Sur la base de l'hypothèse de l'intelligence artificielle faible, une technologie fréquemment utilisée est le système expert, puisque construit selon l'approche descendante. Sa fonction est de reproduire l’expertise d'un expert humain dans un domaine spécifique comme l’assistance en ligne, ou l’aide à la décision.

Né d'une idée dès plus simple : rendre les ordinateurs intelligents en leur fournissant la connaissance des experts. Ceux-ci n'ont cependant pas la prétention d'imiter une quelconque réflexion ou raisonnement comme un réseau de neurones artificiels. Pourtant et tout comme le stipule l'approche descendante, le système expert a pour but de reproduire le résultat et non le fonctionnement. Ce qui ne l'empêche donc pas de fournir des réponses très satisfaisantes à des problèmes posés.

Le système expert se décompose en trois parties formant des couches :

Premièrement, il y a une base de connaissance portant sur un sujet bien précis et enrichi grâce à des individus qui connaissent bien le domaine à modéliser et capables de transmettre leur savoir.

Ensuite « un moteur d'inférence » : ce composant propose des expressions logiques à partir d'une banque de règles (permettre au système de raisonner d'après des faits "si ... alors ..."). C'est cet ensemble de règles qui va être enchaîné pour simuler le raisonnement d'un expert humain.

Enfin, il y a l’interface utilisateur qui permet de communiquer avec le logiciel.

  Les parties principales d'un système expert

Une fois la base de connaissance suffisamment enrichie à l'aide du savoir d'un spécialiste dans le domaine, l'utilisateur n'a plus qu'à fournir certaines informations généralement sous la forme de questions réponses à propos d’un problème à identifier. A l’aide des règles logiques, le système expert travaille avec la base de données et tire des conclusions. S’il n’y a pas assez d’informations fournis, le système peut alors demander à l’utilisateur de répondre à d'autres questions afin de faire poursuivre la suite des déductions (par exemple dans le cas où le système est incapable de prendre une décision les renseignements fournis par l'utilisateur amènent à être complétés par ce dernier).

Généralement conçu pour résoudre des problèmes de diagnostic ou de décision (diagnostic médical, prescription thérapeutique, régulation d'échanges boursiers, ...) ceux-ci sont très appréciés et donc fréquemment utilisés grâce à leur déploiement rapide (mise en activité dès que la base de connaissance a été construite).

Notons que l'état de connaissance des systèmes experts est comparable à nos connaissances actuelles puisque celui-ci est constamment mis à jour.

Quelques exemples :

• Un exemple troublant de système expert est accessible par le lien dans le menu de gauche : un génie, ou plutôt un système expert, devine à quoi vous pensez en 10 questions !

• Pour prendre un autre exemple concret, on peut imaginer un programme capable de définir quelle est la meilleure voiture pour un usager.
  L'usager renseigne son âge, ses revenus, ses déplacements (les faits) qui sont envoyés au programme. A l'aide d'un moteur d'inférence qui essaie de déduire des conclusions à partir d'une base de connaissances en fonction des faits donnés, il renvoie à l'utilisateur la voiture qui lui convient le mieux.

Un bon exemple de programme de type ascendant est un réseau de neurones artificiels.

Comme son nom l’indique, ce type de programme reproduit plus ou moins fidèlement le fonctionnement de plusieurs neurones naturels liés entre eux comme chez l'homme par exemple.

* En 1837, le premier neurologiste : Jan Evangelista Purkinje, observe des cellules nerveuses. Elles furent tout d'abord baptisées les cellules de Purkinje.

* Et finalement nommées neurones en 1891.

* Peu après, la théorie du neurone de Waldeyer et Cajal, les décrive comme l'unité du système nerveux.

* En 1943, deux scientifiques pensent qu'il est possible de traduire les fonctions de nos neurones en fonctions mathématiques de façon à adapter le fonctionnement de notre cerveau à un ordinateur. C'est ainsi que le premier modèle mathématique du neurone est mis au point par le neurologue américain Warren Mc Culloch et le mathématicien Walter Pitts.

Le neurone formel, utilisé dans le fonctionnement de l'intelligence artificielle, est l'approche mathématique du neurone biologique. Nous étudierons ici les différences avec son homologue nerveux dont il s'inspire dans sa manière de fonctionner.

Les neurones biologiques :

Un neurone humain est une cellule nerveuse que l'on retrouve notamment dans le cerveau mais aussi dans la moelle épinière et les nerfs optiques. Ses caractéristiques sont d'abord celles d'une cellule. C'est à dire qu'il possède tout naturellement une membrane plasmique, un cytoplasme, des organites, un noyau ... Pourtant il se différencie de ses semblables sous un point. Un neurone permet de transmettre les influx nerveux à d'autres neurones grâce à différentes structures et ceci lui confère le titre de pièce maîtresse dans le fonctionnement de l'organisme humain car sa particularité est unique !

Les dites structures qui nous intéressent ici sont les dendrites, l’axone et le noyau.

Les dendrites, jusqu'à plusieurs milliers, sont des prolongements de la cellule. L'axone est quand à lui une passerelle reliant deux neurones, ramifiés à leurs deux extrémités par des connections : les synapses, zones de "contact" entre l'axone des neurones et une dendrite du neurone.

Le noyau «décide» si l’influx nerveux doit être transmis. Si c’est le cas, l’influx traverse l’axone pour se rendre aux dendrites d’un autre neurone, via des connections synaptiques.

Une fois l'assemblage des neurones effectué, ceux-ci forment un réseau à même d'apprendre un tas de chose. La méthode à suivre ensuite, consiste à introduire différents ensembles de données dans le réseau, puis de vérifier la validité du résultat. Dans le cas où celui-ci serait faux, il faut corriger les poids des connexions afin d'arriver progressivement à une réponse correcte. Notons également que le poids d'une connexion fluctue selon son importance et sa moyenne d'utilisation durant le processus. Son poids augmente plus elle est utilisé et inversement.

Une fois le processus d’apprentissage achevé, le réseau est amené à accomplir sa tâche, celle pourquoi il a été conçu. Comme exemple, ces réseaux sont fréquemment utilisés dans la reconnaissance de formes comme l'écriture. C'est leurs capacités à s'adapter et à posséder une grande liberté d'interprétation voir d’abstraction des valeurs d'entrées qui en font d’excellents outils. Leurs aptitudes très diverses va jusqu'à reconnaître une lettre d'après les différentes formes possibles de celle-ci fournie en entrée. Celui-ci même avec des formes très diverses, même grossières, ou dénaturées (lettre en italique, gras, avec un style d'écriture particulière) arrive à les décortiquer pour finalement pouvoir les ramener à une valeur plus générale : la lettre recherchée.

La polyvalence est donc une grande force de ces réseaux.

La reconnaissance de formes : ici le A sous différentes déclinaisons.

L'IA forte est donc une copie conforme de l'Homme. Celle-ci est toute fois abstraite puisque les scientifiques n'ont toujours pas compris tous les aspects de l'homme tel que son cerveau qui est donc pour l’instant impossible à répliquer. L'IA forte reste cependant le rêve d'une grande partie des chercheurs du monde entier.

Faisons le point :

Nous avons vu ensemble comment communiquent et fonctionnent les ordinateurs : avec un système binaire, vous vous rappelez ? Nous avons aussi approché le conflit qui se présente avec les humains, lesquels quant à eux, utilisent le langage parlé, écrit, voir gestuel pour communiquer. Cette simple contradiction implique un problème d’envergure. Comment reproduire une intelligence exprimée en mots et idées dans un programme fait de 0 et de 1 ? La solution décrite dans le chapitre précédent a été d’implémenter des symboles constituant des langages dits de programmation, résumant cette idée ou ce concept. C’est la base de la plupart des programmes d’intelligence artificielle, utilisant une structure symbolique pour fonctionner et même évoluer !

Les symboles : intermédiaires entre les idées et le langage machine.

Maintenant que nous avons remémoré à nos lecteurs les bases, nous allons pouvoir passer à la partie principale de ce chapitre : la place de l’intelligence artificielle dans les langages de programmation dont son langage dédié : le Lisp.

Lisp le langage de programmation pour L’IA :

Lisp a été conçu et développé entre 1956 et 1958 essentiellement par John McCarthy  dans le cadre du projet «Intelligence Artificielle» au MIT.Il constitue l’un des langages les plus connus et utilisés en intelligence artificielle, toutefois il n’est pas le premier dans ce domaine. Avant lui, le précurseur se trouve être IPL, employé à l’époque pour les travaux sur GPS (General Problem Solver). Plus tard en 1972, Prolog, un autre langage sur l’intelligence artificielle, verra le jour mais nous nous intéresserons ici principalement à Lisp.

Lisp possède un avantage énorme sur d'autres langages. Il est profondément basé sur la logique. Telles situation impliquent telles réactions ou telles réactions pour telles situations. Au final « l’intelligence » créée a emmagasiné une base de données de comportements à adopter en prévision de toutes les figures qu’elle pourrait être amenée à rencontrer.

La logique par l’exemple :

Pour bien comprendre cette méthodologie, mettons en situation un petit robot mobile très élémentaire que nous supposons :

• disposer d'un capteur de choc avant gauche

• disposer d'un capteur de choc avant droit

• disposer d'un moteur gauche (si seul activé, fait tourner à droite)

• disposer d'un moteur droit (si seul activé, fait tourner à gauche)

Nous pouvons chercher à décrire son comportement de façon littérale. En énumérant à la suite chaque action que le robot sera capable d'accomplir et en s'imposant une formalisation des règles à découvrir. Par exemple une règle décrivant une action pourra être de la forme :

si ((le robot est dans l'état X) et (l'évènement Y vient de se produire)) alors (passer à l'état Z)

Un état pourra être une action que le robot est en train de réaliser. Un événement pourra être quelque-chose qui le fera réagir.

On peut énumérer les actions que nous souhaitons voir exécuter par le robot (la description est ici décrite en langue française et doit bien sûr être traduite sous la forme d'un programme) :

• A : le robot avance

• B : le robot recule puis tourne à gauche

• C : le robot recule puis fait un tour sur lui même

• D : le robot recule puis tourne à droite

A l'instar des actions nous pouvons énumérer les évènements (avec les mêmes remarques que pour les actions en ce qui concerne le code) :

• a : il ne se passe rien

• b : le capteur droit vient d'être excité

• c : le capteur gauche et le capteur droit viennent d'être excités

• d : le capteur gauche vient d'être excité

Utilisons le motif que nous avons déjà donné pour décrire les comportements que nous souhaitons voir exécuter par notre robot :

• si ((le robot est dans l'état A) et (l'évènement a vient de se produire)) alors (passer à l'état A)

• si ((le robot est dans l'état A) et (l'évènement b vient de se produire)) alors (passer à l'état B)

Ou plus clairement : si le robot avance et qu'un choc avant droit est détecté alors le robot recule puis tourne à gauche.

• si ((le robot est dans l'état A) et (l'évènement c vient de se produire)) alors (passer à l'état C)

• si ((le robot est dans l'état A) et (l'évènement d vient de se produire)) alors (passer à l'état D)

Supposons que A est l'état initial du robot et qu'il ne se passe rien. Le robot applique la première règle. Il continue à avancer et est donc toujours dans l'état A. Puis l'évènement d intervient (choc de ses deux capteurs). Alors il n'a pas d'autre choix que d'appliquer la règle 3 : il recule pour faire demi-tour. Il se retrouve dans l'état C et au bout d'un petit moment se met à avancer. Il se retrouve donc de nouveau dans l'état A et ainsi de suite.

L'intelligence artificielle dans un robot :

Un robot s'apparente typiquement à une machine capable d'évoluée dans un environnement donné. Soit de manière intelligente en réfléchissant au moyen de modifier son comportement (par exemple pour s'adapter à un milieu suivant le terrain et les contraintes qui apparaissent comme des obstacles, des objets, des trous …).

Soit de manière répétitive en effectuant une tâche précise en boucle dans une chaîne de production par exemple.

Chez le robot les informations provenant de l’extérieur sont captées par différents moyens de perception. Ces moyens sont bien souvent des imitations de ceux des humains : micros, capteurs, caméras ... Toutes ces informations en provenance des capteurs sont ensuite envoyées à la tête pensante de la machine, comme un cerveau, le plus souvent un ordinateur embarqué. Celui-ci va ensuite traiter les données récoltées lui permettant de se repérer et de disposer d'éléments sur le milieu où il se trouve grâce à des fonctions ou à de nombreux algorithmes embarqués dans son système (assemblage d'instructions permettant l'exécution d'une tâche donnée).

La prise de décision appartient aux algorithmes et lui permettent de réagir en conséquence, en modifiant le comportement de certains de ses composants : moteurs, lumières, circuits … Le robot a dès lors atteint la capacité d'être autonome en milieu inconnu ou bien d'exercer une tache répétitive comme les robots industriels dans les chaînes de montage par exemple.

Schéma d'un robot avec des capteurs reliés à une carte de contrôle (le cerveau du robot) et qui envoie des instructions aux moteurs.

Source : http://www.roboticus.org/images/stories/robotique/schemabaserobot.gif

Les courants d’intelligences :

Pour le moment l’intelligence artificielle n’a pas de réel impact mais on peut imaginer que dans le futur l’intelligence artificielle pourra accomplir des tâches qui sont pour l’instant mieux gérées par des êtres humains. Celles-ci demandant entre autres des capacités mentales que l’intelligence artificielle n’a pas encore atteintes, tel l’apprentissage d’une situation nouvelle, l’organisation de la mémoire et le raisonnement.

C’est ainsi que sont apparus au fil du temps deux courants d’idées, en quelque sorte opposés mais fondamentalement complémentaires : respectivement l'IA Forte ou ascendant et l'IA Faible ou descendant. Parmi ces deux approches visant à créer un programme intelligent, le premier favorise des programmes simples mais évolutifs, tandis que le deuxième se base sur des programmes complexes et spécialisés.

Pour mieux comprendre la disparité entre ces deux approches, nous avons décidé de diviser ce chapitre en sous parties, chaque fois suivi par un exemple d'utilisation.

L'intelligence artificielle, souvent abrégé par le sigle I.A, est par définition la recherche de moyens pour égaliser voir dépasser les capacités intellectuelles propres à l’homme en dotant des machines, des systèmes informatiques, de la disposition à penser, à assimiler, à réfléchir, à comprendre, à s’adapter, voir même à posséder ses propres sentiments et jugements de façon autonome.

Cette recherche d’aptitudes imitées de l’homme ne date pas d’hier et pourtant constitue toujours aujourd’hui l’un des points chauds de la science ; déjà depuis plusieurs siècles l’homme étudie sa propre complexité, car il est inné chez lui que dès sa naissance, il ait des prédispositions dans certains domaines. Le cerveau dont il dispose est notamment d’une complexité extrêmement importante, lui permettant de raisonner et de comprendre par apprentissage ; il lui sert également dans la perception visuelle (interprétation des images et des scènes) et auditive (compréhension du langage parlé).

Il paraît tellement difficile de reproduire les processus de notre cerveau qu’il est sensé de penser que l’égaler ne se fera pas avant des décennies de recherches approfondies.

Pourtant ce tâtonnement dans ce domaine part d’une constatation : l’homme malgré se dont il est doté est dépassé par la complexité de plus en plus grande du monde dans lequel il vit !

Une comparaison bien simple va nous permettre d’éclairer cette observation.

Prenons une calculatrice, personne ne sera étonné à ce qu’elle puisse effectuer des calculs complexes en une fraction de secondes, ce dont nous sommes bien incapables !

Quand bien même nous avons conçu cette calculatrice, que nous lui avons inculqué toute l’arithmétique, toute la connaissance mathématique appartenant à notre savoir : il nous manquera toujours une chose considérable, celle qui nous fait défaut face aux calculatrices (même les plus bas de gammes comme la casio que possédait mon père au collège il y a 40 ans), aux ordinateurs et aux calculateurs : c’est la rapidité à laquelle ils sont capables de traiter l’information ! De résoudre en un claquement de doigt des milliards et des milliards de calculs, quand nous nous n’avons pas encore enlevé le capuchon de notre stylo Bic préféré !

Malgré ce fait nous allons tout de suite « casser » la croyance populaire, en effet il ne faut pas confondre intelligence et automatisme. La calculatrice par exemple n’est pas intelligente !

Beaucoup de personnes pensent que parce qu’elle a la capacité de faire telle ou telle chose qui nous parait tout à fait incroyable, elle est intelligente, or ceci est faux : puisqu’elle ne sait pas, elle même, qu'elle fait des calculs !

En somme ici, elle exécute une tâche, n’importe laquelle, du moment qu’on le lui ait demandé et qu’elle en est capable. Elle résout donc une suite algorithmique, comme on le lui a apprise, sans réfléchir d’aucune sorte : « à quoi va donc pouvoir servir ce calcul ? » ou encore « que se passera t-il demain si mes piles s’épuisent ? », « que vais-je devenir ? ». Tout cela passe au dessus d’elle, elle n’est qu’une imitation grossière de notre intelligence, elle est seulement capable de résoudre des problèmes et c’est précisément ce qu’on appelle l’I.A faible !

Au contraire de cette I.A faible, pâle copie « simulant l’intelligence » mais qui est pourtant extrêmement présente dans notre société ; notamment dans tous les systèmes en temps réel ayant besoin d’une force de calcul conséquente (calculatrices, ordinateurs et calculateurs) et dans tout ce qui s’apparente à un outil accroissant exponentiellement dans certains domaines notre rapidité de réponse, il y a de l’autre : l’IA forte qui est de ce qu’il y a de plus abouti en terme d’intelligence artificielle ! L’I.A forte peut non seulement "réfléchir" mais aussi éprouver des "sentiments".

En terme général ce genre de machine saura s'adapter et agir seule, intelligemment, à toutes les situations qui se présenteraient. Ces machines ne sont donc plus de simples outils mais bien des intelligences à proprement parlées, dotées d’une conscience tout comme l’homme ainsi que de tous ses attraits et qui s’orientent d’avantage vers un modèle idéal d’intelligence :

« Supposons qu’existe une machine surpassant en intelligence tout ce dont est capable un homme, aussi brillant soit-il. La conception de telles machines faisant partie des activités intellectuelles, cette machine pourrait à son tour créer des machines meilleures qu’elle-même ; cela aurait sans nul doute pour effet une réaction en chaîne de développement de l’intelligence, pendant que l’intelligence humaine resterait presque sur place. Il en résulte que la machine ultra intelligente sera la dernière invention que l’homme aura besoin de faire, à condition que ladite machine soit assez docile pour constamment lui obéir. ».

Description d’un possible avenir de l’intelligence artificielle faite par le professeur I. J. Good.

Mais pour le moment, aucun programme n'est réellement capable de répondre pleinement à l’I.A forte. Depuis le milieu du XXème siècle l'I.A est pourtant en constante évolution, ses capacités ont fait d'elle le « phénomène » du siècle dernier. Ainsi remonter aux origines nous permettra peut-être de comprendre son évolution, ses ambitions, son utilité, car tout ce que nous connaissons aujourd'hui et qui se rapporte à l'I.A est le fruit de nombreuses recherches dont la naissance date du XXème siècle.

Alors, l'évolution de l'intelligence artificielle, intimement liée à l'essor des capacités matérielles de cette époque, a t-elle impliqué un bouleversement dans la société du XXème siècle ?

Animé dans cet esprit, c'est précisément ce qu'essayera de mettre en lumière ce blog TPE. Nous tenterons donc de déterminer précisément son impact sur la société du XXème siècle. En effet, les avancées d'hier collaborent aux inventions et progrès de demain. Ceci après avoir introduit son fonctionnement suivant notamment les deux approches introduites plus haut : j'ai nommé l'IA Forte et l'IA Faible.

Bonne lecture : « C'est pas sorcier : les langages de programmation ». 

Note :

Un ordinateur typique de 1970 effectuait 10⁷ opérations logiques par seconde tandis que le cerveau humain en effectue grossièrement 2 x 10¹⁴ par seconde.

En 2005, un microprocesseur typique en réalisait 10¹¹par seconde...

Ainsi aujourd'hui le superordinateur le plus avancé au monde, situe ses opérations en pétaflop, précisément 2,566  pétaflop, c'est à dire près de 2.5*10¹⁵opérations logiques par seconde. (Petite anecdote : l'équivalent d'une journée de travail de "RoadRunner"(son nom) serait possible si : «  les 6 milliards d'êtres humains de cette planète calculaient 7 jours sur 7 et 24 heures sur 24 pendant 46 ans » )...