Les familles d'IA : symbolique et apprentissage
Deux façons de faire une IA, écrire les règles ou les faire apprendre à partir d'exemples : système expert, moteur d'inférence, ce que chaque famille explique et exige, et les grandes dates de 1950 à 2022.
- 24 cartes
- 5 thèmes
- Gratuit
Le programme, thème par thème
Le poids de chaque thème suit celui que lui donne l'examen.
- Notions
- Questions
- Ranger et relier
- Sur la frise
- Comprendre
Quelques cartes du deck
IA symbolique : de quoi s'agit-il ?
Voir la réponse
Famille d'approches où des humains écrivent explicitement les connaissances et les règles de raisonnement, que la machine manipule ensuite.
Chaque conclusion se retrace règle par règle, mais tout ce que la machine sait a dû être écrit à la main.
Un moteur en chaînage avant part des faits « fièvre » et « toux ». Quels faits contient la base à saturation ?
```text
R1 : fièvre ET toux -> infection
R2 : infection ET fatigue -> grippe
R3 : fièvre ET éruption -> rougeole
R4 : infection -> repos conseillé`- Fièvre, toux, infection et repos conseillé
- Fièvre, toux, infection, grippe et repos conseillé
- Fièvre, toux et infection, car R4 n'a pas de seconde condition
- Fièvre, toux, infection, rougeole et repos conseillé
Voir la réponse
Fièvre, toux, infection et repos conseillé
R1 se déclenche et ajoute « infection ». Cela rend R4 déclenchable : « repos conseillé » s'ajoute. R2 exige « fatigue » et R3 « éruption », deux faits absents : elles ne se déclenchent pas.
Dans le …, le moteur part des faits connus et déclenche toute règle dont les conditions sont remplies, jusqu'à … : plus aucun fait nouveau.
Voir la réponse
Dans le chaînage avant, le moteur part des faits connus et déclenche toute règle dont les conditions sont remplies, jusqu'à saturation : plus aucun fait nouveau.
Un fait ajouté peut rendre une autre règle déclenchable : c'est ce qui fait avancer la chaîne de déductions.
Apprentissage automatique : de quoi s'agit-il ?
Voir la réponse
Famille d'approches où la machine ajuste elle-même ses paramètres à partir d'exemples, au lieu de suivre des règles écrites une à une.
Le comportement vient des données : de meilleurs exemples améliorent le système, de mauvais exemples le dégradent.
Pourquoi un filtre anti-courriels indésirables est-il plutôt appris qu'écrit en règles ?
- Les expéditeurs changent sans cesse de formulation : réentraîner sur de nouveaux exemples est plus simple que réécrire des règles
- Une règle écrite ne peut pas tester la présence d'un mot dans un message
- Un modèle appris justifie chaque message écarté mieux qu'une règle
- Les règles exigent plus de données d'exemples qu'un modèle appris
Voir la réponse
Les expéditeurs changent sans cesse de formulation : réentraîner sur de nouveaux exemples est plus simple que réécrire des règles
Les règles sont lisibles mais vite contournées ; l'apprentissage suit l'évolution des messages. Il est en revanche moins explicable, et dépend de la qualité des exemples.