Machine Learning et Deep Learning
- Comment un système peut raisonner formellement (logique)
- Comment résoudre des problèmes par exploration (search)
- Comment gérer l’incertitude (probabilités, Bayes)
- Pourquoi et comment un système peut apprendre
Ce cours prépare directement au cours de Machine Learning du semestre 2.
Définir l’Intelligence Artificielle
Une définition opérationnelle
L’Intelligence Artificielle est le domaine de l’informatique qui étudie la conception d’agents capables de percevoir leur environnement et d’agir de manière à maximiser leurs chances d’atteindre leurs objectifs.
Cette définition, issue de Russell et Norvig, met l’accent sur l’action rationnelle plutôt que sur l’imitation de l’intelligence humaine. Un système d’IA n’a pas besoin de penser comme un humain, ni même de produire des résultats indistinguables de ceux d’un humain. Il doit simplement agir efficacement.
Le test de Turing et ses limites
En 1950, Alan Turing propose un critère opérationnel pour l’intelligence artificielle : un système est intelligent si un humain, en communiquant avec lui par texte, ne peut pas distinguer ses réponses de celles d’un autre humain.
Ce test a eu une influence considérable sur le champ, mais présente des limitations importantes :
- Il ne teste qu’une forme d’intelligence (conversationnelle)
- Il encourage l’imitation plutôt que la résolution de problèmes
- Un système peut réussir le test sans aucune compréhension réelle
- Un système peut être très utile sans réussir le test
Un algorithme de navigation GPS ne peut pas tenir une conversation, mais il résout efficacement des problèmes de planification de trajet. Un système de recommandation ne prétend pas être humain, mais il identifie des patterns dans des millions de comportements d’achat.
La recherche contemporaine en IA s’est largement éloignée du test de Turing pour se concentrer sur la résolution efficace de problèmes spécifiques.
Quatre approches historiques
Historiquement, quatre approches ont structuré le champ de l’IA :
| Comme un humain | Rationnellement | |
|---|---|---|
| Penser | Cognitive Science | Logique formelle |
| Agir | Test de Turing | Agents rationnels |
L’approche dominante dans la recherche contemporaine est celle des agents rationnels : construire des systèmes qui agissent de manière optimale étant donné leur information disponible, sans nécessairement imiter les mécanismes cognitifs humains.
Histoire de l’IA : Les trois vagues
L’histoire de l’IA est marquée par des cycles d’enthousiasme et de désillusion, communément appelés « hivers de l’IA ». Trois grandes périodes se distinguent, chacune caractérisée par une approche dominante. La Figure Figure 1 présente une vue chronologique de ces différentes périodes, avec les jalons majeurs et les hivers qui ont ponctué l’évolution du domaine.
Première vague : L’IA symbolique (1956–1980)
La naissance officielle de l’IA date de la conférence de Dartmouth en 1956, où John McCarthy, Marvin Minsky, Claude Shannon et d’autres proposent que « chaque aspect de l’apprentissage ou de toute autre caractéristique de l’intelligence peut en principe être décrit de manière si précise qu’une machine peut être construite pour le simuler ».
L’approche dominante de cette période repose sur la manipulation de symboles :
- Représentation explicite des connaissances sous forme de règles logiques
- Raisonnement par inférence formelle
- Systèmes experts codant l’expertise humaine
ELIZA (1966) : programme de conversation simulant un psychothérapeute par pattern matching. MYCIN (1976) : système expert pour le diagnostic d’infections bactériennes, utilisant environ 600 règles. GPS (General Problem Solver, 1959) : tentative de résoudre des problèmes généraux par analyse moyens-fins.
Cette période se termine par le premier « hiver de l’IA » : les systèmes symboliques s’avèrent fragiles face à la variabilité du monde réel et incapables de passer à l’échelle.
Deuxième vague : L’IA connexionniste (1980–2010)
Après la redécouverte de la rétropropagation par Rumelhart, Hinton et Williams en 1986, les réseaux de neurones artificiels connaissent un regain d’intérêt. L’idée fondamentale est différente : plutôt que de programmer explicitement des règles, on entraîne un système à partir d’exemples.
Cette période voit également l’émergence du Machine Learning comme discipline à part entière :
- Arbres de décision et méthodes d’ensemble
- Support Vector Machines (SVM)
- Apprentissage par renforcement (TD-learning, Q-learning)
- Modèles graphiques probabilistes
Un second hiver frappe les réseaux de neurones dans les années 1990, mais le Machine Learning « classique » continue de progresser.
Troisième vague : L’ère du Deep Learning (2010–présent)
Trois facteurs convergent pour permettre la révolution du Deep Learning :
- Données massives : Internet génère des quantités de données sans précédent
- Puissance de calcul : Les GPU permettent d’entraîner des réseaux profonds
- Algorithmes : Nouvelles architectures (CNN, LSTM, Transformers) et techniques d’entraînement
2012 : AlexNet remporte ImageNet avec un écart massif sur les méthodes traditionnelles. 2016 : AlphaGo bat le champion du monde de Go. 2017 : L’architecture Transformer révolutionne le traitement du langage. 2022 : Les grands modèles de langage (GPT, Claude) démontrent des capacités génératives impressionnantes.
IA, Machine Learning, Deep Learning : La distinction fondamentale
Cette section clarifie une confusion fréquente entre trois termes souvent utilisés de manière interchangeable. La compréhension de cette hiérarchie est essentielle pour situer correctement les différentes techniques que nous étudierons dans ce cours.
La hiérarchie conceptuelle
- Le Machine Learning est une approche pour faire de l’IA
- Le Deep Learning est une technique de Machine Learning
Ces trois termes ne sont pas synonymes. Ils désignent des ensembles emboîtés.
L’Intelligence Artificielle : le champ global
L’IA englobe toutes les méthodes permettant à une machine de réaliser des tâches « intelligentes ». Cela inclut :
- Les systèmes à base de règles explicites
- Les algorithmes de recherche et d’optimisation
- Le raisonnement logique et le calcul formel
- Le Machine Learning
- Et bien d’autres approches
Le Machine Learning : une approche de l’IA
Le Machine Learning est une approche particulière pour construire des systèmes d’IA. Son principe fondamental :
Le Machine Learning est l’approche qui consiste à construire des systèmes capables d’apprendre à partir de données, plutôt que d’être explicitement programmés pour chaque tâche.
En français : au lieu de programmer les règles, on fournit des exemples et le système découvre les patterns.
Un système de navigation GPS utilisant l’algorithme A* est de l’IA (il résout un problème complexe de planification), mais ce n’est pas du Machine Learning : les règles de recherche sont programmées explicitement.
De même, Wolfram Alpha effectue du calcul formel (intégration symbolique, résolution d’équations) : c’est de l’IA symbolique, pas du ML.
Le Deep Learning : une technique de ML
Le Deep Learning est une technique spécifique au sein du Machine Learning, caractérisée par l’utilisation de réseaux de neurones artificiels avec de nombreuses couches (d’où « deep », profond).
Le Deep Learning utilise des réseaux de neurones profonds (typiquement plus de 3 couches) pour apprendre des représentations hiérarchiques des données.
Le Deep Learning n’est pas la seule technique de ML. D’autres existent :
- Arbres de décision et forêts aléatoires
- Support Vector Machines
- k plus proches voisins (k-NN)
- Régression logistique
- Naive Bayes
Visualisation : les ensembles emboîtés
La Figure Figure 2 illustre graphiquement cette relation d’inclusion entre les trois concepts. Chaque exemple de système est positionné dans l’ensemble correspondant à sa nature : les systèmes à base de règles sont dans l’anneau externe (IA mais pas ML), les algorithmes classiques de ML sont dans l’anneau intermédiaire, et les réseaux profonds sont au centre (Deep Learning).
Exemples concrets pour chaque catégorie
| Catégorie | Exemple | Caractéristique |
|---|---|---|
| IA non-ML | GPS (A*) | Algorithme de recherche programmé |
| IA non-ML | Wolfram Alpha | Calcul symbolique, règles explicites |
| IA non-ML | Systèmes experts | Base de règles if-then |
| ML non-DL | Filtres anti-spam (Naive Bayes) | Apprend des exemples, modèle simple |
| ML non-DL | Recommandation (forêts aléatoires) | Ensemble d’arbres de décision |
| ML non-DL | Détection de fraude (SVM) | Séparateur linéaire/non-linéaire |
| Deep Learning | ChatGPT, Claude | Transformers, milliards de paramètres |
| Deep Learning | Reconnaissance faciale | CNN profonds |
| Deep Learning | AlphaGo | Réseaux + Reinforcement Learning |
Pourquoi cette distinction est importante
Comprendre cette hiérarchie permet de :
- Choisir la bonne approche : Le ML n’est pas toujours la solution. Pour certains problèmes, un algorithme de recherche ou des règles explicites sont plus appropriés.
- Comprendre les limitations : Le ML nécessite des données. L’IA symbolique nécessite une expertise pour coder les règles.
- Situer les cours du Master : Ce cours couvre les fondements de l’IA (y compris l’IA non-ML). Le cours du S2 se concentre sur le Machine Learning.
Agents intelligents
La notion d’agent est centrale en IA. Elle fournit un cadre unifié pour analyser et concevoir des systèmes d’IA, quelle que soit l’approche technique utilisée.
Définition d’un agent
Un agent est une entité qui perçoit son environnement à travers des capteurs et agit sur cet environnement à travers des actuateurs.
Cette définition est volontairement générale. Elle s’applique aussi bien à un robot physique qu’à un programme logiciel :
| Agent | Capteurs | Actuateurs |
|---|---|---|
| Humain | Yeux, oreilles, peau | Mains, jambes, voix |
| Robot | Caméras, LIDAR, microphones | Moteurs, haut-parleurs |
| Programme de jeu | État du jeu via API | Commandes de jeu |
| Assistant virtuel | Texte/audio de l’utilisateur | Texte/audio généré |
| Thermostat | Capteur de température | Système de chauffage |
Le cycle perception-action
Un agent fonctionne selon un cycle continu, illustré dans la Figure Figure 3. Ce cycle fondamental structure toute interaction entre un agent et son environnement :
- L’agent perçoit l’état de l’environnement via ses capteurs
- L’agent choisit une action selon sa fonction de décision
- L’agent exécute l’action via ses actuateurs
- L’environnement change (potentiellement)
- Retour à l’étape 1
Fonction d’agent et programme d’agent
La fonction d’agent \(f: \mathcal{P}^* \rightarrow \mathcal{A}\) associe à chaque séquence de perceptions une action à effectuer.
\(\mathcal{P}^*\) est l’ensemble de toutes les séquences de perceptions possibles (l’historique complet de ce que l’agent a perçu). \(\mathcal{A}\) est l’ensemble des actions possibles.
La fonction d’agent est une abstraction mathématique. Le programme d’agent est son implémentation concrète.
Une même fonction d’agent peut être implémentée de multiples façons. La fonction spécifie le comportement souhaité. Le programme spécifie comment le réaliser.
Agent rationnel
Un agent est rationnel s’il choisit, pour chaque séquence de perceptions possible, l’action qui maximise sa mesure de performance, étant donné :
- Sa connaissance préalable de l’environnement
- La séquence de perceptions observée jusqu’à présent
Rationalité \(\neq\) omniscience. Un agent rationnel fait de son mieux avec l’information disponible. Il peut se tromper si son information est incomplète ou incorrecte.
Un agent de trading rationnel peut perdre de l’argent si le marché se comporte de façon imprévisible. Sa décision était rationnelle au moment où il l’a prise, même si le résultat s’avère mauvais.
Le cadre PEAS
Pour spécifier complètement un problème d’agent, on utilise le cadre PEAS :
- Performance : comment évalue-t-on le succès de l’agent ?
- Environnement : dans quel contexte l’agent opère-t-il ?
- Actuateurs : quelles actions l’agent peut-il effectuer ?
- Senseurs (Capteurs) : que peut percevoir l’agent ?
- Performance : Sécurité, temps de trajet, confort, respect du code de la route, consommation
- Environnement : Routes, autres véhicules, piétons, conditions météo, panneaux
- Actuateurs : Volant, accélérateur, frein, clignotants, klaxon
- Sensors : Caméras, LIDAR, radar, GPS, odomètre, microphones
- Performance : Satisfaction client, temps de résolution, taux de résolution sans escalade
- Environnement : Interface de chat, base de connaissances, historique client
- Actuateurs : Messages texte, liens, transfert à un humain
- Sensors : Messages du client, métadonnées (heure, canal, historique)
Types d’environnements
Les caractéristiques de l’environnement déterminent en grande partie la difficulté du problème d’IA et les techniques appropriées pour le résoudre.
Propriétés des environnements
Observable vs Partiellement observable
- Totalement observable : Les capteurs donnent accès à l’état complet de l’environnement à tout instant.
- Partiellement observable : L’agent n’a qu’une vue partielle ou bruitée de l’état.
Exemples :
- Échecs = totalement observable (tout le plateau est visible)
- Poker = partiellement observable (cartes adverses cachées)
- Conduite automobile = partiellement observable (angles morts, intentions des autres conducteurs)
Déterministe vs Stochastique
- Déterministe : L’état suivant est entièrement déterminé par l’état actuel et l’action de l’agent.
- Stochastique : Il y a une part d’aléatoire dans les transitions.
Exemples :
- Échecs = déterministe (une action mène toujours au même résultat)
- Backgammon = stochastique (les dés introduisent de l’aléatoire)
- Monde réel = généralement stochastique
Épisodique vs Séquentiel
- Épisodique : Chaque épisode est indépendant. L’action actuelle n’affecte pas les épisodes futurs.
- Séquentiel : Les décisions actuelles affectent toutes les décisions futures.
Exemples :
- Classification d’images = épisodique (chaque image est indépendante)
- Échecs = séquentiel (chaque coup affecte la suite de la partie)
Statique vs Dynamique
- Statique : L’environnement ne change que lorsque l’agent agit.
- Dynamique : L’environnement peut changer pendant que l’agent réfléchit.
Exemples :
- Échecs avec horloge = semi-dynamique (le temps passe)
- Conduite = dynamique (les autres véhicules bougent)
- Mots croisés = statique
Discret vs Continu
- Discret : Nombre fini d’états, perceptions et actions.
- Continu : États, perceptions ou actions décrits par des valeurs continues.
Exemples :
- Échecs = discret (nombre fini de positions)
- Conduite = continu (angle du volant, vitesse)
Agent unique vs Multi-agents
- Agent unique : L’agent est seul dans l’environnement.
- Multi-agents : Plusieurs agents interagissent (coopération ou compétition).
Tableau récapitulatif
| Environnement | Obs. | Dét. | Épis. | Stat. | Disc. | Agents |
|---|---|---|---|---|---|---|
| Échecs | Total | Oui | Non | Oui | Oui | 2 |
| Poker | Partiel | Non | Non | Oui | Oui | Multi |
| Taxi autonome | Partiel | Non | Non | Non | Non | Multi |
| Diagnostic médical | Partiel | Non | Oui | Oui | Oui | 1 |
| Classification images | Total | Oui | Oui | Oui | Oui | 1 |
Implications pour la conception d’agents
La difficulté d’un problème d’IA est largement déterminée par ces propriétés :
- Totalement observable + Déterministe + Discret : Problèmes les plus simples. On peut souvent trouver des solutions exactes.
- Partiellement observable : L’agent doit maintenir des croyances sur l’état (probabilités).
- Stochastique : L’agent doit raisonner sur les distributions de résultats possibles.
- Dynamique : L’agent doit agir rapidement, parfois avec des informations incomplètes.
- Multi-agents : L’agent doit modéliser le comportement des autres (théorie des jeux).
Types d’agents
Les agents peuvent être classés selon leur sophistication, depuis les plus simples (réflexes) jusqu’aux plus complexes (basés sur l’utilité). Cette classification représente une progression vers des agents plus capables. La Figure Figure 4 présente cette progression, du plus simple au plus sophistiqué.
Agent réflexe simple
Un agent réflexe simple sélectionne des actions uniquement sur la base de la perception actuelle, ignorant l’historique des perceptions.
Formellement : \(action = f(perception\_actuelle)\)
Ces agents utilisent des règles condition-action (ou règles « si-alors ») :
if obstacle_devant:
action = tourner
elif ligne_a_droite:
action = suivre_ligne
else:
action = avancerLimitations :
- Ne fonctionne que si l’environnement est totalement observable
- Pas de mémoire, pas d’apprentissage
- Échoue si la même perception peut nécessiter différentes actions selon le contexte
Un thermostat simple est un agent réflexe : si température \(<\) seuil, allumer le chauffage ; sinon, éteindre.
Agent réflexe avec état (basé sur modèle)
Un agent basé sur modèle maintient un état interne qui dépend de l’historique des perceptions. Il utilise un modèle de l’environnement pour mettre à jour cet état.
L’état interne permet de gérer l’observabilité partielle :
état = mettre_à_jour(état, action, perception, modèle)
action = règles(état)Modèle de l’environnement :
- Modèle de transition : Comment le monde évolue (indépendamment de l’agent et en réponse aux actions)
- Modèle de capteurs : Comment l’état du monde se traduit en perceptions
Une voiture autonome maintient une carte interne des positions des autres véhicules, même quand ils sont temporairement hors du champ de vision (angle mort).
Agent basé sur des buts
Un agent basé sur des buts possède une représentation explicite de ses objectifs. Il évalue les actions selon leur capacité à atteindre ces objectifs.
Ces agents nécessitent des capacités de recherche et de planification pour trouver des séquences d’actions menant au but.
La simple connaissance de l’état actuel ne suffit plus. L’agent doit :
- Considérer les actions possibles
- Prédire leurs conséquences
- Évaluer si le résultat correspond au but
Un GPS ne réagit pas simplement à la position actuelle. Il a un but (destination) et planifie une route pour l’atteindre.
Agent basé sur l’utilité
Un agent basé sur l’utilité utilise une fonction d’utilité qui mesure le « bonheur » de l’agent dans un état donné. L’agent cherche à maximiser son utilité espérée.
Les buts sont binaires (atteint ou non). L’utilité est graduée et permet de :
- Comparer des objectifs conflictuels (rapidité vs sécurité)
- Pondérer les probabilités de succès
- Gérer l’incertitude de manière rationnelle
Un agent de trading ne vise pas simplement « gagner de l’argent ». Il maximise une fonction d’utilité qui prend en compte le rendement espéré, le risque, les contraintes de liquidité, etc.
Agent apprenant
Un agent apprenant peut améliorer ses performances à partir de l’expérience. Il comprend quatre composants :
- Élément de performance : sélectionne les actions
- Critique : évalue les performances par rapport à un standard
- Élément d’apprentissage : modifie l’élément de performance pour s’améliorer
- Générateur de problèmes : suggère des actions exploratoires
L’apprentissage permet à l’agent de fonctionner dans des environnements initialement inconnus et de s’améliorer continuellement.
Les branches de l’Intelligence Artificielle
L’IA est un champ vaste qui se subdivise en plusieurs domaines spécialisés. Cette section présente les principales branches et leur interconnexion.
Carte des sous-domaines
L’Intelligence Artificielle s’est progressivement structurée en plusieurs sous-domaines spécialisés, chacun apportant des outils et méthodes spécifiques pour résoudre certaines classes de problèmes. Ces domaines ne sont pas isolés : ils partagent des fondements théoriques communs et s’enrichissent mutuellement. Un système d’IA moderne combine souvent plusieurs de ces branches pour accomplir des tâches complexes. La Figure Figure 5 présente une cartographie de ces domaines et leurs relations, en indiquant également quelles séances de ce cours abordent chaque branche.
Recherche et planification (Search & Planning)
Question centrale : Comment trouver une séquence d’actions pour atteindre un objectif ?
Ce domaine traite des problèmes où l’on connaît les règles du jeu et où l’on cherche une solution optimale ou satisfaisante :
- Algorithmes de recherche : BFS, DFS, A*, etc.
- Planification automatique
- Résolution de contraintes
- Jeux à deux joueurs (minimax, alpha-beta)
Applications : GPS, puzzles, scheduling, jeux (échecs, Go).
Ce cours : Séance 3.
Représentation des connaissances et raisonnement
Question centrale : Comment représenter et manipuler des connaissances ?
Ce domaine étudie comment encoder des faits et des règles de manière à permettre le raisonnement automatique :
- Logique propositionnelle et du premier ordre
- Ontologies et graphes de connaissances
- Raisonnement par inférence
- Systèmes experts
Applications : Diagnostic médical, systèmes juridiques, bases de connaissances (Wikidata).
Ce cours : Séance 2.
Apprentissage automatique (Machine Learning)
Question centrale : Comment apprendre à partir de données ?
Le ML est aujourd’hui la branche la plus active de l’IA. Elle se subdivise en :
- Apprentissage supervisé : Apprendre à partir d’exemples étiquetés
- Apprentissage non supervisé : Découvrir des structures dans des données non étiquetées
- Apprentissage par renforcement : Apprendre par essai-erreur avec des récompenses
Applications : Classification, régression, clustering, recommandation, jeux.
Ce cours : Introduction en Séance 5. Cours dédié au S2.
Raisonnement probabiliste
Question centrale : Comment raisonner sous incertitude ?
Le monde réel est incertain. Cette branche étudie comment prendre des décisions rationnelles malgré l’incertitude :
- Théorème de Bayes
- Réseaux bayésiens
- Modèles de Markov cachés
- Filtrage et prédiction
Applications : Diagnostic, filtrage de spam, reconnaissance vocale.
Ce cours : Séance 4.
Traitement du langage naturel (NLP)
Question centrale : Comment permettre aux machines de comprendre et générer du langage humain ?
- Analyse syntaxique et sémantique
- Traduction automatique
- Extraction d’information
- Génération de texte
- Grands modèles de langage (LLM)
Applications : Chatbots, traduction, résumé automatique, assistants vocaux.
Vision par ordinateur
Question centrale : Comment permettre aux machines de « voir » ?
- Reconnaissance d’objets et de visages
- Segmentation d’images
- Détection de mouvement
- Reconstruction 3D
Applications : Voitures autonomes, contrôle qualité, imagerie médicale.
Robotique
Question centrale : Comment créer des agents physiques intelligents ?
La robotique intègre plusieurs sous-domaines de l’IA :
- Perception (vision, capteurs)
- Planification de mouvement
- Contrôle moteur
- Interaction homme-robot
Applications : Robots industriels, exploration spatiale, chirurgie robotique.
Interconnexions
Ces domaines ne sont pas isolés. Un système d’IA moderne combine souvent plusieurs branches :
Une voiture autonome utilise :
- Vision par ordinateur (comprendre la scène)
- Raisonnement probabiliste (estimer les positions des obstacles)
- Planification (choisir une trajectoire)
- Apprentissage (améliorer les modèles de perception)
- Contrôle robotique (exécuter les mouvements)
Synthèse et perspectives
Ce que nous avons appris
Cette séance a établi les fondations conceptuelles pour tout le cours :
- L’IA vise à créer des agents rationnels qui agissent de manière optimale étant donné leur information.
- Le Machine Learning est une approche de l’IA, pas un synonyme. Le Deep Learning est une technique de ML.
- Un agent perçoit son environnement et agit sur lui. Le cadre PEAS (Performance, Environment, Actuators, Sensors) permet de spécifier complètement un problème d’agent.
- Les caractéristiques de l’environnement (observable, déterministe, épisodique, statique, discret, mono/multi-agents) déterminent la difficulté du problème et les techniques appropriées.
- Les agents varient en sophistication : réflexe \(\rightarrow\) basé sur modèle \(\rightarrow\) basé sur buts \(\rightarrow\) basé sur utilité \(\rightarrow\) apprenant.
Fil conducteur du cours
Ce cours suit une progression logique qui répond à des questions successives :
| Séance | Question | Ce qu’on apprend |
|---|---|---|
| 1 | Qu’est-ce que l’IA ? | Cadre conceptuel, agents |
| 2 | Comment raisonner ? | Logique, calcul formel |
| 3 | Comment chercher ? | Algorithmes de recherche |
| 5 | Comment gérer l’incertitude ? | Probabilités, Bayes |
| 6 | Pourquoi apprendre ? | MDPs, intro au ML |
Vers la séance 2 : L’IA qui raisonne
La prochaine séance aborde la première grande approche de l’IA : le raisonnement formel.
Un agent rationnel doit pouvoir représenter des connaissances sur le monde et en déduire de nouvelles informations. La logique fournit un cadre rigoureux pour cela. Les systèmes experts des années 1970-80 et les outils de calcul formel comme Wolfram Alpha illustrent cette approche.
La question centrale sera : comment un système peut-il raisonner de manière garantie correcte ?
Références
- Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Chapitres 1-2.
- Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. Chapitre 1.
- Prince, S. J. D. (2023). Understanding Deep Learning. MIT Press. Chapitre 1.
Ressources du chapitre
- TD · Fiche de TD 1 (106 Ko)
- Notebook · TP 1 — Premiers pas (21 Ko)