Contenu connexe
Similaire à l'Intelligence Artificielle Jean-Antoine Moreau (20)
Plus de Jean-Antoine Moreau (20)
l'Intelligence Artificielle Jean-Antoine Moreau
- 1. Jean-Antoine Moreau (Ingénieur)
© Jean-Antoine Moreau
copying and reproduction prohibited
Copyright Managed by ADAGP.
L’Intelligence ArtificielleL’Intelligence Artificielle
- 5. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 5 / 102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Une machine sera considérée comme intelligente :
– Si elle reproduit le comportement d'un être humain
dans un domaine spécifique ou général;
– Si elle modélise le fonctionnement d'un être humain.
- 6. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 6 / 102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Deux possibilités de réalisation d’un programme:
– Un programme efficace. Peu importe alors que la machine fasse
des calculs inaccessibles à l'homme, comme explorer quelques
centaines de millions (ou milliards) de possibilités à la seconde;
– On essaiera d'abord de comprendre comment l'homme fait, puis le
programme réalisé validera (ou non) les hypothèses qui auront été
faites.
- 7. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 7 / 102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• La première possibilité est purement informatique;
• La seconde possibilité fait appel au courrant des sciences
cognitives (années 1960) en posant comme hypothèse de
base la pertinence de l'analogie entre les couples esprit|
cerveau et logiciel|matériel.
- 8. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 8 / 102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Deux niveaux
– matériel ou physique;
– informationnel ou fonctionnel;
• Ces deux niveaux sont indépendants
– Ainsi un programme peut être exécuté sur des machines
possédant des architectures différentes.
- 10. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 10 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• La capacité brute de l'ordinateur ne suffit plus à
résoudre les problèmes complexes.
– Il est nécessaire d'y adjoindre
• des heuristiques;
• des méthodes de représentations des connaissances qui
proviennent le plus souvent d'une analyse de la manière dont
nous fonctionnons;
• Des paradigmes tels que :
– connectionnisme (réseaux neuronaux);
– algorithmes adaptatifs (algorithmes génétiques - algorithmes
évolutionnistes).
- 11. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 11 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• L'intelligence artificielle « faible »
– ne vise pas à évaluer;
– ne vise pas à évoluer;
– vise à effectuer une ou plusieurs tâches.
• L'intelligence artificielle « forte »
– approche qui consiste à chercher et à construire
• des systèmes de plus en plus autonomes;
• des algorithmes capables de résoudre des problèmes d’une
classe prédéfinie;
• la programmation d'un apprentissage (Machine Learning).
- 12. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 12 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Le concept d’intelligence artificielle forte
fait donc référence à une machine capable :
– de produire un comportement intelligent;
– d’éprouver une compréhension de ses propres
raisonnements.
- 13. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 13 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Ainsi l’intelligence artificielle intègre :
– Le Deep learning (apprentissage profond);
– Les Réseaux à apprentissage (neuronique);
– Le Big Data;
– La Data Science;
– Les Algorithmes;
– Les Méthodes;
– Les Processus;
– La Robotique;
– La Théorie de l'information.
- 14. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 14 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Approches :
– Logiciel;
– Système expert
• la résolution du problème s'appuie sur un ensemble de règles données
par l’expert humain du domaine;
• l’utilisation de la logique floue ne change pas la nature des
limitations d’emploi du programme: l'exécution reste totalement
déterministe;
– Auto apprentissage, Machine Learning, la Neuronique.
- 16. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 16 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Notion d’agent :
Un agent est tout ce qu'il peut être vu comme
quelque chose qui perçoit son environnement à
travers des capteurs et agit sur son environnement
à travers d'effecteurs.
- 17. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 17 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Perception
Une perception est l'entrée perçu par l'agent à un moment donné.
• Séquence de Perception
La séquence de perception est l'histoire complète
de tout ce qu'un agent a perçu.
• Comportement
Le comportement d'un agent est décrit par la fonction d'agent qui
associe à chaque séquence de perception une action.
• Programme d’Agent
Un programme d'agent est une implémentation de la fonction d'agent.
- 18. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 18 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Les systèmes experts
– permettent d'appliquer des règles pour prendre des décisions ou de découvrir de nouvelles connaissances.
• La logique floue
– permet de contrôler des systèmes informatiques ou mécaniques de manière plus souple que les programmes
traditionnels.
• La logique des possibilité
• Les algorithmes
• Le formalisme Objet
– objets, classes, instances, propriétés, héritage
• Les systèmes multi-agents
– simulent des foules ou permettant des comportements émergents à partir de plusieurs agents très simples.
• Les réseaux de neurones
– capables de découvrir et de reconnaître des modèles, dans des suites historiques, des images ou encore des
données.
- 19. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 19 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Outils :
– Langages de programmation;
– Programmation et objets structurés;
– Moteur d’inférences;
– Bases de connaissances;
– Modélisation;
– Graphes.
- 21. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 21 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Fondements :
– Logique de Boole;
– Logique formelle;
– Logique des propositions;
– Logique combinatoire;
– Logique des prédicats;
– Syllogismes;
– Déduction;
– Heuristique;
– Énigmes;
– Paradoxes.
- 23. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 23 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Intègre donc :
– La conception d’agents intelligents;
– Les disciplines étudiant la possibilité de faire exécuter par l’ordinateur des tâches
pour lesquelles l’homme est aujourd’hui meilleur que la machine;
– L’automatisation des activités associées au raisonnement humain, telles que la
décision, la résolution de problèmes, l’apprentissage;
– L’étude des mécanismes permettant à un agent de percevoir, raisonner, et agir;
– L´études des entités ayant un comportement intelligent.
- 24. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 24 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Construction des machines qui raisonnent d'une manière
autonome et s'adaptent au changement et à l'environnement.
• Construction de programmes informatiques qui effectuent des
tâches qui sont, pour l’instant, accomplies par l’homme
puisqu'elles demandent des processus mentaux de haut
niveau.
- 26. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 26 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Créer des systèmes qui pensent rationnellement;
• Créer des systèmes qui possèdent des comportements
rationnels;
• Créer des systèmes qui possèdent des comportements
structurés ou structurants.
- 28. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 28 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Domaines
• Apprentissage machine;
• Robotique;
• Domotique;
• Transport;
• Finance;
• Informatique Médicale;
• Bio-informatique;
• Cybercommerce;
• Infographie intelligente et jeux;
• Mégadonnées;
• Internet des objets.
- 29. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 29 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Sous domaines
– Représentation des connaissances;
– Raisonnement Automatique;
– Résolution de problèmes généraux;
– Traitement du langage naturel;
– Vision artificielle;
– Robotique;
– Domotique (domestique et industrielle);
– Apprentissage automatique;
– Planification;
– Ordonnancement;
– Systèmes Experts;
– Logistique.
- 30. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 30 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Formalisation d’un sujet à résoudre
– un état initial;
– un ensemble d’actions;
– une fonction de successeur, qui définit l’état résultant
de l’exécution;
– une action dans un état;
– un ensemble d’états buts;
– une fonction de coût, associant à chaque action un
nombre non-négatif dit le coût de l’action.
- 31. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 31 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Un problème a résoudre peut être formalisé:
– comme un graphe orienté où les nœuds sont
des états accessibles depuis l’état initial et où
les arcs sont des actions.
Le graphe donne l’espace des états
- 34. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 34 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Structure générale d’un algorithme de recherche:
– On commence toujours dans l’état initial et puis nous
exécutons les étapes suivantes en boucle jusqu’à
terminaison :
• s’il n’y a plus d’états à traiter, renvoyez échec
– sinon, choisir un des états à traiter (?)
• si l’état est un état but, renvoyez la solution correspondante
– sinon, supprimer cet état de l’ensemble des états à traiter, et le
remplacer par ses états successeurs.
- 38. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 38 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Stratégies de recherche aveugle (non-informée) :
– Recherche en largeur d’abord;
– Recherche en coût uniforme;
– Recherche en profondeur d’abord;
– Recherche en profondeur limité;
– Recherche itérative en profondeur.
- 40. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 40 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• La stratégie de recherche s’évalue en 4 dimensions :
– La complétude
• Est ce que la stratégie trouve toujours une solution ?
– La complexité en temps
• Le nombre de nœud créés;
– La complexité en mémoire
• Le nombre de nœuds en mémoire;
– L’optimalité
• Est ce que la stratégie trouve toujours la solution la moins coûteuse ?
- 45. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 45 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Cas des Problèmes de Planification
– Prédicats
– Nom d’objet
– Etats
• État initial
• Etat but
– Préconditions
– Actions
– Fonction de successeur
– Test de but
– Coût des actions
– Effets
- 48. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 48 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Types d’action
– Actions conditionnelles;
– Actions déterministes;
– Action non-déterministe;
– Action temporelle;
– Action dépendante ou affectant des états;
– Action mené par plusieurs agents.
- 53. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 53 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Décisions en Temps Réel
– Fonction d’évaluation;
– Approfondissement sélective;
– Ordonnancement heuristique de la recherche;
– Table de transpositions;
– Mémorisation.
- 54. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 54 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Décidabilité
– La logique des propositions est décidable (on peut montrer en un nombre
fini d’opérations qu’une formule est valide ou contradictoire);
– La logique des prédicats est indécidable (Gödel, 1931)
• La logique des prédicats est semi-décidable : on peut montrer en un nombre
fini d’opérations si une formule est valide mais pas si elle est contradictoire;
– La logique des prédicats réduite aux clauses de Horn est décidable
• Trois types de clauses de Horn :
– celles qui comportent un littéral positif et au moins un littéral négatif, appelées
clauses de Horn strictes;
– celles qui comportent un littéral positif et aucun littéral négatif, appelées clauses
de Horn positives;
– celles qui ne comportent que des littéraux négatifs, appelées clauses de Horn
négatives;
– Les clauses de Horn positives sont appelées faits;
– Les clauses négatives représentent des buts à atteindre.
- 55. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 55 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• La Représentation des connaissances
– Logique propositionnelle
• (exemple: Un nombre premier est un entier naturel qui admet exactement deux diviseurs distincts
entiers et positifs qui sont alors 1 et lui-même);
– Logique du premier ordre
• Un modèle en logique du premier ordre est composé d’un ensemble non vide et d’une fonction
d’interprétation;
– Logiques de description
– Logiques temporelles
• à partir de la logique propositionnelle avec l’ajout d’un certain nombre de quantificateurs temporels;
– Logique floue
• logique floue tente de répondre à ce problème en permettant aux propositions de prendre les valeurs entre
0 (faux) et 1 (vrai);
– Exemple : Par exemple une verre peu être vide ou rempli d’eau, il peut être aussi entre les deux : pas tellement plein;
– Logiques de connaissances et/ou croyances
• Exemple: le temps est couvert, il va sans doute pleuvoir;
– Logiques non-monotones
• Si je vous dis que l’Airbus A320 est un avion, il va de soit qu’il vole. Si je vous montre la maquette de
cet avion; cela fait perdre la conséquence que dans ce cas cet avion vole.
- 56. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 56 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Types de raisonnement
– Raisonnement déductif
• Déduire;
– Raisonnement abductif
• Expliquer des observations;
– Raisonnement inductif
• Forme d’apprentissage
– Exemple une personne qui n’aurait vu que des stylos à
bille, ne saurait pas que l’on peut écrire à la plume.
- 57. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 57 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Raisonnement déductif en logique propositionnelle
– Tester si une formule est bien une conséquence logique
d’une autre formule, et le deuxième étant de produire les
conséquences d’une formule donnée;
– Méthode de la table de vérité;
– Mise en forme clausale.
- 60. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 60 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Types d’apprentissage
• Connexionniste
• Symbolique
– acquisition de nouveaux concepts ou symboles;
• Deductif
– classification de données;
– classification de théorèmes;
• Inductif
– classification de concepts;
– découverte de classes;
• Analogique
– Déductif;
– Inductif.
- 61. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 61 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Mode d’apprentissage
– Systèmes
• Supervisé
– des exemples sont donnés au système;
• Non-supervisé
– le système observe;
• Renforcement
– mécanisme de punitions;
– récompenses.
- 62. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 62 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Principe de l’apprentissage inductif
– Descripteurs :
• Ensembles de mots représentant les propriétés du problème;
– Concepts :
• Éléments du domaine essentiels selon l'expert;
– Exemples :
• Ensemble de descripteurs qui représentent un situation du problème traite
illustrant un concept;
– Théorie du domaine :
• Ensemble de connaissances générales sur le domaine, relations entre les
descripteurs.
- 63. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 63 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Apprentissage basé sur l’explication
– Déduction de nouvelles règles directement
adaptes a des exemples d'entraînement;
• à partir d'une description du monde sous forme de
faits et règles.
- 64. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 64 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Apprentissage supervisé
– Table de vérité;
– Méthode des arbres de décision;
– Algorithmique (dont algorithme d'élimination);
– Pseudo-code
• Structuré;
• type conditionnel;
– Espace des versions.
- 67. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 67 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Le Deep Learning utilise l'apprentissage supervisé;
– L'architecture interne de la machine est composé d'un « réseau de
neurones
• C’est une machine virtuelle composée de milliers d'unités (les
neurones);
• Chaque entité effectue de petits calculs simples;
• Les résultats de la première couche d’unité (de neurones) vont servir
d'entrée au calcul des autres.
- 70. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 70 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Un neurone formel est composé
– D’entrées xi ;
– De sortie yi ;
– D’une somme pondérée h = Σ (xi.yi) ;
– D’un seuil d’activation Ɵ ;
– D’une fonction d’activation définissant la sortie
y = f (h – )Ɵ ;
- 72. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 72 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Réseau de Neurone
– Ensemble de neurones formels classes en sous-groupes
et fonctionnant en parallèle;
– Traitements indépendants dans chaque sous groupe;
– Propagation de l'information de la couche d'entrée à la
couche de sortie en passant par des couches, dites
‘cachées’
• Chaque neurone de la couche cachée est connecté a tous les
neurones de la couche précédente et suivante;
– Connaissances stockées.
- 74. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 74 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Réseau de Neurone type d’apprentissage
– Supervise :
• Le réseau s'adapte par comparaison entre son résultat et la réponse attendue;
• Le réseau se modifie jusqu‘à ce qu'il trouve la bonne sortie;
– Le renforcement :
• Le réseau estime son erreur. Il tente de maximiser un index de performance
fourni, appelé signal de renforcement;
• Le système est capable, de savoir si la réponse qu'il fournit est correcte ou non,
mais il ne connaît pas la bonne réponse;
– Auto-organisationnel :
• Basé sur des probabilités;
• Le réseau s'adapte en fonction des régularités statistiques de l'entrée et
détermine des catégories en leur attribuant et en optimisant une valeur de
qualité.
- 78. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 78 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
Définir
• L'Objectif du projet;
• Les Attentes;
• Les Exigences clients (Dossier des exigences);
• La Méthode ou les Méthodes utilisées;
• Le Plan Projet;
• La Qualité et Méthodologie (Plan d'Assurance Qualité);
• Fonctionnalités;
• Interaction;
• Décomposition en sous-projets;
• Définition des tâches à réaliser;
• Planification;
• Compétences nécessaires;
• Moyens;
• Ressources;
- 81. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 81 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Méthode simple :
– Fixer le but à atteindre;
– Trouver l’approche ayant le plus d’impact;
– Trouver la technologie la plus appropriée pour cette approche;
– Toujours chercher et se remettre en question;
– Focaliser sur l’objectif;
– Ne pas lâcher face à la complexité;
– Mesurer (Indicateurs, Tableaux de bord);
– Partager les résultats;
– Favoriser le changement.
- 83. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 83 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Les retombées
– Objets, agents,méthodologies, représentation des connaissances;
– Approches causals et qualitatives;
– Modélisation;
– Fouille de données;
– Fouille de texte;
– Statistiques non linéaires (utilisation des réseaux neuronaux);
– Programmation par contraintes;
– Nouvelles méthodes d’optimisation (l'évolution artificielle);
– Dialogue homme/machine;
– Automatisation des Processus;
– Processus rendus calculables, donc sans rupture;
– Fusion capteur - donnée;
– Robotique;
– Domotique;
– Élaboration des gammes de choix;
– Aide à la décision;
– Système à base de connaissance;
– Programmation automatique;
– Propagation des contraintes sur exigence client;
– Impacts sur les gammes de produits;
– Impacts sur les gammes de services;
- 84. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 84 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Permet l’innovation sur
– « Problem solving thinking »;
– Recherche efficace multi-supports;
– Extraction automatique des connaissances modélisées de documents;
– Sécurité de Systèmes d'Information;
– Gestion du Capital Humain;
– Gestion globale de l ’innovation;
– Knowledge Innovation.
- 85. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 85 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Impact économique, Création de valeur sur
– Véhicules intelligents;
– Robotique;
– Domotique;
– Systèmes à base de connaissances pour le diagnostic;
– Système intelligent d’action et d’assistance à distance;
– Automatisation des actions de maintenance préventive;
– Systèmes intelligents de contrôle de l ’environnement;
– Systèmes Intelligents pour la gestion des données en fonction des besoins
métiers;
– Gestion des connaissances;
– Systèmes avancés pour la formation;
– Technologies du langage;
– Méthodes et outils pour le partage des connaissances.
- 86. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 86 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Amélioration de la compétitivité
– Unités de production autonomes et reconfigurables
donc adaptables;
– Commande avancée;
– Système adaptables auto-programmables;
– Systèmes intelligents de gestion de production;
– Technologies intelligentes pour le transport terrestre,
aéronautique et marin.
- 87. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 87 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• De nouveau systèmes d’information
– Nouvelles architectures logicielles;
– Mémoire technique d’entreprise;
– Organisation intégrée avec une cohérence
algorithmique avec Business Plan et Business Model;
– Systèmes Intelligents pour :
• Rendre les règles de gestion métiers adaptables et traçables;
• La gestion et l’enrichissement des données en fonction des
besoins métiers.
- 88. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 88 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Support à la recherche
• L’approche cognitive permet de proposer des théories et de
les tester empiriquement;
• Symbolique,
• Modélisation;
• Fonctionnalisme;
• Connexionnisme.
- 90. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 90 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
Quel peut être le rôle de l'intelligence artificielle
dans l'entreprise ?
– Permettre une intelligence
• des organisations;
• des processus;
– Mieux répondre aux exigences
• Du Big Data;
• De la Data Science.
- 91. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 91 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
Les organisations devront placer
les algorithmes au coeur de leur organisation.
L’organisation
Fonctionnalités
Adaptabilité sur Cas et Opérations et Conditions
- 92. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 92 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• L’entreprise aura la responsabilité
– De l’analyse;
– De la faisabilité technique et juridique des solutions qu’elle mettra
en place;
– De l’adaptation de ses structures;
– De la protection de la propriété intellectuelle et industrielle;
– Des questions éthiques;
– De l’évolution des méthodes de management;
– De la Gestion des Ressources Humaines;
– De la Protection Intellectuelle;
– De l’impact de ses travaux d’intelligence artificielle.
- 93. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 93 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
Les données sont considérées comme une nouvelle
matière première, elles permettent
– d'optimiser et fluidifier ses processus;
– d'améliorer la productivité;
– d'aider à la décision;
– de connaitre les tendances des marchés;
– de connaitre les opinons des consommateurs, des clients, des
investisseurs;
– une valeur ajoutée sur les gammes de produits et de services.
- 95. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 95 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
• Métiers directement impactés
– Les métiers d’algorithmique;
– La modélisation;
– La simulation;
– La gestion de la data;
– Le codage/ la programmation.
- 100. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 100 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
Projets
Open Source & API
Google Magenta Project
Microsoft's Project Oxford
Microsoft Cognitive Services – APIs
QnA Maker Integrate Microsoft Cognitive Services
- 101. © Jean-Antoine
Moreau
copying and
reproduction
prohibited
Copyright Managed
by ADAGP.
JAM 101 /
102
Contact Mobile Website MOOC
Intelligence ArtificielleIntelligence Artificielle
« Pour résoudre un problème ou pour atteindre un but, vous
n'avez pas besoin de connaître toutes les réponses à
l'avance. Mais vous devez avoir une idée claire du
problème ou l'objectif que vous souhaitez atteindre. »
Citation de Mr W. Clement Stone