L’Intelligence Artificielle Quelle perspective sur la/les

AntoineCornuéjols

AgroParisTech–INRAMIA518

L’IntelligenceArtificielle

Quelleperspectivesurla/lesmémoire(s)?

1.  Brefhistoriquedel’IntelligenceArtificielle

2.  Mémoire,informationetcalcul

3.  Mémoireetapprentissage

4.  Lamémoirepourcomprendre

5.  Lebigdataetlesréseauxdeneuronesprofonds

6.  Conclusions:l’IAetlesgrandesquestionssurlamémoire

Brefhistoriquedel’IA

IA=méthodesgénéralesderaisonnement

1956-~1970

•  Raisonnement=manipulationdereprésentationsdiscrètesdesconnaissances

–  Démonstrateursdethéorèmes

–  Résolveursuniverselsdeproblèmes(GPS)

–  CHECKER:vice-championdumondeaujeudedames(1962)

C B A C B

A C B A

((BA) (C))

((AB) (C))

((B) (AC)) ((A) (BC))

((CA) (B))

((A) (CB))

,A) bouger(B,C)

Opérateur ((A)(B)(C))

Raisonnement/résolutiondeproblèmes

•  Méthodes de recherche dans un graphe

5.1 The Logic Theorist and Heuristic Search

Figure 5.2: The eight-puzzle.

with. I will represent the starting position by the following structure, which isa list of three sublists:

((2, 8, 3), (1, 6, 4), (7, B, 5)).

The first sublist, namely, (2, 8, 3), names the occupants of the first row of thepuzzle array, and so on. B stands for the empty cell in the middle of the thirdrow.

In the same fashion, the goal configuration is represented by the followingstructure:

((1, 2, 3), (8, B, 4), (7, 6, 5)).

Next, we have to show how a computer can transform structures of thekind we have set up in a way that corresponds to the allowed moves of thepuzzle. Note that when a tile is moved, it swaps places with the blank cell;that is, the blank cell moves too. The blank cell can either move within its rowor can change rows.

Corresponding to these moves of the blank cell, when a tile moves withinits row, B swaps places with the number either to its left in its list (if there isone) or to its right (if there is one). A computer can easily make either ofthese transformations. When the blank cell moves up or down, B swaps placeswith the number in the corresponding position in the list to the left (if there isone) or in the list to the right (if there is one). These transformations can alsobe made quite easily by a computer program.

Using the Newell and Simon approach, we start with the symbol structurerepresenting the starting configuration of the eight-puzzle and apply allowedtransformations until a goal is reached. There are three transformations of thestarting symbol structure. These produce the following structures:

((2, 8, 3), (1, 6, 4), (B, 7, 5)),

((2, 8, 3), (1, 6, 4), (7, 5, B)),

and((2, 8, 3), (1, B, 4), (7, 6, 5)).

Copyright c�2010 Nils J. Nilssonhttp://ai.stanford.edu/⇠nilsson/

http://www.cambridge.org/us/0521122937

5 Early Heuristic Programs

None of these represents the goal configuration, so we continue to applytransformations to each of these and so on until a structure representing thegoal is reached. We (and the computer) can keep track of the transformationsmade by arranging them in a treelike structure such as shown in Fig. 5.3.(The arrowheads on both ends of the lines representing the transformationsindicate that each transformation is reversible.)

Figure 5.3: A search tree.

This version of the eight-puzzle is relatively simple, so not manytransformations have to be tried before the goal is reached. Typically though(especially in larger versions of the puzzle), the computer would be swampedby all of the possible transformations – so much so that it would nevergenerate a goal expression. To constrain what was later called “thecombinatorial explosion” of transformations, Newell and Simon suggestedusing “heuristics” to generate only those transformations guessed as likely tobe on the path to a solution.

In one of their papers about LT, they wrote “A process that may solve aproblem, but o↵ers no guarantees of doing so, is called a heuristic for thatproblem.” Rather than blindly striking out in all directions in a search for a

116Copyright c�2010 Nils J. Nilssonhttp://ai.stanford.edu/⇠nilsson/

IA=méthodesgénéralesderaisonnement

1956-~1970

•  Raisonnement=manipulationdereprésentationsdiscrètesdesconnaissances

–  Démonstrateursdethéorèmes

–  Résolveursuniverselsdeproblèmes(GPS)

–  CHECKER:vice-championdumondeaujeudedames

•  Maisl’intelligencen’estpasqueça

•  Lesexpertspossèdentunrépertoireénormedeconnaissances

IA:«Knowledgeispower»

~1970-~1985

•  Ilfautreprésenterdesconnaissancesmultiplesetcomplexes

1.  Représentationsstructurées:réseauxsémantiques,scripts,schémas,…

2.  Développementdes«systèmesexperts»

Problème : �� comment acquérir toutes ces connaissances ?

IA:recoursàdesméthodesgénéralesd’apprentissage

~1985-…

•  Développementdenouvellesméthodesd’apprentissage

–  Dontlesréseauxdeneurones(2èmegénération:1985)

–  Puislesréseauxdeneuronesprofonds(2007-…)

Mémoire,informationetcalcul

LamachinedeTuring

UnemachinedeTuringestcomposéede:

–  Unrubaninfinicontientdescasessurlesquellesunsymbolepeutêtreécritoulu

–  Unetêtedelecture/écriturepeutsedéplacerd’unecaseàdroiteouàgauche

–  Unensemblederèglesdéfinissantcequelamachinedoitfairequandunsymboleestluenfonctiondel’étatcourantdelamachine

Lemêmerubancodelesdonnéesetle

programme!

Algorithmes…et...apprentissage

•  LamachinedeTuringdéfinittoutcequiestcalculable

Mémoireetapprentissage

Description Votre prédiction Vraie classe

1grandcarrérouge -

1grandcarrévert

2petitscarrésrouges

2grandscerclesrouges

1grandcerclevert

1petitcerclerouge

Leproblèmedel’induction

CombiendefonctionspossiblesdeXversY?Combiendefonctionsrestentaprès6exemplesd’apprentissage?

22=216=65,5364

210=1024

•  Exemplesdécritspar:Nombre(1ou2);taille(petitougrand);forme(cercleoucarré);couleur(rougeouvert)

•  Declasse+ou-

•  Exemplesdécritspar:

Nombre(1ou2);taille(petitougrand);forme(cercleoucarré);couleur(rougeouvert)

Description Votreprédiction Vraieclasse1grandcarrérouge -1grandcarrévert +2petitscarrésrouges +2grandscerclesrouges -1grandcerclevert +1petitcerclerouge +1petitcarrévert -1petitrcarréouge +2grandscarrésverts +2petitscarrésverts +2petitscerclesrouges +1petitcerclevert -2grandscerclesverts -2petitscerclesverts +1grandcerclerouge -2grandscarrésrouges ?

Combiendefonctionsrestantes?

Description Your prediction True class

1grandcarrérouge -

•  Examplesdescribedusing:

Number(1or2);size(smallorlarge);shape(circleorsquare);color(redorgreen)

1grandcarrévert

2petitscarrésrouges

2grandscerclesrouges

1grandcerclevert

1petitcerclerouge

Combiendefonctionspossiblesavec2descripteursdeXàY?

Combiendefonctionsrestentaprès3exemplesdifférents?

22=24=162

L’apprentissage–uneextrapolation

Uneextrapolation–soumiseàdeschoix

Desbiaispouvantconduireàdesillusions

Inductionetillusions

Cratèreoucolline?

Lestypesdeconnaissances

1.  Lesconnaissancesapriori–  Biaisdereprésentation

–  Biaisderecherche

2.  Lesinformationssurlafonctionapprise(ouconsidérée)

3.  Lesdonnées

Lamémoirepourcomprendre

C’esttrès(trop)simple

•  Les«données»sontincomplètesetambiguës

1.  Interprétationdescènesvisuelles 9.3 Computer Vision of Three-Dimensional Solid Objects

Figure 9.12: A scene analyzed by SEE. (Illustration used with permission ofAdolpho Guzman.)

leaving MIT in 1967 to become a professor of Information and ComputerScience at the University of California at Santa Cruz, he completed a theoryfor assigning labels to the lines in drawings of trihedral solids – objects inwhich exactly three planar surfaces join at each vertex of the object. Thelabels depended on the ways in which planes could come together at a vertex.(I got to know Hu↵man well at that time because he consulted frequently atthe Stanford Research Institute.)

Hu↵man pointed out that there are only four ways in which three planesurfaces can come together at a vertex.25 These are shown in Fig. 9.13. Inaddition to these four kinds of vertices, a scene might contain what Hu↵mancalled “T-nodes” – line intersection types caused by one object in a sceneoccluding another. These all give rise to a number of di↵erent kinds of labelsfor the lines in the scene; these labels specify whether the lines correspond toconvex, concave, or occluding edges.

Hu↵man noted that the labels of the lines in a drawing might be locallyconsistent (around some vertices) but still be globally inconsistent (around allof the vertices). Consider, for example, Roger Penrose’s famous line drawing ofan “impossible object” shown in Fig. 9.14.26 (It is impossible because nothree-dimensional object, viewed in “general position,” could produce thisimage.) No “real scene” can have a line with two di↵erent labels.

9.3 Computer Vision of Three-Dimensional Solid Objects

Max Clowes (circa 1944–1981) of Sussex University in Britain developedsimilar ideas independently,27 and the labeling scheme is now generally knownas Hu↵man–Clowes labeling.

Next comes David Waltz (1943– ). In his 1972 MIT Ph.D. thesis, heextended the Hu↵man–Clowes line-labeling scheme to allow for line drawingsof scenes with shadows and possible “cracks” between two adjoining objects.28Waltz’s important contribution was to propose and implement an e�cientcomputational method for satisfying the constraint that all of the lines mustbe assigned one and only one label. (For example, an edge can’t be concaveat one end and convex at the other.) In Fig. 9.15, I show an example of a linedrawing that Waltz’s program could correctly segment into its constituents.

Figure 9.15: A scene with shadows analyzed by Waltz’s program. (Illustrationused with permission of David Waltz.)

Summarizing some of the work on processing line drawings at MIT,Patrick Winston says that “Guzman was the experimentalist, Hu↵man thetheoretician, and Waltz the encyclopedist (because Waltz had to catalogthousands of junctions, in order to deal with cracks and shadows).”29

Meanwhile, similar work for finding, identifying, and describing objects inthree-dimensional scenes was being done at Stanford. By 1972 ElectricalEngineering Ph.D. student Gilbert Falk could segment scenes of line drawingsinto separate objects using techniques that were extensions of those ofGuzman.30 And by 1973, Computer Science Ph.D. student Gunnar Grapeperformed segmentation of scenes containing parallelepipeds and wedges usingmodels of those objects.31

Other work on analysis of scenes containing polyhedra was done byYoshiaki Shirai while he was visiting MIT’s AI Lab32 and by Alan Mackworthat the Laboratory of Experimental Psychology of the University of Sussex.33

12.1 Shakey, the SRI Robot

Figure 12.3: Shakey as it existed in November 1968 (with some of its componentslabeled). (Photograph courtesy of SRI International.)

around a single obstacle lying between its initial position and a goal position,Shakey should first head toward a point near an occluding boundary of theobstacle and then head straight for the unobstructed final goal point.However, the situation becomes more complicated if the environment islittered with several obstacles, and we sought a general solution to this moredi�cult problem.

Shakey kept information about the location of obstacles and about its

2.  Interprétationdulangage

“Richard hadn't heard from his college roomate Paul for years. Richard had borrowed money from Paul which was never paid back. But now he

had no idea where to find his old friend. When a letter finally arrived

from San Francisco, Richard was anxious to find out how Paul was.”

2.  Interprétationdulangage

"Richard hadn't heard from his college roomate Paul for years. Richard had

borrowed money from Paul which was never paid back. But now he had no

idea where to find his old friend. When a letter finally arrived from San

Francisco, Richard was anxious to find out how Paul was."

Comment traiter un non événement ?

"John walked in the room and Mary was not there" (John désirait voir Mary et s'attendait

à la trouver dans la pièce -> pourquoi n'y est-elle pas ? …)

Ici, on est prêt à comprendre que Richard se sent une obligation vis-à-vis de Paul. Il faut

donc des connaissances sur les relations sociales et sur la psychologie.

Comment traiter "had" (possession ?) et "old" (âge de son ami ? Non. Mais pourquoi et comment?)

Comment infère-t-on que cette lettre vient de Paul alors que ce n'est pas dit explicitement ?

BORIS [Dyer,82]

Cours IA (A. Cornuéjols)

"L'astronome veut épouser une étoile"

Etoile

Lesréseauxsémantiques

"L'astronome veut épouser une étoile"

Astronome

Astre Profession

Planètes Etoile

Soleil Observatoire

Célébrité

Cinéma Danseuse

Epouser

Personne

Inférence par propagation d'activité ou de marqueurs : focalise l'attention

Possession-1

Titine

Printemps-86

Automne-87

Possession Situation

Voiture

Printemps

Automne

Propriétaire

Possédé

Début

Sorte-de

Dequoia-t-onbesoinpourinterpréter…

…desentréesincomplètes/ambiguës?

Nouscomplétonsgrâceàdesconnaissancesapriori

Les«frames»deMarvinMinsky(1974)

Connaissancespourinterpréterdesscènesvisuelles

•  WhenoneencountersanewsituationoneselectsfrommemoryastructurecalledaFrame.Thisisarememberedframeworktobeadaptedtofitrealitybychangingdetailsasnecessary.

•  Aframeisadata-structureforrepresentingastereotypedsituation,likebeinginacertainkindoflivingroom,orgoingtoachild'sbirthdayparty.Attachedtoeachframeareseveralkindsofinformation.Someofthisinformationisabouthowtousetheframe.Someisaboutwhatonecanexpecttohappennext.Someisaboutwhattodoiftheseexpectationsarenotconfirmed.

•  AFrameisacollectionofquestionstobeaskedaboutahypotheticalsituation;itspecifiesissuestoberaisedandmethodstobeusedindealingwiththem.

•  Questionsnormalespourcomprendre–  Whatcausedit?(agent)

–  Whatwasthepurpose?(intention)

–  Whataretheconsequences?(side-effects)

–  Whodoesitaffect?(recipient)

–  Howisitdone?(instrument)

•  Inseeingaroom,orunderstandingastory,oneassemblesanetworkofframesandsubframes.Everythingnoticedorguessed,rightlyorwrongly,isrepresentedinthisnetwork.

•  EXPECTATION:Howtoselectaninitialframetomeetsomegivenconditions.

•  ELABORATION:Howtoselectandassignsubframestorepresentadditionaldetails.

•  ALTERATION:Howtofindaframetoreplaceonethatdoesnotfitwellenough.

•  NOVELTY:Whattodoifnoacceptableframecanbefound.Canwemodifyanoldframeormustwebuildanewone?

•  LEARNING:Whatframesshouldbestored,ormodified,asaresultoftheexperience?

Lesscriptspourcomprendrelestextes[Schank,195]

•  Script«restaurant»

Typesdemémoires

•  Mémoireépisodique–  Évènementsethistoiredesexpériencesdel’agent

•  Mémoiresémantique–  Connaissancesconceptuelles

Typesdemémoires

•  Mémoireépisodique–  Évènementsethistoiredesexpériencesdel’agent

•  Mémoiresémantique–  Connaissancesconceptuelles

–  Ques’est-ilpassédenotablelorsdevotrederniervoyageenfamilleauGrandCanyon?•  Mémoireépisodique

–  DansquelpayssesitueleGrandCanyon?•  Mémoiresémantique

Typesdemémoires

•  Lessystèmesexperts

15A. Cornuéjols

1. Structure des systèmes experts

Mémoire de travail

Moteurd�inférence

Base de connaissances

Utilisateur

Module d�interface

Moduled�explication

Module d�acquisition

des connaissances

Expert

–  Règle : Si le spectre de la molécule présente deux pics x1 et x2 tels que :1.  x1 - x2 = M + 282.  x1 - 28 est un pic élevé3.  x2 - 28 est un pic élevé4.  au moins l’un des pics x1 et x2 est élevéAlors la molécule contient un groupe cétone

Typesdemémoires

•  Mémoireàcourtterme/Mémoiredetravail

–  Stockemomentanémentlesdonnéesduproblèmeàrésoudreetlespistesenvisagées

Typesdemémoires

•  Mémoireàcourtterme/Mémoiredetravail

–  Stockemomentanémentlesdonnéesduproblèmeàrésoudreetlespistesenvisagées

•  Mémoireàlongterme

–  Mémoiredéclarative

•  Lagrippesecaractérisepar…

–  Mémoireprocédurale•  Pourfaireungâteauauchocolat,ilfaut…

LeBigDataetlesréseauxdeneuronesprofonds

Lesréseauxdeneuronesartificiels

•  Réseauxdeneuronesdetype«Perceptronmulti-couche»

Lesréseauxdeneurones«profonds»

•  Réseauxconvolutionnels(YannLeCun)

Lesréseauxdeneurones«profonds»

•  Réseauxconvolutionnels(YannLeCun)

Lesmémoiresassociatives

•  RéseauxdeneuronesdeJohnHopfield(1982)

Rappeld’imagesparRéseaudeNeuronesArtificiels

•  Illustration

Rappeld’imagesparRéseaudeNeuronesArtificiels

•  Illustration

Unespacesémantiquelatent

•  Laquestiondurappeloudelarecherched’information

–  Requête«Donnemoidesdocumentsportantsurladécouvertedeconnaissances»

–  Onaimeraitaussiavoirdesdocumentssurla«fouillededonnées»

–  Problème:lesmotsdelarequêteetdesdocumentsd’intérêtsontdifférents

•  Idée:passerparunespaceintermédiairedanslequelon

projettelesmotsdelarequêteetdesdocumentsetdanslequellestermessémantiquementprochessontprochesgéométriquement

Unespacesémantiquelatent

•  Hypothèsedistributionnelle

–  Lesmotsutilisésdansdescontextessimilairessontprochessémantiquement[Rubenstein&Goodenough,1965]

•  «tohaveaplendidtimeinRome»

•  «tohaveawonderfultimeinRome»

•  Espacevectorielcapturantdelasémantique

–  Lesrequêtesetlesdocumentssontreprésentéscommedesvecteursdansun

espacedetermes

(E.g.espaceà3000dimensions.Pourchaquemotprésentdansle

document,onfournitsonnombred’occurrences)

AnalyseSémantiqueLatente(LSA)

•  Lesdocumentssontreprésentéspardesmatrices

•  Décompositionenvaleurssingulières:compressiondel’information

Matricediagonaledesvaleurssingulières

Vecteurdesoccurrencesdutermetidanslesdocuments

Vecteurreprésentantundocument

Approximationdanslenouvelespace

deladescriptiondutermeti

Approximationdanslenouvelespace

deladescriptiondudocumentdj

•  Illustration

•  Permetde:

1.   ComparerdeuxdocumentsencomparantlesvecteursΣkdjetΣkdidansl’espacelatent(e.g.parmesuredesimilaritécosinus)

2.   Trouverdesrelationsentretermes(e.g.synonymieouantonymie)

3.  Étantdonnéeunerequête(undocument),trouverlesdocumentslesplus«proches»

4.  Identifierdescatégories(clusters)dedocumentsoudetermes

•  Apprisàpartirdedizainedemillionsdedocuments

•  Dimensiondel’espacelatent:100à300

Rôledescouchescachées

–  Quellereprésentation(variableslatentes)?

–  Commentchoisirl’architecture?

Plongementdemotsparréseauxdeneurones

•  Àpartird’ungrandcorpusdetextes,Word2Vecassocieàchaquemotunereprésentationdansunespacevectorieldedimension50à300telquedesmotspartageantdescontextessimilairessoientproches.

0 0 0 1 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 1 0 0 0

x t–2x t–1

Mots du contexteobservés

Couche cachée

0 0 0 0 0 0 1 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 1 0 0

xt+1xt+2

V dimensions N dimensions

0 0 0 0 0 0 0 0 0 1 0 0 0 0

V dimensions

Mot prédit à partir de son contexte

[Mikonovetal.(2013)«EfficientEstimationofWordRepresentationsinVectorSpace»,arXiv:1301.3781]

Apprentissaged’unematriceVxNassociantàuneentréemot(dim=V)unvecteurdedimensionN

•  Illustration

Paris– France=x– Pologne

x=Paris–France+Pologne

Applications:

–  Latraductionautomatique

•  Plongementdemotsdanschaquelangue•  Plongementdemotsbilingues:apprentissagedessimilaritésinter-langages(nécessitedescorpusdetraductions)

–  L’analysedesentiments

•  Utilisationduplongementdemot•  Maisavecdestechniquesspécifiques(e.g.sinon«bon»et«mauvais»pourraientêtreproches)

Conclusions

Lesgrandesquestionssurlamémoire

1.  Quelssontlesgrandstypesdemémoires?

ü  Courtterme(detravail)/Longterme

ü  Sémantique/Épisodique

ü  Procédurale/Déclarative

–  Sensorielle/Proprioceptive

Co-développementIAetsciencescognitives

(70s–80s)

NotionsdeBiaisetd’hypothèse

1.  Quelssontlesgrandstypesdemémoires?

ü  Courtterme(detravail)/Longterme

ü  Sémantique/Épisodique

ü  Procédurale/Déclarative

–  Sensorielle/Proprioceptive

Autresquestionsliées

•  Lacapacitédelamémoiredetravail:7±2

–  Est-ceoptimal?

–  Queleffetsurlesperformances/surlacognition?

•  Externalisationdelamémoire

–  Queltypedemémoire?•  Sémantique?•  Épisodique?

–  Conséquencessurlacognition?

Co-développementIAetsciencescognitives

(70s–80s)

PasdelimitesenIAMaispasdetestsystématique

surleseffetsdelataille

Mémoirenoncontrôlée(e.g.Wikipédia)

NotionsdeBiaisetd’hypothèse

2.  Lamémorisationdessensations,évènements,faits,croyances…?–  Mémoriserl’essentieletoublierle

superflu

–  Êtrefidèleàlaréalitétoutenétantcohérentavecnotrevisiondumonde

–  Quelencodage?•  Localisé?•  Distribué?

Contrôledubiaispouréviterlesur-ajustement

Encodages≠pourlebiaisetl’hypothèse

R.N.:encodagedistribuéoptimiselacompressiondel’information

NotiondeframesÉpisodique/sémantique

2.  Lamémorisationdessensations,évènements,faits,croyances…?–  Mémoriserl’essentieletoublierle

superflu

–  Êtrefidèleàlaréalitétoutenétantcohérentavecnotrevisiondumonde

–  Quelencodage?•  Localisé?•  Distribué?

•  L’accèsàlamémoire

–  Comment?

–  Selonletypedemémoire?

Mémoireassociative(reconstructive)Accèsparpatternmatching

Accèsparutilisationd’unindex

Contrôledubiaispouréviterlesur-ajustement

Encodages≠pourlebiaisetl’hypothèse

R.N.:encodagedistribuéoptimiselacompressiondel’information

NotiondeframesÉpisodique/sémantique

3.  Règlesdelamémorisation?–  Effetsdelarépétition

•  Combien?

–  Intégrationavecd’autresitemsmémorisés

–  Rôleetcausesdel’oubli

Bigdatavs.Apprentissageàpartir

depeud’exemples

Modèlesdes70s–80sArchitectureblackboardScripts,plans,MOPs,…

Peuderecherches

3.  Règlesdelamémorisation?–  Effetsdelarépétition

•  Combien?

–  Intégrationavecd’autresitemsmémorisés

–  Rôleetcausesdel’oubli

•  Accès,consolidationetmodification

–  Lamémoireredevientlabile

–  Effetetoptimisationdelarépétition

Bigdatavs.Apprentissageàpartir

depeud’exemples

RecherchesurdesmodèlesdeneurosciencesPasvraimentenIA

Modèlesdes70s–80sArchitectureblackboardScripts,plans,MOPs,…

Peuderecherches

4.  Mémoireetattention? Rechercheencours

4.  Mémoireetattention?

5.  Mémoireetémotion?

Rechercheencours

6.  Mémoireetsommeil?

Rechercheencours

6.  Mémoireetsommeil?

7.  Nosdéfautsdemémoire:

–  desfailles?

–  deseffetssecondairesindésirablesrésultantd’optimisation?

Rechercheencours

EnIASoumisàoptimisation

Limitesdel’IA

•  LesIAnesaventpascequ’ellessavent!!

•  LesIAneconnaissentpasl’ennui:«j’aidéjàvuça10fois!»

•  Leurmémoirenechangepaslorsdesaccès

•  Pasencoredemodèled’apprentissageincorporantl’attention

•  Modèled’apprentissageencorelimitépourl’apprentissageen-ligne:pasd’effetdeséquence

Effetsdeséquence

Instruction:découperlafiguregéométriquesuivanteennpartiessuperposables.

En2: En3: En4: En5:

Perspectives

•  Nouveauxscénariosd’apprentissage

–  Long-lifelearningettransfert•  Transfertconstructifettransfertnégatif

–  Constructiondecurriculum

“Anothergreatstrengthofthisbookisthewaythatideasbuildupononeanother.Theauthorhasmasterfullywrittenabookinwhichyourintuitionaboutearlyconceptspavethewayforunderstandinglaterconceptseventhoughmissingsomeideasinthebeginningwillnotcrippleyouinlaterchapters.”

Àproposde[StevenStrogatz“Nonlineardynamicsandchaos”,2014]

Interrogation

Mémoiresetniveauxdedescription

1.  Sciencescognitives:niveauxdesétatsmentaux–  Intentions,buts,plans,croyances

2.  Descriptionauniveauneuronal–  Connexionsentreneurones

–  Nouveauxneurones/neuronesdétruits

–  Airescérébrales

Oscillationdel’IAentrelesdeux

niveauxdedescription

L’Intelligence Artificielle Quelle perspective sur la/les

Documents

La Révolution des Datas et de l’Intelligence Artificielle

Chapitre I Introduction à l’intelligence Artificielle EPSI / Montpellier - Cycle CSII 2A Intelligence Artificielle

L’intelligence artificielle, des origines à nos jours · L’intelligence artificielle, ... effets sur la préservation de la vie privée Plan. Introduction ... idée des documents

L’INTELLIGENCE ARTIFICIELLE AU SERVICE DE NOTRE INDUSTRIE€¦ · PROGRAMME DU CONGRÈS Ayant pour thématique « L’intelligence artificielle au service de l’industrie », le

L’intelligence artificielle : potentiel et défis · Le cas de TAY, l’intelligence artificielle “innocente” de Microsoft Autres défis de l’intelligence artificielle La

Chapitre 4: Systèmes Multi- agentsdbenmerzoug.e-monsite.com/medias/files/inta-chapitre4.pdf · L’intelligence artificielle Distribuée (IAD) L’intelligence artificielle distribuée

Les modes de régulation de l’intelligence artificielle par

L’INTELLIGENCE ARTIFICIELLE (IA) DANS LA BANQUE : …...L’INTELLIGENCE ARTIFICIELLE (IA) DANS LA BANQUE : ... dans les moyens de calcul, renforcement de la recherche partenariale,

L’INTELLIGENCE ARTIFICIELLE AU EXPÉRIENCE CLIENTcontent.tcmediasaffaires.com/LAF/evenements-les...L’intelligence artificielle est en mesure d’écrire pour vous vos «Play Books

Comprendre l’impact de l’intelligence artificielle sur le

Le Jeu et l’intelligence artificielle

Les algorithmes de l’intelligence artificielle

Algorithmes de prix, intelligence artificielle et ...a) Les enjeux de l’intelligence artificielle pour l’économie et le droit Les problématiques liés à l’intelligence artificielle

L’INTELLIGENCE ARTIFICIELLE - CEA/CEA

Renforcer la confiance dans l’intelligence artificielle · 2019. 12. 14. · Renforcer la confiance dans l’intelligence artificielle Simon Duchesne, professeur-chercheur, Faculté

Mémoire de fin d’études L’intelligence artificielle : une

L’intelligence artificielle aujourd’hui (FR)

«L’impact de l’intelligence artificielle et des médias

Cycle «l’Intelligence Artificielle» –U.C. Thouars

L’intelligence artificielle, réalité ou fiction?