Système expert - Expert system

A Symbolics Lisp Machine : une première plate-forme pour les systèmes experts.

En intelligence artificielle , un système expert est un système informatique émulant la capacité de prise de décision d'un expert humain. Les systèmes experts sont conçus pour résoudre des problèmes complexes en raisonnant à l' aide d'ensembles de connaissances, représentés principalement comme des règles si-alors plutôt que par un code procédural conventionnel . Les premiers systèmes experts ont été créés dans les années 1970 puis se sont multipliés dans les années 1980. Les systèmes experts ont été parmi les premières formes vraiment réussies de logiciels d' intelligence artificielle (IA). Un système expert est divisé en deux sous-systèmes : le moteur d'inférence et la base de connaissances . La base de connaissances représente des faits et des règles. Le moteur d'inférence applique les règles aux faits connus pour en déduire de nouveaux faits. Les moteurs d'inférence peuvent également inclure des capacités d'explication et de débogage.

Histoire

Développement précoce

Peu de temps après l'avènement des ordinateurs modernes à la fin des années 40 et au début des années 50, les chercheurs ont commencé à réaliser l'immense potentiel de ces machines pour la société moderne. L'un des premiers défis a été de rendre une telle machine capable de « penser » comme les humains. En particulier, rendre ces machines capables de prendre des décisions importantes comme le font les humains. Le domaine médical / de la santé a présenté le défi alléchant de permettre à ces machines de prendre des décisions de diagnostic médical.

Ainsi, à la fin des années 1950, juste après l'arrivée de l'ère de l'information, les chercheurs ont commencé à expérimenter la perspective d'utiliser la technologie informatique pour imiter la prise de décision humaine. Par exemple, les chercheurs biomédicaux ont commencé à créer des systèmes assistés par ordinateur pour des applications de diagnostic en médecine et en biologie. Ces systèmes de diagnostic précoce utilisaient les symptômes des patients et les résultats des tests de laboratoire comme données d'entrée pour générer un résultat diagnostique. Ces systèmes ont souvent été décrits comme les premières formes de systèmes experts. Cependant, les chercheurs s'étaient rendu compte qu'il y avait des limites importantes lors de l'utilisation de méthodes traditionnelles telles que l'appariement de modèles statistiques d'organigrammes ou la théorie des probabilités.

Introduction formelle et développements ultérieurs

Cette situation antérieure a progressivement conduit au développement de systèmes experts, qui utilisaient des approches fondées sur la connaissance. Ces systèmes experts en médecine étaient le système expert MYCIN , le système expert INTERNIST-I et plus tard, au milieu des années 1980, le CADUCEUS .

Les systèmes experts ont été formellement introduits vers 1965 par le Stanford Heuristic Programming Project dirigé par Edward Feigenbaum , qui est parfois appelé le « père des systèmes experts » ; Bruce Buchanan et Randall Davis sont d'autres principaux contributeurs. Les chercheurs de Stanford ont tenté d'identifier des domaines où l'expertise était très valorisée et complexe, comme le diagnostic de maladies infectieuses ( Mycin ) et l'identification de molécules organiques inconnues ( Dendral ). L'idée que « les systèmes intelligents tirent leur pouvoir des connaissances qu'ils possèdent plutôt que des formalismes spécifiques et des schémas d'inférence qu'ils utilisent » – comme l'a dit Feigenbaum – était à l'époque un pas en avant important, puisque les recherches antérieures se concentraient sur le calcul heuristique. méthodes, aboutissant à des tentatives de développer des solveurs de problèmes très généraux (principalement le travail conjoint d' Allen Newell et Herbert Simon ). Les systèmes experts sont devenus l'une des premières formes vraiment réussies de logiciels d' intelligence artificielle (IA).

La recherche sur les systèmes experts a également été active en France. Alors qu'aux États-Unis, l'accent avait tendance à être mis sur les systèmes basés sur des règles, d'abord sur les systèmes codés en dur au-dessus des environnements de programmation LISP , puis sur les shells de systèmes experts développés par des fournisseurs tels que Intellicorp , en France, la recherche s'est davantage concentrée sur les systèmes développés en Prolog . L'avantage des shells de systèmes experts était qu'ils étaient un peu plus faciles à utiliser pour les non-programmeurs. L'avantage des environnements Prolog était qu'ils ne se concentraient pas uniquement sur les règles si-alors ; Les environnements Prolog ont fourni une bien meilleure réalisation d'un environnement logique de premier ordre complet .

Dans les années 1980, les systèmes experts se sont multipliés. Les universités proposaient des cours sur les systèmes experts et les deux tiers des entreprises du Fortune 500 appliquaient la technologie dans leurs activités commerciales quotidiennes. L'intérêt était international avec le projet de systèmes informatiques de cinquième génération au Japon et l'augmentation du financement de la recherche en Europe.

En 1981, le premier IBM PC , avec le système d'exploitation PC DOS , a été introduit. Le déséquilibre entre le prix élevé des puces relativement puissantes du PC et le coût beaucoup plus élevé de la puissance de traitement des mainframes qui dominaient le monde de l'informatique d'entreprise à l'époque, a créé un nouveau type d'architecture pour l'informatique d'entreprise, appelé le modèle client-serveur . Les calculs et le raisonnement pourraient être effectués à une fraction du prix d'un ordinateur central à l'aide d'un PC. Ce modèle a également permis aux unités commerciales de contourner les services informatiques de l'entreprise et de créer directement leurs propres applications. En conséquence, le serveur client a eu un impact considérable sur le marché des systèmes experts. Les systèmes experts étaient déjà des valeurs aberrantes dans une grande partie du monde des affaires, nécessitant de nouvelles compétences que de nombreux services informatiques n'avaient pas et n'étaient pas désireux de développer. Ils s'adaptaient naturellement aux nouveaux shells basés sur PC qui promettaient de mettre le développement d'applications entre les mains des utilisateurs finaux et des experts. Jusque-là, le principal environnement de développement pour les systèmes experts était constitué de machines Lisp haut de gamme de Xerox , Symbolics et Texas Instruments . Avec l'essor du PC et de l'informatique client-serveur, des fournisseurs tels qu'Intellicorp et Inference Corporation ont changé leurs priorités pour développer des outils basés sur PC. De plus, de nouveaux fournisseurs, souvent financés par du capital-risque (comme Aion Corporation, Neuron Data , Exsys et bien d'autres), ont commencé à apparaître régulièrement.

Le premier système expert à être utilisé dans une capacité de conception pour un produit à grande échelle était le logiciel SID (Synthesis of Integral Design), développé en 1982. Écrit en LISP , SID a généré 93% des portes logiques du CPU VAX 9000 . L'entrée du logiciel était un ensemble de règles créées par plusieurs concepteurs de logique experts. SID a étendu les règles et généré des routines de synthèse logique logicielle plusieurs fois plus grandes que les règles elles-mêmes. Étonnamment, la combinaison de ces règles a abouti à une conception globale qui a dépassé les capacités des experts eux-mêmes et, dans de nombreux cas, a surpassé leurs homologues humains. Alors que certaines règles contredisaient d'autres, les paramètres de contrôle de haut niveau pour la vitesse et la surface ont permis de bris d'égalité. Le programme était très controversé, mais utilisé néanmoins en raison des contraintes budgétaires du projet. Il a été terminé par les concepteurs logiques après l'achèvement du projet VAX 9000.

Au cours des années précédant le milieu des années 1970, les attentes concernant ce que les systèmes experts peuvent accomplir dans de nombreux domaines avaient tendance à être extrêmement optimistes. Au début de ces premières études, les chercheurs espéraient développer des systèmes experts entièrement automatiques (c'est-à-dire entièrement informatisés). Les attentes des gens sur ce que les ordinateurs peuvent faire étaient souvent trop idéalistes. Cette situation a radicalement changé après que Richard M. Karp a publié son article révolutionnaire : « Reducibility Among Combinatorial Problems » au début des années 1970. Grâce aux travaux de Karp, il est devenu clair qu'il existe certaines limites et possibilités lorsque l'on conçoit des algorithmes informatiques. Ses découvertes décrivent ce que les ordinateurs peuvent faire et ce qu'ils ne peuvent pas faire. De nombreux problèmes de calcul liés à ce type de systèmes experts ont certaines limites pragmatiques. Ces résultats ont jeté les bases qui ont conduit aux prochains développements dans le domaine.

Dans les années 1990 et au-delà, le terme système expert et l'idée d'un système d'IA autonome ont pour la plupart disparu du lexique informatique. Il y a deux interprétations de cela. La première est que les « systèmes experts ont échoué » : le monde de l'informatique a évolué parce que les systèmes experts n'ont pas tenu leurs promesses exagérées. L'autre est le miroir opposé, que les systèmes experts ont été simplement victimes de leur succès : au fur et à mesure que les professionnels de l'informatique appréhendaient des concepts tels que les moteurs de règles, ces outils sont passés d'outils autonomes pour développer des systèmes experts à usage spécifique à l'un des nombreux outils standard. Bon nombre des principaux fournisseurs de suites d'applications métier (tels que SAP , Siebel et Oracle ) ont intégré des capacités de système expert dans leur suite de produits afin de spécifier la logique métier - les moteurs de règles ne servent plus simplement à définir les règles qu'un expert utiliserait. mais pour tout type de logique métier complexe, volatile et critique ; ils vont souvent de pair avec les environnements d'automatisation et d'intégration des processus métier.

Approches actuelles des systèmes experts

Les limitations du type précédent de systèmes experts ont poussé les chercheurs à développer de nouveaux types d'approches. Ils ont développé des approches plus efficaces, flexibles et puissantes afin de simuler le processus décisionnel humain. Certaines des approches que les chercheurs ont développées sont basées sur de nouvelles méthodes d'intelligence artificielle (IA), et en particulier dans des approches d' apprentissage automatique et d' exploration de données avec un mécanisme de rétroaction. Les réseaux de neurones récurrents profitent souvent de tels mécanismes. Connexe est la discussion sur la section des inconvénients.

Les systèmes modernes peuvent intégrer plus facilement de nouvelles connaissances et ainsi se mettre à jour facilement. De tels systèmes peuvent mieux généraliser à partir des connaissances existantes et traiter de grandes quantités de données complexes. Connexe est le sujet des mégadonnées ici. Parfois, ces types de systèmes experts sont appelés « systèmes intelligents ».

Architecture logicielle

Exemple illustratif de chaînage en amont d'un mémoire de maîtrise de 1990

Un système expert est un exemple de système basé sur la connaissance . Les systèmes experts ont été les premiers systèmes commerciaux à utiliser une architecture basée sur la connaissance. Un système à base de connaissances est essentiellement composé de deux sous-systèmes : la base de connaissances et le moteur d'inférence .

La base de connaissances représente des faits sur le monde. Dans les premiers systèmes experts tels que Mycin et Dendral, ces faits étaient principalement représentés comme des affirmations plates sur les variables. Dans les systèmes experts ultérieurs développés avec des shells commerciaux, la base de connaissances a pris plus de structure et a utilisé des concepts de programmation orientée objet. Le monde était représenté sous forme de classes, de sous-classes et d'instances et les assertions ont été remplacées par des valeurs d'instances d'objets. Les règles fonctionnaient en interrogeant et en affirmant les valeurs des objets.

Le moteur d'inférence est un système de raisonnement automatisé qui évalue l'état actuel de la base de connaissances, applique les règles pertinentes, puis affirme de nouvelles connaissances dans la base de connaissances. Le moteur d'inférence peut également inclure des capacités d'explication, de sorte qu'il puisse expliquer à un utilisateur la chaîne de raisonnement utilisée pour arriver à une conclusion particulière en retraçant le déclenchement des règles qui ont abouti à l'assertion.

Il existe principalement deux modes pour un moteur d'inférence : le chaînage avant et le chaînage arrière . Les différentes approches sont dictées selon que le moteur d'inférence est piloté par l'antécédent (côté gauche) ou le conséquent (côté droit) de la règle. En enchaînant vers l'avant, un antécédent déclenche et affirme le conséquent. Par exemple, considérons la règle suivante :

$${\displaystyle R1 :{\mathit {Homme}}(x)\implique {\mathit {Mortel}}(x)}$$

Un exemple simple de chaînage avant serait d'affirmer Man (Socrate) au système, puis de déclencher le moteur d'inférence. Cela correspondrait à R1 et affirmerait Mortal (Socrate) dans la base de connaissances.

Le chaînage arrière est un peu moins simple. Dans le chaînage en amont, le système examine les conclusions possibles et travaille en arrière pour voir si elles pourraient être vraies. Donc, si le système essayait de déterminer si Mortal(Socrate) est vrai, il trouverait R1 et interrogerait la base de connaissances pour voir si Man(Socrate) est vrai. L'une des premières innovations des shells de systèmes experts a été d'intégrer des moteurs d'inférence à une interface utilisateur. Cela pourrait être particulièrement puissant avec un chaînage arrière. Si le système a besoin de connaître un fait particulier mais ne le fait pas, il peut alors simplement générer un écran de saisie et demander à l'utilisateur si l'information est connue. Ainsi, dans cet exemple, il pourrait utiliser R1 pour demander à l'utilisateur si Socrate était un homme, puis utiliser ces nouvelles informations en conséquence.

L'utilisation de règles pour représenter explicitement les connaissances a également permis des capacités d'explication. Dans l'exemple simple ci-dessus, si le système avait utilisé R1 pour affirmer que Socrate était mortel et qu'un utilisateur souhaitait comprendre pourquoi Socrate était mortel, il pourrait interroger le système et le système examinerait les règles qui ont déclenché l'affirmation et présenterait celles-ci. règles à l'utilisateur comme explication. En anglais, si l'utilisateur demandait « Pourquoi Socrates est-il mortel ? » le système répondrait "Parce que tous les hommes sont mortels et Socrate est un homme". Un domaine de recherche important était la génération d'explications à partir de la base de connaissances en anglais naturel plutôt que simplement en montrant les règles plus formelles mais moins intuitives.

Au fur et à mesure de l'évolution des systèmes experts, de nombreuses nouvelles techniques ont été incorporées dans divers types de moteurs d'inférence. Certains des plus importants d'entre eux étaient:

• Maintien de la vérité. Ces systèmes enregistrent les dépendances dans une base de connaissances de sorte que lorsque des faits sont modifiés, les connaissances dépendantes peuvent être modifiées en conséquence. Par exemple, si le système apprend que Socrate n'est plus connu pour être un homme, il révoquera l'affirmation selon laquelle Socrate est mortel.
• Raisonnement hypothétique. En cela, la base de connaissances peut être divisée en de nombreuses vues possibles, alias des mondes. Cela permet au moteur d'inférence d'explorer plusieurs possibilités en parallèle. Par exemple, le système peut vouloir explorer les conséquences des deux affirmations, qu'est-ce qui sera vrai si Socrate est un Homme et qu'est-ce qui sera vrai s'il ne l'est pas ?
• Systèmes d'incertitude. L'une des premières extensions de la simple utilisation de règles pour représenter la connaissance a également été d'associer une probabilité à chaque règle. Donc, non pas pour affirmer que Socrate est mortel, mais pour affirmer que Socrate peut être mortel avec une certaine valeur de probabilité. Les probabilités simples ont été étendues dans certains systèmes avec des mécanismes sophistiqués pour un raisonnement incertain, tels que la logique floue et la combinaison de probabilités.
• Classification des ontologies . Avec l'ajout de classes d'objets à la base de connaissances, un nouveau type de raisonnement était possible. En plus de raisonner simplement sur les valeurs des objets, le système pourrait également raisonner sur les structures des objets. Dans cet exemple simple, Man peut représenter une classe d'objets et R1 peut être redéfini comme une règle qui définit la classe de tous les hommes. Ces types de moteurs d'inférence à usage spécial sont appelés classificateurs . Bien qu'ils n'aient pas été très utilisés dans les systèmes experts, les classificateurs sont très puissants pour les domaines volatils non structurés et constituent une technologie clé pour Internet et le Web sémantique émergent .

Avantages

L'objectif des systèmes basés sur la connaissance est de rendre explicites plutôt qu'implicites les informations critiques nécessaires au fonctionnement du système. Dans un programme informatique traditionnel, la logique est intégrée dans un code qui ne peut généralement être examiné que par un informaticien. Avec un système expert, l'objectif était de spécifier les règles dans un format intuitif et facile à comprendre, à réviser et même à éditer par des experts du domaine plutôt que par des experts en informatique. Les avantages de cette représentation explicite des connaissances étaient un développement rapide et une facilité de maintenance.

La facilité d'entretien est l'avantage le plus évident. Cela a été réalisé de deux manières. Premièrement, en supprimant le besoin d'écrire du code conventionnel, bon nombre des problèmes normaux qui peuvent être causés par des modifications même mineures d'un système pourraient être évités avec les systèmes experts. Essentiellement, le flux logique du programme (au moins au plus haut niveau) était simplement une donnée pour le système, il suffit d'invoquer le moteur d'inférence. C'était aussi la raison du deuxième avantage : le prototypage rapide . Avec un shell de système expert, il était possible d'entrer quelques règles et d'avoir un prototype développé en quelques jours plutôt qu'en mois ou en année généralement associés à des projets informatiques complexes.

Une réclamation pour les shells de systèmes experts qui a souvent été faite était qu'ils supprimaient le besoin de programmeurs formés et que les experts pouvaient développer des systèmes eux-mêmes. En réalité, cela était rarement, voire jamais vrai. Alors que les règles d'un système expert étaient plus compréhensibles que le code informatique typique, elles avaient toujours une syntaxe formelle où une virgule ou un autre caractère mal placé pouvait causer des ravages comme avec tout autre langage informatique. De plus, à mesure que les systèmes experts passaient des prototypes en laboratoire au déploiement dans le monde de l'entreprise, les problèmes d'intégration et de maintenance sont devenus beaucoup plus critiques. Inévitablement, des demandes d'intégration et d'exploitation de grandes bases de données et systèmes hérités sont apparues. Pour ce faire, l'intégration requiert les mêmes compétences que tout autre type de système.

Désavantages

L'inconvénient le plus souvent cité pour les systèmes experts dans la littérature académique est le problème d' acquisition des connaissances . Obtenir le temps des experts du domaine pour n'importe quelle application logicielle est toujours difficile, mais pour les systèmes experts, c'était particulièrement difficile parce que les experts étaient par définition très appréciés et constamment demandés par l'organisation. En raison de ce problème, de nombreuses recherches dans les dernières années des systèmes experts se sont concentrées sur les outils d'acquisition de connaissances, pour aider à automatiser le processus de conception, de débogage et de maintenance des règles définies par les experts. Cependant, lorsque l'on examine le cycle de vie des systèmes experts en utilisation réelle, d'autres problèmes - essentiellement les mêmes problèmes que ceux de tout autre grand système - semblent au moins aussi critiques que l'acquisition de connaissances : intégration, accès à de grandes bases de données et performances.

Les performances pourraient être particulièrement problématiques car les premiers systèmes experts étaient construits à l'aide d'outils (tels que les versions antérieures de Lisp) qui interprétaient les expressions de code sans les compiler au préalable. Cela a fourni un environnement de développement puissant, mais avec l'inconvénient qu'il était pratiquement impossible d'égaler l'efficacité des langages compilés les plus rapides (tels que C ). L'intégration du système et de la base de données était difficile pour les premiers systèmes experts car les outils étaient principalement dans des langages et des plates-formes qui n'étaient ni familiers ni bienvenus dans la plupart des environnements informatiques d'entreprise - langages de programmation tels que Lisp et Prolog, et plates-formes matérielles telles que les machines Lisp et les ordinateurs personnels. . En conséquence, beaucoup d'efforts dans les dernières étapes du développement d'outils de système expert se sont concentrés sur l'intégration avec les environnements hérités tels que COBOL et les grands systèmes de bases de données, et sur le portage vers des plates-formes plus standard. Ces problèmes ont été résolus principalement par le changement de paradigme client-serveur, les PC étant progressivement acceptés dans l'environnement informatique en tant que plate-forme légitime pour le développement de systèmes d'entreprise sérieux et les serveurs mini-ordinateurs abordables fournissant la puissance de traitement nécessaire aux applications d'IA.

Un autre défi majeur des systèmes experts apparaît lorsque la taille de la base de connaissances augmente. Cela entraîne une augmentation de la complexité du traitement. Par exemple, lorsqu'un système expert avec 100 millions de règles a été envisagé comme le système expert ultime, il est devenu évident qu'un tel système serait trop complexe et qu'il ferait face à trop de problèmes de calcul. Un moteur d'inférence devrait être capable de traiter un grand nombre de règles pour prendre une décision.

Comment vérifier que les règles de décision sont cohérentes entre elles est également un défi lorsqu'il y a trop de règles. Habituellement, un tel problème conduit à une formulation de satisfiabilité (SAT). C'est un problème NP-complet bien connu Problème de satisfiabilité booléenne . Si nous supposons uniquement des variables binaires, disons n d'entre elles, et alors l'espace de recherche correspondant est de taille 2 . Ainsi, l'espace de recherche peut croître de façon exponentielle. ${\style d'affichage ^{n}}$

Il y a aussi des questions sur la façon de prioriser l'utilisation des règles afin de fonctionner plus efficacement, ou comment résoudre les ambiguïtés (par exemple, s'il y a trop de sous-structures else-if dans une seule règle) et ainsi de suite.

D' autres problèmes sont liés aux surapprentissage et Surgénéralisation effets lors de l' utilisation des faits connus et en essayant de généraliser à d' autres cas non décrits explicitement dans la base de connaissances. De tels problèmes existent avec les méthodes qui utilisent également des approches d'apprentissage automatique.

Un autre problème lié à la base de connaissances est de savoir comment faire des mises à jour de ses connaissances rapidement et efficacement. De plus, comment ajouter une nouvelle connaissance (c'est-à-dire où l'ajouter parmi de nombreuses règles) est un défi. Les approches modernes qui reposent sur des méthodes d'apprentissage automatique sont plus faciles à cet égard.

En raison des défis ci-dessus, il est devenu clair que de nouvelles approches de l'IA étaient nécessaires au lieu de technologies basées sur des règles. Ces nouvelles approches reposent sur l'utilisation de techniques d'apprentissage automatique, ainsi que sur l'utilisation de mécanismes de rétroaction.

Les principaux défis que les systèmes experts en médecine (si l'on considère les systèmes de diagnostic assisté par ordinateur comme des systèmes experts modernes), et peut-être dans d'autres domaines d'application, incluent des problèmes liés à des aspects tels que : les mégadonnées, les réglementations existantes, la pratique des soins de santé, divers problèmes algorithmiques , et l'évaluation du système.

Applications

Hayes-Roth divise les applications de systèmes experts en 10 catégories illustrées dans le tableau suivant. Les exemples d'applications ne figuraient pas dans la table Hayes-Roth d'origine et certaines d'entre elles sont apparues bien après. Toute application qui n'est pas notée en bas de page est décrite dans le livre Hayes-Roth. De plus, bien que ces catégories fournissent un cadre intuitif pour décrire l'espace des applications de systèmes experts, ce ne sont pas des catégories rigides et, dans certains cas, une application peut présenter des caractéristiques de plusieurs catégories.

Hearsay était une première tentative de résolution de la reconnaissance vocale grâce à une approche de systèmes experts. Pour la plupart, cette catégorie de systèmes experts n'a pas eu beaucoup de succès. Les ouï-dire et tous les systèmes d'interprétation sont essentiellement des systèmes de reconnaissance de formes, à la recherche de formes dans des données bruitées. Dans le cas du ouï-dire reconnaissant des phonèmes dans un flux audio. D'autres premiers exemples ont été l'analyse des données de sonar pour détecter les sous-marins russes. Ces types de systèmes se sont avérés beaucoup plus adaptés à une solution d'IA de réseau neuronal qu'à une approche basée sur des règles.

CADUCEUS et MYCIN étaient des systèmes de diagnostic médical. L'utilisateur décrit ses symptômes à l'ordinateur comme il le ferait à un médecin et l'ordinateur renvoie un diagnostic médical.

Dendral était un outil pour étudier la formation d'hypothèses dans l'identification de molécules organiques. Le problème général qu'il résolvait - la conception d'une solution en fonction d'un ensemble de contraintes - était l'un des domaines les plus réussis pour les premiers systèmes experts appliqués à des domaines commerciaux tels que les vendeurs configurant les ordinateurs VAX de Digital Equipment Corporation (DEC) et le développement de demandes de prêt hypothécaire.

SMH.PAL est un système expert pour l'évaluation des étudiants polyhandicapés.

Mistral est un système expert de surveillance de la sécurité des barrages, développé dans les années 1990 par Ismes (Italie). Il récupère les données d'un système de surveillance automatique et effectue un diagnostic de l'état du barrage. Son premier exemplaire, installé en 1992 sur le barrage de Ridracoli (Italie), est toujours opérationnel 24/7/365. Il a été installé sur plusieurs barrages en Italie et à l'étranger (par exemple, le barrage d'Itaipu au Brésil), et sur des sites de glissements de terrain sous le nom d'Eydenet, et sur des monuments sous le nom de Kaleidos. Mistral est une marque déposée de la CESI .

Voir également

• IA hiver
• CLIPS
• Programmation logique de contraintes
• Satisfaction des contraintes
• Ingénierie des connaissances
• Système de classificateur d'apprentissage
• Apprentissage automatique basé sur des règles

Les références

Liens externes

• Intelligence Artificielle chez Curlie
• Tutoriel du système expert sur le projet de code