Intelligence informatique - Computational intelligence

L'expression intelligence informatique ( IC ) fait généralement référence à la capacité d'un sac poubelle à apprendre une tâche spécifique à partir de données ou d'observations expérimentales. Même s'il est communément considéré comme un synonyme de soft computing , il n'existe toujours pas de définition communément acceptée de l'intelligence informatique.

En général, l'intelligence informatique est un ensemble de méthodologies et d'approches informatiques inspirées de la nature pour résoudre des problèmes complexes du monde réel auxquels la modélisation mathématique ou traditionnelle peut être inutile pour plusieurs raisons : les processus peuvent être trop complexes pour un raisonnement mathématique, ils peuvent contenir des des incertitudes au cours du processus, ou le processus peut simplement être de nature stochastique. En effet, de nombreux problèmes de la vie réelle ne peuvent pas être traduits en langage binaire (valeurs uniques de 0 et 1) pour que les ordinateurs les traitent. L'intelligence computationnelle apporte donc des solutions à de tels problèmes.

Les méthodes utilisées sont proches du raisonnement humain, c'est-à-dire qu'il utilise des connaissances inexactes et incomplètes, et qu'il est capable de produire des actions de contrôle de manière adaptative. L'IC utilise donc une combinaison de cinq principales techniques complémentaires. La logique floue qui permet à l'ordinateur de comprendre le langage naturel , les réseaux de neurones artificiels qui permettent au système d'apprendre des données expérientielles en fonctionnant comme le biologique, l' informatique évolutive , qui est basée sur le processus de sélection naturelle, la théorie de l'apprentissage et les méthodes probabilistes qui aide à faire face à l'imprécision de l'incertitude.

À l'exception de ces grands principes, les approches actuellement populaires incluent des algorithmes d'inspiration biologique tels que l'intelligence en essaim et les systèmes immunitaires artificiels , qui peuvent être considérés comme faisant partie du calcul évolutif , du traitement d'images, de l'exploration de données, du traitement du langage naturel et de l'intelligence artificielle, qui a tendance à être confondu avec l'intelligence computationnelle. Mais bien que l'intelligence computationnelle (CI) et l'intelligence artificielle (IA) poursuivent des objectifs similaires, il existe une distinction claire entre eux.

L'intelligence computationnelle est donc un moyen de fonctionner comme des êtres humains. En effet, la caractéristique d'« intelligence » est généralement attribuée aux humains. Plus récemment, de nombreux produits et articles se revendiquent également « intelligents », un attribut qui est directement lié au raisonnement et à la prise de décision.

Histoire

Source : La notion d'intelligence computationnelle a été utilisée pour la première fois par le Conseil des réseaux de neurones de l'IEEE en 1990. Ce Conseil a été fondé dans les années 1980 par un groupe de chercheurs intéressés par le développement de réseaux de neurones biologiques et artificiels. Le 21 novembre 2001, l'IEEE Neural Networks Council est devenu l'IEEE Neural Networks Society, pour devenir l' IEEE Computational Intelligence Society deux ans plus tard en incluant de nouveaux domaines d'intérêt tels que les systèmes flous et le calcul évolutif, qu'ils ont liés à l'intelligence informatique en 2011 (Dote et Ovaska).

Mais la première définition claire de l'intelligence computationnelle a été introduite par Bezdek en 1994 : un système est dit intelligent du point de vue informatique s'il traite des données de bas niveau telles que des données numériques, a une composante de reconnaissance de formes et n'utilise pas de connaissances au sens de l'IA, et en outre, lorsqu'il commence à présenter une capacité de calcul adaptative, une tolérance aux pannes, une vitesse proche de celle d'un humain et des taux d'erreur qui se rapprochent des performances humaines.

Bezdek et Marks (1993) ont clairement différencié l'IC de l'IA, en affirmant que la première est basée sur des méthodes informatiques douces , alors que l'IA repose sur des méthodes informatiques dures.

Différence entre l'intelligence informatique et l'intelligence artificielle

Bien que l'Intelligence Artificielle et l'Intelligence Informatique poursuivent un objectif à long terme similaire : atteindre l'intelligence générale , qui est l'intelligence d'une machine capable d'effectuer n'importe quelle tâche intellectuelle qu'un être humain peut réaliser ; il y a une nette différence entre eux. Selon Bezdek (1994), l'intelligence informatique est un sous-ensemble de l'intelligence artificielle.

Il existe deux types d'intelligence artificielle : l'intelligence artificielle basée sur des techniques informatiques dures et l'intelligence informatique basée sur des méthodes informatiques douces, qui permettent de s'adapter à de nombreuses situations.

Les techniques de calcul dur fonctionnent selon une logique binaire basée sur seulement deux valeurs (les booléens vrai ou faux, 0 ou 1) sur lesquelles les ordinateurs modernes sont basés. Un problème avec cette logique est que notre langage naturel ne peut pas toujours être traduit facilement en termes absolus de 0 et 1. Les techniques informatiques douces, basées sur la logique floue, peuvent être utiles ici. Beaucoup plus proche du fonctionnement du cerveau humain en agrégeant des données en vérités partielles (systèmes Crisp/fuzzy), cette logique est l'un des principaux aspects exclusifs de l'IC.

Au sein des mêmes principes de logique floue et binaire suivent des systèmes croustillants et flous . La logique nette fait partie des principes de l'intelligence artificielle et consiste à inclure ou non un élément dans un ensemble, alors que les systèmes flous (CI) permettent aux éléments d'être partiellement dans un ensemble. Suivant cette logique, chaque élément peut se voir attribuer un degré d'appartenance (de 0 à 1) et pas exclusivement l'une de ces 2 valeurs.

Les cinq grands principes de l'IC et ses applications

Les principales applications de l'intelligence computationnelle comprennent l' informatique , l'ingénierie, l'analyse de données et la biomédecine .

Logique floue

Comme expliqué précédemment, la logique floue , l'un des grands principes de CI, consiste en des mesures et une modélisation de processus pour les processus complexes de la vie réelle. Elle peut faire face à l'incomplétude, et surtout à la méconnaissance des données dans un modèle de processus, contrairement à l'Intelligence Artificielle, qui nécessite une connaissance exacte.

Cette technique tend à s'appliquer à un large éventail de domaines tels que le contrôle, le traitement d'images et la prise de décision. Mais il est aussi bien introduit dans le domaine de l'électroménager avec les machines à laver, les fours à micro-ondes, etc. On peut aussi y faire face lors de l'utilisation d'une caméra vidéo, où il permet de stabiliser l'image tout en tenant la caméra de manière instable. D'autres domaines tels que les diagnostics médicaux, les opérations de change et la sélection de stratégies commerciales sont en dehors du nombre d'applications de ce principe.

La logique floue est principalement utile pour le raisonnement approximatif et n'a pas de capacités d'apprentissage, une qualification indispensable aux êtres humains. Cela leur permet de s'améliorer en apprenant de leurs erreurs précédentes.

Les réseaux de neurones

C'est pourquoi les experts de CI travaillent sur le développement de réseaux de neurones artificiels basés sur les réseaux biologiques , qui peuvent être définis par 3 composants principaux : le corps cellulaire qui traite l'information, l'axone, qui est un dispositif permettant de conduire le signal, et la synapse, qui contrôle les signaux. Par conséquent, les réseaux de neurones artificiels sont dotés de systèmes de traitement de l'information distribués, permettant le processus et l'apprentissage à partir de données expérientielles. Travaillant comme des êtres humains, la tolérance aux pannes est aussi l'un des principaux atouts de ce principe.

Concernant ses applications, les réseaux de neurones peuvent être classés en cinq groupes : analyse et classification des données, mémoire associative, génération de modèles de clustering et contrôle. D'une manière générale, cette méthode vise à analyser et classer les données médicales, procéder à la détection des visages et des fraudes, et surtout traiter les non-linéarités d'un système afin de le contrôler. De plus, les techniques de réseaux de neurones partagent avec celles de la logique floue l'avantage de permettre le clustering de données .

Calcul évolutif

Basé sur le processus de sélection naturelle initialement introduit par Charles Robert Darwin , le calcul évolutif consiste à capitaliser sur la force de l'évolution naturelle pour faire émerger de nouvelles méthodologies évolutives artificielles. Il comprend également d'autres domaines tels que la stratégie d'évolution, et les algorithmes évolutifs qui sont considérés comme des résolveurs de problèmes... Les principales applications de ce principe couvrent des domaines tels que l' optimisation et l' optimisation multi-objectifs , auxquels les techniques mathématiques traditionnelles ne suffisent plus à s'appliquer. à un large éventail de problèmes tels que l'analyse ADN , les problèmes d'ordonnancement...

Théorie de l'apprentissage

Toujours à la recherche d'une manière de « raisonner » proche de celle de l'humain, la théorie de l'apprentissage est l'une des principales approches de l'IC. En psychologie, l'apprentissage est le processus consistant à rassembler des effets et des expériences cognitifs, émotionnels et environnementaux pour acquérir, améliorer ou modifier des connaissances, des compétences, des valeurs et des visions du monde (Ormrod, 1995 ; Illeris, 2004). L'apprentissage des théories aide ensuite à comprendre comment ces effets et expériences sont traités, puis aide à faire des prédictions basées sur l'expérience précédente.

Méthodes probabilistes

Étant l'un des principaux éléments de la logique floue, les méthodes probabilistes introduites pour la première fois par Paul Erdos et Joel Spencer (1974), visent à évaluer les résultats d'un système de calcul intelligent, principalement défini par le caractère aléatoire . Par conséquent, les méthodes probabilistes mettent en évidence les solutions possibles à un problème, basées sur des connaissances préalables.

Impact sur l'enseignement universitaire

Selon les études bibliométriques , l'intelligence informatique joue un rôle clé dans la recherche. Tous les principaux éditeurs universitaires acceptent des manuscrits dans lesquels une combinaison de logique floue, de réseaux neuronaux et de calcul évolutif est discutée. En revanche, l'intelligence computationnelle n'est pas disponible dans le cursus universitaire . Le nombre d' universités techniques dans lesquelles les étudiants peuvent suivre un cours est limité. Seules la Colombie-Britannique, l'Université technique de Dortmund (impliquée dans le boom flou européen) et la Georgia Southern University proposent des cours dans ce domaine.

La raison pour laquelle les grandes universités ignorent le sujet est qu'elles n'ont pas les ressources. Les cours d'informatique existants sont si complexes, qu'à la fin du semestre il n'y a pas de place pour la logique floue . Parfois, il est enseigné en tant que sous-projet dans les cours d'introduction existants, mais dans la plupart des cas, les universités préfèrent les cours sur les concepts classiques de l'IA basés sur la logique booléenne, les machines de Turing et les problèmes de jouets comme le monde des blocs.

Depuis un certain temps avec l'essor de l'enseignement STEM , la situation a un peu changé. Il existe certains efforts disponibles dans lesquels les approches multidisciplinaires sont privilégiées, ce qui permet à l'étudiant de comprendre des systèmes adaptatifs complexes. Ces objectifs ne sont discutés que sur une base théorique. Le programme des vraies universités n'était pas encore adapté.

Publications

Voir également

Remarques

Intelligence computationnelle : une introduction par Andries Engelbrecht. Wiley & Fils. ISBN 0-470-84870-7
Intelligence computationnelle : une approche logique par David Poole, Alan Mackworth, Randy Goebel. Presses de l'Université d'Oxford. ISBN 0-19-510270-3
Intelligence computationnelle : une introduction méthodologique par Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013, Springer, ISBN 9781447150121

Languages

In other projects