Séance de cours

Systèmes d'experts: Chainage vers l'arrière

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

CS-330: Intelligence artificielle

Introduction aux techniques de l'Intelligence Artificielle, complémentée par des exercices de programmation qui montrent les algorithmes et des exemples de leur application à des problèmes pratiques. ...

Description

Cette séance de cours porte sur les principes des systèmes d'experts, en mettant l'accent sur l'inférence par l'enchaînement rétrograde, les experts en systèmes et l'incertitude par une logique floue. Il explique l'analyse des moyens-fins, le Résolveur de Problème Général (GPS), et la formulation de la connaissance par des règles. La séance de cours se penche sur les défis que pose le traitement de domaines d'expertise complexes et sur l'importance de l'analyse des moyens-fins. Il explore également l'architecture de l'enchaînement en arrière, l'intégration de l'enchaînement en avant et en arrière, et les applications pratiques des systèmes experts dans divers domaines. De plus, il traite du traitement de l'incertitude à l'aide d'une logique floue, de facteurs de certitude et de la combinaison de facteurs de certitude dans les systèmes fondés sur des règles.

Enseignant·e

Boi Faltings

Professor Faltings joined EPFL in 1987 as professor of Artificial Intelligence. He holds a PhD degree from the University of Illinois at Urbana-Champaign, and a diploma from the ETHZ. His research has spanned different areas of intelligent systems linked to model-based reasoning. In particular, he has contributed to qualitative spatial reasoning, case-based reasoning (especially for design problems), constraint satisfaction for design and logistics problems, multi-agent systems, and intelligent user interfaces. His current work is oriented towards multi-agent systems and social computing, using concepts of game theory, constraint optimization and machine learning. In 1999, Professor Faltings co-founded Iconomic Systems, a company that developed a new agent-based paradigm for travel e-commerce. He has since co-founded 5 other startup companies and advised several others. Prof. Faltings has published more than 150 refereed papers on his work, and participates regularly in program committees of all major conferences in the field. He has served as associate editor of of the major journals, including the Journal of Artificial Intelligence Research (JAIR) and the Artificial Intelligence Journal. From 1996 to 1998, he served as head of the computer science department.

Source officielle

Concepts associés (32)

Moteur d'inférence

Un moteur d'inférence (du verbe « inférer » qui signifie « déduire ») est un logiciel (processus informatique) correspondant à un algorithme de simulation des raisonnements déductifs. Un moteur d'inférence permet aux systèmes experts de conduire des raisonnements logiques et de dériver des conclusions à partir d'une base de faits et d'une base de connaissances. Les moteurs d'inférence peuvent implémenter : une logique formelle d'ordre 0 (logique des propositions), d'ordre 0+, d'ordre 1 (logique des prédicats) ou d'ordre 2 avec une gestion d'hypothèses monotone ou non monotone, un chaînage avant, chaînage arrière ou mixte, une complétude déductive ou non.

Knowledge representation and reasoning

Knowledge representation and reasoning (KRR, KR&R, KR2) is the field of artificial intelligence (AI) dedicated to representing information about the world in a form that a computer system can use to solve complex tasks such as diagnosing a medical condition or having a dialog in a natural language. Knowledge representation incorporates findings from psychology about how humans solve problems and represent knowledge in order to design formalisms that will make complex systems easier to design and build.

Chaînage arrière

Le chaînage arrière ou raisonnement arrière est une méthode d'inférence qui peut être décrite (en termes profanes) comme une manière de travailler en remontant en arrière de l'objectif. Il est utilisé en intelligence artificielle, dans un système expert à base de règles ou encore dans un assistant de preuve. En théorie des jeux, son utilisation dans les sous-jeux pour trouver une solution au jeu est appelée raisonnement rétrograde.

Chaînage avant

Le chaînage avant est une méthode de déduction qui applique des règles en partant des prémisses pour en déduire de nouvelles conclusions. Ces conclusions enrichissent la mémoire de travail et peuvent devenir les prémisses d'autres règles. Par opposition, le chaînage arrière part des conclusions pour essayer de « remonter » aux axiomes. Le chaînage avant est utilisé en intelligence artificielle, dans un système expert à base de règles, dans un moteur de règles, ou encore dans un système de production.

Moteur de règles

En informatique, un moteur de règles est un système logiciel qui exécute une ou plusieurs règles métiers dans un environnement de production. Ces règles peuvent venir de la législation, de politiques applicables ou d'autres sources. Un moteur de règle est généralement fourni comme composant d'un système de gestion de règles qui, parmi d'autres fonctionnalités, permet d'enregistrer, définir, classifier et gérer toutes les règles, vérifier la cohérence de leur définition, définir les relations entre différentes règles, et relier certaines d'entre elles à d'autres applications, qui sont affectées par ces règles ou nécessitées par celles-ci.

Afficher plus

Séances de cours associées (64)

Représentation des connaissances : Introduction

Couvre la représentation des connaissances dans l'IA, l'inférence logique et les applications dans divers domaines.

Extraction d'information et inférence des connaissances

Explore l'extraction de l'information, l'inférence des connaissances, l'induction taxonomique et la désambigation des entités.

Moteurs d'inférence : Clauses de résolution et de corne

Couvre les moteurs d'inférence basés sur la résolution, les clauses Horn, le filtrage et l'unification de l'intelligence artificielle.

Inférence des connaissances

Explore l'inférence des connaissances, les techniques d'intégration et la correspondance des schémas dans l'intégration des données.

Traitement de l'eau et des eaux usées: Introduction

Couvre les bases du traitement de l'eau et des eaux usées, y compris les antécédents de traitement des eaux usées, les polluants indésirables et les performances de traitement.

Afficher plus

Concepts associés (32)

Moteur d'inférence

Knowledge representation and reasoning