Semestre : S6fsjest.uae.ac.ma/fsjest/cours/master/Intro_IA_LP_Fellaji... · 2020. 3. 18. · • L’intelligence artificielle (IA) est née en 1956 ; Introduction • Comme l’Homme

Introduction à l’intelligence Artificielle

Pr. Soumaya FELLAJI

Université Abdelmalek EssaâdiFaculté des Sciences Economiques, Juridiques et Sociales de Tanger

Département Sciences Economiques et Gestion

Management de Projets & Ressources Humaines

Semestre : S6

Licence professionnelle

Introduction

Qu’est-ce que l’intelligence artificielle?

2Pr. Soumaya FELLAJI

L’intelligence artificielle est devenu un mot à la mode

• L’intelligence artificielle (IA) est née en 1956;

Introduction

• Comme l’Homme a découvert l’avion en cherchant à simuler

l’oiseau, il a progressivement élaboré une machine « intelligente »

en simulant la « mémoire » et quelques processus élémentaires de

raisonnement.

IA est la création des machines intelligentes


Introduction• Le caractère spécial de l’intelligence artificielle (IA), est qu’elle

n’est pas statique, elle apprend et s’adapte;

• L’IA changera positivement et immensément la façon dont nous

nous engageons avec le monde.


• Faire progresser le type de travail et améliorer la créativité.

Recherche prédictive sur Google

• Les machines intelligentes sont capables d’apprendre à travailler, à

réagir et à comprendre comme l’Homme.

Interroger Siri sur la météo

Introduction


Quelle est la place de l’intelligence artificielle dans l’entreprise?

Introduction


Au niveau interne Au niveau externe

La pratique de l’intelligence artificielle dans l’entreprise

Moins de temps consacré

aux tâches administratives

courantes.

- La satisfaction des clients.

- Combler les lacunes liées

à l’engagement client.

En appliquant l’IA, les gens peuvent se concentrer sur l’analyse, la prise de décision et l’innovation.

Gestion du flux de travail Optimisation dynamiquePrévision

Chapitre 1 : Notion de l’intelligence artificielle




1. Données

• Factuelle, discrète, statique et dynamique;

• Les observations brutes de la zone d’intérêt;

• Une donnée est souvent identifiée comme une valeur dans

l’environnement;

• Une donnée peut être observée.

C’est la pierre angulaire de tout système d’information



1. Données

Système d’information (SI)

Collecter Stocker Traiter Distribuer

Grâce à un ordinateur



2. Information

• Des données traitées;

• Des données organisées;

• Des données structurées;

• ....

Des données présentées dans un contexte afin de les rendre utiles



3. Connaissance

• Elle est considérée comme la compréhension humaine d’un sujet;

• Elle est acquise à partir de l’étude et l’expérience;

• Elle est généralement basée sur l’apprentissage;

• Elle est dérivée de l’information;

• Elle est considérée comme la synthèse d’un processus permettant

d’en tirer des conclusions significatives;

• Elle est généralement personnelle et subjective;



3. Connaissance

Au sein d’une entreprise, comment peut-on convertir

une information à une connaissance?



3. Connaissance

Impact

Interaction

Influence

L’impact de l’entreprise sur le groupe d’utilisateurs ciblé et le marché.

Comment le système interagit avec les utilisateurs et les autres systèmes de

l’environnement?

Comment l’entreprise est influencée par les concurrents et les tendances du

marché?



3. Connaissance

C’est le niveau de traitement qui rend le contenu significatif et

applicable. Par un traitement approprié, on peut générer des

rapports facilitant la prise de décision et la création des

nouveaux paradigmes.

Gestion des connaissance



4. Intelligence

• La connaissance des concepts et des modèles mène à un niveau de

connaissance plus élevé appelé sagesse;

• Elle prend du temps et nécessite une sorte de maturité qui vient avec l’âge

et l’expérience;

• Une personne devient sage en appliquant ses connaissance à des

problème complexes en cherchant des solutions potentielles;

• L’intelligence est une amélioration supplémentaire de la sagesse.

C’est le but d’une entité de devenir artificiellement intelligente



5. Concepts de base de l'intelligence artificielle

• L'IA fait référence à de multiples outils et technologies qui peuvent être

combinés de diverses manières ;

• Elle est capable de détecter, connaître et fonctionner;

• Elle a la capacité d'apprendre de l'expérience et de s'adapter au fil du

temps.

Intelligence Artificielle

FonctionnerConnaîtreDétecter



6. Avantages de l’IA

• Découvrir des modèles significatifs et utiles dans de grands volumes de

données de tout type, y compris du texte, des images, des vidéos et

d'autres données non structurées;

• Les modèles d'auto-apprentissage permettent de s’adapter aux

changements dans les modèles des données;

• Prendre de meilleures décisions, plus rapidement, en passant de l'analyse

prédictive à l'analyse prescriptive;

• Interpréter, répondre et utiliser les données;

• Offrir de nouveaux modèles commerciaux et de création de valeur.



7. Innovation commerciale avec le Big Data et l’IA

L’augmentation des données :

Entrepôts de données.

Les données deviennent un produit

de valeur.

Des avancées innovantes de

l'exploration de données et de l'IA.

Les entreprises se précipitent pour

stimuler leurs stratégies d'IA

Les entreprises commencent à rivaliser

pour les réserves les plus lucratives.

Utilisation des données produites par les

consommateurs et les utilisateurs.



7. Innovation commerciale avec le Big Data et l’IA

Diverses sources de données pour les grandes entreprises (requêtes de recherche,

les clics, les achats en ligne ... )

Les données sont abondantes

durant les activités quotidiennes

hors ligne et dans nos

environnements physiques.

L'Internet des objets (IoT) est un

outil qui peut transformer chaque

instant de la vie humaine en

données précieuses.

Problématique Solution

L'IA est un véritable avantage concurrentiel pour les entreprises qui encouragent

l'automatisation, la réduction des coûts et la prise de décision intelligente.



8. Domaines d’application

Gestion de la relation client (CRM)

Détection des valeurs aberrantes et de la fraude

Anticiper la demande

Amélioration des processus

Création de moteurs de recommandations

Amélioration du délai d'embauche


C'est l'étude d'algorithmes qui apprennent à partir d'exemples et d'expériences au

lieu de règles codées en dur.

L'apprentissage automatique (ML) peut être largement défini comme desméthodes de calcul utilisant l'expérience pour améliorer les performances ou pourfaire des prévisions précises.

Définition 1

L’apprentissage automatique peut être défini comme une série de manipulationsmathématiques effectuées sur des données importantes afin d'obtenir desinformations précieuses.

Définition 2

9. Machine Learning



Machine Learning

Renforcement

Non supervisé

Supervisé Faire des prédictions à partir d'un ensemble

d'exemples.

On recherche des algorithmes

d'apprentissage automatique pour organiser

les données.

Tout au long du processus, il reçoit des

commentaires afin d'apprendre les

comportements souhaités et réalise un

objectif spécifique (interactif et itératif).

L'objectif du Machine

Learning est de s'adapter

en permanence aux

nouvelles données et d'y

découvrir de nouveaux

modèles ou règles.


9. Machine Learning

Préparer

les données


Workflow d'apprentissage automatique

Collecter

les données

Diviser les

données

Former

un modèle

Tester et

valider

Utiliser

un modèleTester

Former

Valider


9. Machine Learning


Chapitre 2 : Réseaux Bayésiens

1. Introduction

Un réseau bayésien est un modèle probabiliste graphique permettant

d’acquérir, de représenter et d’exploiter des connaissances.

A

HM

P

N

N -N

A 0,1 0,5

-A 0,9 0,5

N -N

P 0,8 0,2

-P 0,2 0,8

N 0,5

-N 0,5

A -A

P -P p -P

H 0,99 0,9 0,9 0,0

-H 0,01 0,1 0,1 1,0



1. Introduction

Un réseau bayésien est composée de deux composantes :

Un graphe causal orienté acyclique dont les nœuds sont des variables

d’intérêt du domaine, les arcs des relations de dépendance entre ces

variables.

Un ensemble de distributions locales de probabilité qui sont les

paramètres du réseau.

L’ensemble des nœuds et des arcs forme ce qu’on appelle la structure duréseau bayésien. C’est la représentation qualitative de la connaissance.



2. Domaines d’utilisation

Santé : Diagnostic médical et caractérisation des maladies

et traitements.

Industrie : Diagnostic, optimisation de processus, analyse des risques,

etc.

Finance et banque : Analyse financière, l’évaluation du risque ou la

détection de fraudes.

Marketing : Analyse des leviers, scoring (référencement),

segmentation des clients et des produits, etc.)



3. Avantages des Réseaux Bayésiens

Acquisition des connaissances .

Représentation des connaissances.

Utilisation des connaissances.

Qualité de l’offre en matière de logiciels.



4. Probabilité conditionnelle

Soient deux évènements A et B d’un espace probabilisé Ω avec P(B) ≠ 0, on

appelle probabilité conditionnelle de l’évènement « A si B » ou

« A sachant B », le quotient :

P(A|B) = ( ∩ )( )

notée PB(A)

Remarque

La probabilité P(A) est appelée la probabilité a priori et P(A|B) ou PB(A) la

probabilité a posteriori car sa réalisation dépend de la réalisation de B.



5. Théorème de Bayes

Si A1, A2,….,Ai,…..,An est un système complet d’évènements, et quel que

soit l’évènement B tel que P(B) ≠ 0, alors :

P(Ai|B) = ∗ ( )∗ ∗ ……… ∗ ( )

D’une manière générale, on peut écrire :

P(Ai|B) = ∗ ( )∑ ∗ ( )




Il y a 4% d’absentéisme chez les employés qui travaillent pendant le

jour, 8% chez ceux qui travaillent le soir et 22% chez ceux qui travaillent

la nuit. Sachant qu’il y a 80% des employés qui travaillent le jour, 10%

qui travaillent le soir et 10% qui travaillent la nuit.

Déterminer la probabilité qu’un employé donné travaillent le jour

sachant qu’il était absent du travail.

Exemple




Solution

B1 = l’employé travaille le jourB2 = l’employé travaille le soirB3 = l’employé travaille la nuitA = l’employé est absent

P (A |B1) = 4%

P (A |B2) = 8%

P (A |B3) = 22%

P (B1) = 80%

P (B2) = 10%

P (B3) = 10%

=× ( )

× + × + ×

Donc, on doit calculer :

=× ( )

∑ × ( )

D’où :

=0.04 × 0.80

0.04 × 0.80 + 0.08 × 0.10 + 0.22 × 0.10= 0.516 13



6. Réseau Bayésien

Les réseaux bayésiens, sont des modèles graphiques qui représentent lesrelations probabilisées entre un ensemble de variables.

Un réseau bayésien B = (G, θ) est défini par :

L'ensemble des variables aléatoires observables X = X1, ……, Xn

G = (X, E), graphe dirigé sans circuit (DAG), ou chaque nœud est

associe a une variable de X.

θ = θi = P(Xi|Pa(Xi)), ensemble des distributions de probabilités

de chaque nœud Xi conditionnellement à ses parents immédiats dans

le graphe G.



7. Étapes de réalisation d’un Réseau Bayésien

1. Identification des variables et de leurs espaces d’états

2. Définition de la structure du réseau bayésien

3. Définition de la loi de probabilité conjointe des variables

Technique de brainstormingEnquêtes des experts

Théorie des graphesAlgorithmes génétiques

Algorithmes d’inférence



8. Étude de cas

Atelier 1


Chapitre 3 : Logique Floue

1. Introduction

La logique floue est l’une des techniques de l’intelligence artificielle.

Elle permet d’automatiser et de construire des systèmes artificiels effectuant les

tâches habituellement prises en charge par l’homme.

Elle a été formulée par Lotfi Zadih en 1965 et utilisée dans des domaines variés

(automatisme, robotique, aide au diagnostic médical, industrie, etc.).

C'est un outil de prise de décision dans les situations d'incertitudes où l'on

manque de probabilités mathématiques précises et fiables.

La logique floue permet de s'adapter aux situations évolutives.



2. Principe

La logique floue, le raisonnement flou, également appelé raisonnement

approximatif, se base sur des règles floues qui sont exprimées en langage

naturel en utilisant les variables linguistiques.

Exemple

« Si la température est élevée et la densité

de l’image est faible, alors la charge

électrique du tambour doit être haute »

L’une des règles « linguistiques » qui

contrôlent le fonctionnement d’une

photocopieuse à logique floue.

Il s’agit donc de faire réaliser une tâche au système, en sachant quel

résultat on veut obtenir.



3. Ensembles et sous-ensembles flous

3.1. Variables linguistiques

La logique floue repose sur le concept de variables linguistiques et des

fonctions d’appartenance. Des expressions forment les ensembles appelés

"ensembles flous" auxquels peuvent appartenir les variables linguistiques.

Exemples

- peu; beaucoup; énormément,

- froid; tiède; chaud,

- petit; moyen; grand,

- ...




3.1. Définition d’un sous-ensemble flou

Soit X un ensemble. Un sous-ensemble flou A de X est défini par une

fonction d’appartenance qui associe à chaque élément x de X, le degré

µA(x), compris entre 0 et 1, avec lequel x appartient à A :

µA : X → [0,1]




3.2. Fonction d’appartenance

La construction d’un sous-ensemble A quelconque se fait à partir d’un

univers du discours noté U. Chaque sous-ensemble se définit par une

fonction d’appartenance qui permet de déterminer pour tout élément de

U son appartenance ou non au sous-ensemble :

Si µA est la fonction d’appartenance de l’ensemble flou A, alors :

∀ ∶ µA (x) [0,1]




3.2. Fonction d’appartenance

Exemple

• Soit : U l’univers des tailles (ses élémentssont des réels).

• Les graphes que l’on peut construire sur toutl’univers des tailles ont l’allure ci-contre.

• Avec A l’ensemble flou des petitespersonnes, B l’ensemble flou des personnesmoyennes, C celui des petites.

L’individu qui mesure 1m75 est grand au degré 0,5 ; moyen au degré 0,5 et petit au degré 0.




3.3. Univers de discours

L'ensemble de référence d'un mot du langage naturel s'appelle l'univers du

discours. L'univers du discours d'un mot est un ensemble de termes qui

évoquent le même concept mais à degrés différents. Il peut être fini ou non.

Exemple

Reprenons l’exemple de la taille précédent : l'utilisateur pourra décrire la variable «Taille»

par un certain nombre de mots: par exemple «petit», «moyen», «grand». Pour chacun de

ces prédicats, on pourra donner une fonction d'appartenance. L'univers de discours sera

considéré comme le domaine de fonctionnement du processus.




3.4. Caractéristiques d’un sous-ensemble flou

La hauteur de A, notée h(A), correspond à la borne supérieure de l'ensemble

d'arrivée de sa fonction d'appartenance :

h(A) = supxϵX µA(x)

A est dit normalisé si et seulement si h(A) = 1

Le support de A est l'ensemble des éléments de X sur laquelle la fonction

d’appartenance de A n’est pas nulle :

supp(A) = x ϵ X / µA(x ) ≠ 0




3.4. Caractéristiques d’un sous-ensemble flou

Le noyau de A est l'ensemble des éléments de X appartenant totalement à A.

Autrement dit c’est l’ensemble :

noy(A) = x ϵ X / µA(x ) = 1

Par construction : noy(A)⊆ supp(A)

Une α-coupe de A est le sous-ensemble classique des éléments ayant un degré

d'appartenance supérieur ou égal à α :

α-coupe(A) = x ϵ X / µA(x ) ≥ α



4. Opérations sur les sous-ensembles flous

4.1. Union de sous-ensembles fous

L’ensemble des éléments de A OU de B est un ensemble flou de fonctiond’appartenance :

,A B A Bx max x x x U

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

0

0.2

0.4

0.6

0.8

1

Partition floue de l'univers du discours

Taille(m)

Petit Moyen GrandExemple




4.2. Intersection de sous-ensembles fous

L’ensemble des éléments de A ET de B est un ensemble flou de fonctiond’appartenance :

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

0

0.2

0.4

0.6

0.8

1

Partition floue de l'univers du discours

Taille(m)

Petit Moyen GrandExemple

,A B A Bx min x x x U ∩

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

0

0.2

0.4

0.6

0.8

1

Ensemble flou: "Personne petite et moyenne"

Taille (m)




4.3. Le complément de sous-ensembles fous

Le complément de l’ensemble A (« petit ») est l’ensemble « non petit » à pourfonction d’appartenance :

Exemple



5. La commande floue



6. Etude de cas

Atelier 2

Documents

Semestre : S6fsjest.uae.ac.ma/fsjest/cours/master/Intro_IA_LP_Fellaji... · 2020. 3. 18. · • L’intelligence artificielle (IA) est née en 1956 ; Introduction • Comme l’Homme