Semestre : S6fsjest.uae.ac.ma/fsjest/cours/master/Intro_IA_LP_Fellaji... · 2020. 3. 18. · •...
Transcript of Semestre : S6fsjest.uae.ac.ma/fsjest/cours/master/Intro_IA_LP_Fellaji... · 2020. 3. 18. · •...
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
3Pr. Soumaya FELLAJI
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.
4Pr. Soumaya FELLAJI
• 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
5Pr. Soumaya FELLAJI
Quelle est la place de l’intelligence artificielle dans l’entreprise?
Introduction
6Pr. Soumaya FELLAJI
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
7Pr. Soumaya FELLAJI
8Pr. Soumaya FELLAJI
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
9Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
1. Données
Système d’information (SI)
Collecter Stocker Traiter Distribuer
Grâce à un ordinateur
10Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
2. Information
• Des données traitées;
• Des données organisées;
• Des données structurées;
• ....
Des données présentées dans un contexte afin de les rendre utiles
11Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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;
12Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
3. Connaissance
Au sein d’une entreprise, comment peut-on convertir
une information à une connaissance?
13Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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?
14Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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
15Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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
16Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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
17Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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.
18Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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.
19Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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.
20Pr. Soumaya FELLAJI
Chapitre 1 : Notion de l’intelligence artificielle
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
21Pr. Soumaya FELLAJI
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
Chapitre 1 : Notion de l’intelligence artificielle
22Pr. Soumaya FELLAJI
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.
Chapitre 1 : Notion de l’intelligence artificielle
9. Machine Learning
Préparer
les données
23Pr. Soumaya FELLAJI
Workflow d'apprentissage automatique
Collecter
les données
Diviser les
données
Former
un modèle
Tester et
valider
Utiliser
un modèleTester
Former
Valider
Chapitre 1 : Notion de l’intelligence artificielle
9. Machine Learning
24Pr. Soumaya FELLAJI
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
25Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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.
26Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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.)
27Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
3. Avantages des Réseaux Bayésiens
Acquisition des connaissances .
Représentation des connaissances.
Utilisation des connaissances.
Qualité de l’offre en matière de logiciels.
28Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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.
29Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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) = ∗ ( )∑ ∗ ( )
30Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
5. Théorème de Bayes
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
31Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
5. Théorème de Bayes
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
32Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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.
33Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
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
34Pr. Soumaya FELLAJI
Chapitre 2 : Réseaux Bayésiens
8. Étude de cas
Atelier 1
35Pr. Soumaya FELLAJI
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.
36Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
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.
37Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
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,
- ...
38Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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]
39Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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]
40Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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.
41Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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.
42Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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
43Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
3. Ensembles et sous-ensembles flous
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
44Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
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
45Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
4. Opérations sur les sous-ensembles flous
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)
46Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
4. Opérations sur les sous-ensembles flous
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
47Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
5. La commande floue
48Pr. Soumaya FELLAJI
Chapitre 3 : Logique Floue
6. Etude de cas
Atelier 2