{"id":127,"date":"2023-05-21T15:37:39","date_gmt":"2023-05-21T13:37:39","guid":{"rendered":"https:\/\/artificiellementintelligent.wordpress.com\/?p=127"},"modified":"2023-05-21T15:37:39","modified_gmt":"2023-05-21T13:37:39","slug":"panorama-de-lintelligence-artificielle","status":"publish","type":"post","link":"https:\/\/artificiellementintelligent.eu\/index.php\/2023\/05\/21\/panorama-de-lintelligence-artificielle\/","title":{"rendered":"Panorama de l’Intelligence Artificielle"},"content":{"rendered":"\n

Vue d’ensemble<\/h2>\n\n\n\n

Nous l’avons d\u00e9j\u00e0 vu pr\u00e9c\u00e9demment dans l’historique : le domaine de l’Intelligence Artificielle est n\u00e9 dans les ann\u00e9es 1950 sous l’impulsion d’une poign\u00e9e de pionniers. L’ Intelligence Artificielle peut \u00eatre d\u00e9finie de mani\u00e8re succincte comme l’ensemble des efforts visant \u00e0 automatiser les t\u00e2ches intellectuelles normalement ex\u00e9cut\u00e9es par les \u00eatres humains.<\/p>\n\n\n\n

L’ IA proc\u00e8de principalement de deux domaines distincts, appel\u00e9s IA symbolique <\/em>et IA connexionniste<\/em>. Ces deux approches suivent des voies profond\u00e9ment diff\u00e9rentes pour aboutir \u00e0 la construction de syst\u00e8mes automatis\u00e9s intelligents. En pratique, l’IA connexionniste correspond aux techniques d’apprentissage machine<\/em>, et c’est le terme que j’utiliserai dans le reste de cet article. Dans les techniques d’apprentissage machine, les techniques bas\u00e9es sur des r\u00e9seaux neuronaux artificiels ont progressivement acuis une position dominante. Elles sont \u00e0 la base de toutes les perc\u00e9es r\u00e9centes, y compris les mod\u00e8les de langage qui d\u00e9fraient actuellement la chronique. Pour des raisons qui appara\u00eetront ci-dessous, ces techniques sont souvent appel\u00e9es apprentissage profond<\/em>. La figure 1 illustre la situation respective de ces diff\u00e9rentes approches. <\/p>\n\n\n\n

Enfin, il existe quelques approches particuli\u00e8res qui ne peuvent \u00eatre vraiment class\u00e9es dans aucune des deux grandes cat\u00e9gories. On peut citer par exemple les filtres de Kalman<\/em>, les r\u00e9seaux bayesiens<\/em> ou encore les mod\u00e8les de Markov<\/em> (cach\u00e9s ou pas). Je n’en parlerai pas plus ici. <\/p>\n\n\n

\n
\"\"
Figure 1 : Aper\u00e7u g\u00e9n\u00e9ral du domaine de l’Intelligence Artificielle<\/figcaption><\/figure>\n<\/div>\n\n\n

Les techniques de l’IA symbolique<\/h2>\n\n\n\n

Les partisans de l’approche symbolique basent leurs syst\u00e8mes sur une formalisation de la connaissance et du raisonnement humains en les traduisant en un ensemble de symboles et de relations entre ces symboles. L’id\u00e9e est s\u00e9duisante, les symboles jouant un r\u00f4le vital dans la connaissance et le raisonnement humain; il suffit de r\u00e9fl\u00e9chir un instant \u00e0 la structure de nos langues, avec leur vocabulaire et leurs r\u00e8gles syntaxiques pour s’en convaincre : nous utilisons des symboles abstraits pour repr\u00e9senter des cat\u00e9gories de concepts, qui se d\u00e9clinent en des concepts plus simples jusqu’\u00e0 descendre \u00e0 des notions \u00e9l\u00e9mentaires. De la m\u00eame mani\u00e8re,nos langages nous permettent d’exprimer toutes sortes de relations, qui couvrent tout le champ de l’exp\u00e9rience consciente humaine : relations humaines, cat\u00e9gorisation des objets, position et relation dans le temps et l’espace, liens de causalit\u00e9, raisonnements abstraits…. <\/p>\n\n\n\n

L’id\u00e9e de l’IA symbolique est de construire un monde abstrait id\u00e9alis\u00e9, contenant un nombre de concepts\/symboles beaucoup plus r\u00e9duit que dans le monde r\u00e9el, et r\u00e9gi par des relations entre symboles et r\u00e8gles logiques d’action \u00e9l\u00e9mentaires. Ces symboles et ces r\u00e8gles sont ensuite int\u00e9gr\u00e9s dans un programme informatique qui va les manipuler et d\u00e9duire de nouvelles relations par application r\u00e9p\u00e9t\u00e9e de ces r\u00e8gles logiques.<\/p>\n\n\n\n

L’ algorithme de base de l’IA symbolique est celui de la recherche de haut en bas : l’algorithme va essayer diff\u00e9rentes solutions, partant de la situation de d\u00e9part et appliquant successivement toutes les combinaisons possibles de r\u00e8gles dans le but d’atteindre l’objectif recherch\u00e9, ou, \u00e0 d\u00e9faut de s’en approcher. Au fur et \u00e0 mesure de l’application r\u00e9cursive des r\u00e8gles, un \u00ab\u00a0arbre\u00a0\u00bb de r\u00e8gles se contruit. L’ordinateur parcourt inlassablement les diff\u00e9rentes branches, \u00e0 la recherche de la meilleure solution.<\/p>\n\n\n\n

Je vais illustrer ceci \u00e0 travers quelques exemples classiques de probl\u00e8mes trait\u00e9s par l’IA symbolique :<\/p>\n\n\n\n

    \n
  • Navigation<\/strong> : c’est l’algorithme que vous activez lorsque vous voulez vous rendre d’un endroit \u00e0 l’autre et demandez le chemin \u00e0 votre v\u00e9hicule. Le syst\u00e8me poss\u00e8de un graphe de toutes les routes carrossables de la r\u00e9gion. Partant du noeud o\u00f9 vous vous trouvez, il va parcourir le graphe des chemins de proche en proche. Apr\u00e8s chaque trajet \u00e9l\u00e9mentaire, l’algorithme regarde le point d’aboutissement et v\u00e9rifie s’il a d\u00e9j\u00e0 atteint le m\u00eame point par un autre chemin. Il ne conserve alors que le chemin le plus optimal pour atteindre ce point (en termes de distance et\/ou de temps) et \u00e9limine les autres. L’algorithme proc\u00e8de de la sorte r\u00e9p\u00e9titivement jusqu’ \u00e0 atteindre la destination, puis continue pour \u00e9valuer toutes les mani\u00e8res d’atteindre la destination et ne garder que la plus optimale, qui est la solution recherch\u00e9e.<\/li>\n<\/ul>\n\n\n\n
      \n
    • Jeu d’\u00e9checs<\/strong> : l’ordinateur conna\u00eet la configuration initiale des pi\u00e8ces sur l’\u00e9chiquier ainsi que tous les mouvements possibles des pi\u00e8ces. Supposons pour fixer les id\u00e9es que l’ordinateur joue avec les blancs. Une fonction d’\u00e9valuation est d\u00e9finie, qui retourne un score pour chaque configuration possible de l’\u00e9chiquier. Au plus la configuration est favorable \u00e0 l’ordinateur (=les blancs), au plus le score est \u00e9lev\u00e9. Ce score inclut en g\u00e9n\u00e9ral une composante mat\u00e9rielle (pr\u00e9servation des pi\u00e8ces) et aussi positionnelle (localisation des pi\u00e8ces). L’algorithme, appel\u00e9 MINIMAX, va alors cr\u00e9er un arbre de tous les mouvement possibles pour chacun des joueurs jusqu’\u00e0 un certain nombre de coups dans le futur. Il va alors progressivement remonter en ne conservant chaque fois que le mouvement le plus optimal consid\u00e9rant que les joueurs sont rationnels, \u00e0 savoir choisissent syst\u00e9matiquement le mouvement qui maximise le score final – quand c’est \u00e0 blanc de jouer- ou celui qui minimise le score final -quand c’est \u00e0 noir de jouer-. Progressivement, l’algorithme remonte jusqu’au coup de d\u00e9part et s\u00e9lectionne le mouvement qui maximise le score pour le coup \u00e0 jouer. <\/li>\n<\/ul>\n\n\n\n
        \n
      • Planification<\/strong> : le syst\u00e8me re\u00e7oit une t\u00e2che \u00e0 accomplir, mais cette t\u00e2che requiert la r\u00e9alisation de diff\u00e9rentes sous-t\u00e2ches qui sont li\u00e9es par diff\u00e9rentes relations et contraintes (de hi\u00e9rarchie, de s\u00e9quence, de localisation physique, de consommation de resources…). L’algorithme va alors parcourir toutes les mani\u00e8res possibles d’ordonnancer les t\u00e2ches en respectant les contraintes jusqu’\u00e0 ce que l’objectif soit atteint. Ces algorithmes ont la particularit\u00e9 qu’ils vont souvent parcourir l’espace de configuration \u00e0 la fois progressivement depuis le point de d\u00e9part, mais aussi \u00e0 rebours depuis l’objectif, et ce jusqu’\u00e0 trouver un point de rencontre dans l’espace des configurations entre la recherche progressive et la recherche \u00ab\u00a0\u00e0 rebours\u00a0\u00bb. De nombreux probl\u00e8mes logistiques peuvent se traiter de la sorte, par exemple placement et d\u00e9placement de caisses dans un entrep\u00f4t, transport de fr\u00eat optimal consid\u00e9rant les contraintes de transport…. <\/li>\n<\/ul>\n\n\n\n
          \n
        • Syst\u00e8mes experts<\/strong> : la connaissance d’un expert est encod\u00e9e sous forme de r\u00e8gles logiques et appliqu\u00e9e \u00e0 un ensemble de donn\u00e9es en entr\u00e9e. Ces r\u00e8gles peuvent servir \u00e0 \u00e9tablir des conclusions interm\u00e9diaires qui vont ensuite \u00eatre exploit\u00e9es pour tenter de tirer une conclusion d\u00e9finitive. De plus, le syst\u00e8me permet \u00e0 l’utiliateur de lui fournir des informations compl\u00e9mentaires lorsqu’il est bloqu\u00e9, afin de faire progresser l’analyse. Par exemple, un programme pourra analyser un pr\u00e9l\u00e8vement sanguin et tirer des conclusions interm\u00e9diaires, qu’il soumet \u00e0 un m\u00e9decin; par exemple sugg\u00e9rer un examen m\u00e9dical compl\u00e9mentaire. Le m\u00e9decin peut ensuite encoder le r\u00e9sultat du test compl\u00e9mentaire ce qui permettra au syst\u00e8me expert de tirer de nouvelles conclusions, qu’il soumettra \u00e0 nouveau, et ainsi de suite jusqu’\u00e0 ce que l’utilisateur soit satisfait.<\/li>\n<\/ul>\n\n\n\n
            \n
          • Prouveurs de th\u00e9or\u00e8mes<\/strong> : l’ordinateur conna\u00eet les axiomes des math\u00e9matiques ainsi qu’un certain nombre de th\u00e9or\u00e8mes d\u00e9j\u00e0 prouv\u00e9s qui constituent son point de d\u00e9part. Le th\u00e9or\u00e8me \u00e0 prouver constitue l’objectif. L’ ordinateur conna\u00eet aussi les r\u00e8gles de d\u00e9duction de la logique formelle. Il va alors appliquer r\u00e9p\u00e9titivement et cumulativement toutes les combinaisons de r\u00e8gles formelles sur l’ ensemble de faits constituant le point de d\u00e9part, jusqu’\u00e0 atteindre le th\u00e9or\u00e8me \u00e0 prouver. Cet approche est tr\u00e8s s\u00e9duisante car l’algorithme peut imm\u00e9diatement restituer la cha\u00eene logique suivie et donc expliquer son raisonnement. CQFD.<\/li>\n<\/ul>\n\n\n\n

            Une caract\u00e9ristique de toutes ces techniques est que le monde abstrait est d\u00e9fini \u00e0 la main de toutes pi\u00e8ces par le programmeur. Il n’y a pas \u00e0 proprement parler d’apprentissage autonome par la machine, qui ne fait qu’appliquer les r\u00e8gles qui lui ont \u00e9t\u00e9 \u00e9dict\u00e9es.<\/p>\n\n\n\n

            L’illusion de l’intelligence provient ici de l’extr\u00eame rapidit\u00e9 des ordinateurs. L\u00e0 ou l’\u00eatre humain va instinctivement \u00e9laguer l’arbre des possibles et focaliser son analyse sur un petit nombre de cas prometteurs, l’ ordinateur va parcourir tr\u00e8s rapidement tous les cas possibles, m\u00eame les moins plausibles, pour arriver \u00e0 un r\u00e9sultat analogue.<\/p>\n\n\n\n

            <\/p>\n\n\n\n

            Les techniques de l’apprentissage machine <\/h2>\n\n\n\n

            Commen\u00e7ons tout de suite par une d\u00e9finition due \u00e0 Arthur Samuel en 1959 : l’apprentissage machine est le domaine d’\u00e9tude qui vise \u00e0 donner aux ordinateurs la capacit\u00e9 d’apprendre sans avoir \u00e9t\u00e9 explicitement programm\u00e9s<\/em>.<\/p>\n\n\n\n

            L’ id\u00e9e de base de l’apprentissage machine est que l’utilisateur fournit \u00e0 l’algorithme une s\u00e9rie de donn\u00e9es qui vont permettre \u00e0 l’algorithme de cr\u00e9er son propre mod\u00e8le \u00e0 travers une phase d’apprentissage. Une fois l’apprentissage termin\u00e9 et le mod\u00e8le test\u00e9, il pourra \u00eatre utilis\u00e9 sur de nouvelles donn\u00e9es pour effectuer des pr\u00e9dictions. Contrairement \u00e0 la d\u00e9marche d\u00e9ductive<\/em> de l’IA symbolique, la d\u00e9marche de l’apprentissage machine est donc par nature inductive<\/em> : elle part de cas particuliers pour construire une g\u00e9n\u00e9ralisation \u00e0 travers une phase pr\u00e9paratoire d’entra\u00eenement. L’algorithme construit progressivement une structure statistique au moyen des exemples d’entra\u00eenement; cette structure est gel\u00e9e \u00e0 la fin de l’entra\u00eenement et exploit\u00e9e ensuite sur de nouveau exemples en production pour effectuer des pr\u00e9dictions.<\/em><\/p>\n\n\n\n

            L’apprentissage machine est utilis\u00e9 dans de nombreuses applications car il permet aux machines d’interpr\u00e9ter leur environnement (au sens large du terme) m\u00eame lorsque celui-ci est incertain, entach\u00e9 d’erreurs ou tout simplement impossible \u00e0 formaliser explicitement. Ce dernier cas est typique des probl\u00e8mes perceptuels. En effet, comment d\u00e9finir une r\u00e8gle d\u00e9ductive permettant d’\u00e9tablir si une image contient un chat ou pas, uniquement \u00e0 partir des points qui la constituent ? Cela semble impossible…<\/p>\n\n\n\n

            L’apprentissage machine a commenc\u00e9 \u00e0 prendre l’avantage sur l’IA symbolique dans les ann\u00e9es 1990 et est aujourd’hui et de loin l’approche dominante, profitant de la digitalisation accrue du monde depuis l’arriv\u00e9e du World Wide Web pour nourrir des jeux de donn\u00e9es num\u00e9riques sans cesse plus volumineux. Si l’approche dominante aujourd’hui est l’apprentissage profond, bas\u00e9 sur les r\u00e9seaux neuronaux, il est bon de parler un instant des autres approches qui peuvent s’av\u00e9rer plus ad\u00e9quates que les r\u00e9seaux neuronaux dans certainc cas.<\/p>\n\n\n\n

            Les algorithmes d’apprentissage machine se d\u00e9coupent en plusieurs sous-familles, en fonction du type de donn\u00e9es disponibles pendant la phase d’apprentissage. <\/p>\n\n\n\n

            Dans le cas de l’apprentissage supervis\u00e9<\/em>, le programmeur fournit \u00e0 l’algorithme un jeu de donn\u00e9es d’apprentissage \u00ab\u00a0\u00e9tiquet\u00e9\u00a0\u00bb c’est \u00e0 dire comprenant \u00e0 la fois les donn\u00e9es d’entr\u00e9e (appel\u00e9es observations) et les donn\u00e9es de sortie (appel\u00e9es \u00e9tiquettes). Dans ce cas, l’algorithme cherchera \u00e0 apprendre comment pr\u00e9dire la bonne \u00e9tiquette en fonction de l’observation fournie. Une contrainte de ces algorithmes est que les \u00e9tiquettes doivent en g\u00e9n\u00e9ral \u00eatre d\u00e9finies \u00e0 la main avant l’apprentissage, et qu’elles doivent \u00eatre correctes. Ceci a un co\u00fbt.<\/p>\n\n\n\n

            La r\u00e9gression<\/em> et la classification<\/em> sont deux techniques traditionnelles en apprentissage machine supervis\u00e9. La r\u00e9gression consiste \u00e0 chercher \u00e0 pr\u00e9dire une valeur num\u00e9rique continue en fonction d’une observation, alors que la classification a pour but d’attribuer \u00e0 chaque observation une cat\u00e9gorie donn\u00e9e parmi un nombre fini de cat\u00e9gories. Dans le cas le plus simple, la classification binaire va pr\u00e9dire si une observation poss\u00e8de ou non une caract\u00e9ristique int\u00e9ressante (classification oui\/non).<\/p>\n\n\n\n

            Dans le case de l’apprentissage non supervis\u00e9<\/em>, le jeu de donn\u00e9es d’entra\u00eenement ne contient que des donn\u00e9es d’entr\u00e9e mais aucune donn\u00e9e de sortie. Le programme devra donc, pendant la phase d’apprentissage, d\u00e9couvrir la structure sous-jacente des donn\u00e9es, pour autant qu’elle existe. L’apprentissage non supervis\u00e9 est souvent moins performant que l’apprentissage supervis\u00e9 car il ne poss\u00e8de pas les \u00e9tiquettes pour orienter sa mod\u00e9lisation. Par contre, il est possible d’utiliser directement des donn\u00e9es brutes (textes, images…), souvent disponibles en tr\u00e8s grande quantit\u00e9, sans devoir les \u00e9tiqueter une \u00e0 une au pr\u00e9alable. <\/p>\n\n\n\n

            Un algorithme classique d’apprentissage non supervis\u00e9 est le partitionnement des donn\u00e9es<\/em> (clustering en Anglais) dans lequel les donn\u00e9es en entr\u00e9e sont regroup\u00e9es arbitrairement par l’algorithme en un certain nombre de cat\u00e9gories plausibles au vu de la r\u00e9partition des observations. Un int\u00e9r\u00eat de ce type d’algorithme est qu’il poss\u00e8de une certaine forme de cr\u00e9ativit\u00e9, et peut donc aider un chercheur \u00e0 identifier des r\u00e9gularit\u00e9s ou des motifs jusu’alors ind\u00e9tect\u00e9s.<\/p>\n\n\n\n

            Un autre exemple d’apprentissage non supervis\u00e9 est la d\u00e9tection d’anomalie.<\/em> Il consiste \u00e0 d\u00e9tecter une observation aberrante par rapport aux donn\u00e9es d’entra\u00eenement et qui survient rarement. La d\u00e9tection d’une transaction financi\u00e8re frauduleuse ou d’une pi\u00e8ce m\u00e9canique d\u00e9fectueuse lors d’un contr\u00f4le qualit\u00e9 en bout de cha\u00eene de production sont deux exemples d’application de cet algorithme. <\/p>\n\n\n\n

            Enfin, il existe des situations interm\u00e9diaires. Dans l’apprentissage semi-supervis\u00e9<\/em>, seule une partie des observations d’entr\u00e9e est \u00e9tiquet\u00e9e. Dans l’apprentissage autosupervis\u00e9<\/em>, on cherche \u00e0 pr\u00e9dire certaines donn\u00e9es d’entr\u00e9e en fonction des autres. C’est une approche tr\u00e8s int\u00e9ressante sur lequel on reviendra par la suite car elle est largement utilis\u00e9e dans les mod\u00e8les de langage.<\/p>\n\n\n\n

            <\/p>\n\n\n\n

            L’apprentissage profond<\/h2>\n\n\n\n

            L’apprentissage profond reprend les m\u00eames techniques et approches que l’apprentissage machine. On y retrouve \u00e9galement l’apprentissage supervis\u00e9, non supervis\u00e9, semi-supervis\u00e9 etc… La diff\u00e9rence entre les deux provient du type de mod\u00e8le utilis\u00e9.<\/p>\n\n\n\n

            Si l’ apprentissage machine se base sur des algorithmes statistiques traditionnels, l’apprentissage profond recourt aux r\u00e9seaux de neurones artificiels multicouches pour arriver au m\u00eame r\u00e9sultat. La diff\u00e9rence est que la puissance de mod\u00e9lisation des neurones artificiels n’est limit\u00e9e que par la taille du r\u00e9seau et celui-ci peut \u00eatre rendu arbitrairement complexe, pour autant que le programmeur dispose de la puissance de calcul n\u00e9cessaire et d’un volume de donn\u00e9es suffisant.<\/p>\n\n\n\n

            Cette capacit\u00e9 \u00e0 traiter des probl\u00e8mes de plus en plus complexes a propuls\u00e9 l’apprentissage profond au d\u00e9but de la sc\u00e8ne depuis le d\u00e9but de la d\u00e9cennie 2010; cette approche domine aujourd’hui compl\u00e8tement le secteur.<\/p>\n\n\n\n

            Vu la longueur que ce texte est en train de prendre, je traiterai de l’apprentissage profond dans un article s\u00e9par\u00e9, car le sujet m\u00e9rite largement un traitement d\u00e9taill\u00e9.<\/p>\n\n\n\n

            <\/p>\n\n\n\n

            Conclusion<\/h2>\n\n\n\n

            Le d\u00e9fi ultime de l’IA est de cr\u00e9er un syst\u00e8me capable \u00e0 la fois de raisonner, de cr\u00e9er de nouvelles abstractions, de percevoir le monde dans toute sa complexit\u00e9, et d’apprendre de mani\u00e8re autonome. Mais les syst\u00e8mes actuels se montrent soit d\u00e9ficients dans leur capacit\u00e9 \u00e0 raisonner, soit \u00e0 apprendre.<\/p>\n\n\n\n

            En m\u00eame temps, on ne peut s’emp\u00eacher d’\u00eatre interpell\u00e9 par la grande compl\u00e9mentarit\u00e9 des deux approches. Les m\u00e9thodes d’apprentissage machine excellent dans leurs capacit\u00e9s d’ apprentissage et de mod\u00e9lisation de ph\u00e9nom\u00e8nes complexes mais leurs capacit\u00e9s d’abstraction, de raisonnement et d’explication sont limit\u00e9es et peu interpr\u00e9tables. L’IA symbolique offre \u00e0 peu pr\u00e8s l’inverse : une grande puissance d’abstraction et de raisonnement, facilement int\u00e9rpr\u00e9tables, mais peu encline \u00e0 traiter les grands volumes de donn\u00e9es imparfaitement structur\u00e9s ou \u00e0 apprendre de mani\u00e8re autonome.<\/p>\n\n\n\n

            On ne peut s’emp\u00eacher de penser que l’approche id\u00e9ale combinerait ces deux techniques. Ces approches, appel\u00e9es hybrides ou neurosymboliques<\/em>, font l’objet de recherches et de d\u00e9veloppements approcondis. Mais l’int\u00e9gration entre deux approches fondamentalement diff\u00e9rentes n’est pas simple. L’avenir nous dira ce qu’il en est…<\/p>\n\n\n\n

            Pour terminer, admirons un instant l’extraordinaire puissance de la conscience humaine, qui combine toutes ces capacit\u00e9s avec \u00e9l\u00e9gance et harmonie. En quelques ann\u00e9es, et par l’entremise de ses cinq sens limit\u00e9s, un enfant se cr\u00e9e une repr\u00e9sentation int\u00e9rieure du monde d’une stup\u00e9fiante complexit\u00e9, qu’il continuera \u00e0 enrichir toute sa vie au fil de nouveaux apprentissages et de nouvelles exp\u00e9riences. Chaque conscience est un univers propre qui refl\u00e8te l’univers ext\u00e9rieur. <\/p>\n\n\n\n

            Toutes les fois qu’un homme meurt, c’est un monde qui dispara\u00eet, le monde qu’il portait dans sa t\u00eate<\/em>. – Arthur Schopenhauer<\/p>\n\n\n\n

            <\/p>\n","protected":false},"excerpt":{"rendered":"

            Vue d’ensemble
            \nL’IA est n\u00e9e dans les ann\u00e9es 1950 via deux approches distinctes : l’IA symbolique et l’IA connexionniste. L’IA symbolique repose sur la formalisation de la connaissance et du raisonnement humains. Elle utilise des r\u00e8gles logiques pour manipuler des symboles et d\u00e9duire de nouvelles relations. Exemples : navigation, jeu d’\u00e9checs, planification, syst\u00e8mes experts et prouveurs de th\u00e9or\u00e8mes. L’IA connexionniste, ou l’apprentissage machine, donne aux ordinateurs la capacit\u00e9 d’apprendre sans \u00eatre explicitement programm\u00e9s.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7],"tags":[],"class_list":["post-127","post","type-post","status-publish","format-standard","hentry","category-generalites","post-preview"],"_links":{"self":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts\/127","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/comments?post=127"}],"version-history":[{"count":0,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/posts\/127\/revisions"}],"wp:attachment":[{"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/media?parent=127"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/categories?post=127"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/artificiellementintelligent.eu\/index.php\/wp-json\/wp\/v2\/tags?post=127"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}