Intelligence Artificielle et plagiarisme constructif Mounir Boukadoum UQAM

Intelligence Artificielle et plagiarisme constructif Mounir Boukadoum UQAM 5/20/2021

Un contexte spectaculaire… Solutions récentes impressionnantes de problèmes complexes grâce à « l’intelligence artificielle » , « deep learning » et autres noms à contenu émotionnel… Reconnaissance des formes Diagnostic médical, environnemental… Robots industriels et « bots » en général Expérience client Sécurité/détection de fraude/diffusion de fausses nouvelles ( ) Aide à la décision/véhicules autonomes Réalité virtuelle/jeux Etc.

Et de quoi parle-t-on au juste? Beaucoup d’expressions accrocheuses : Et aussi… Données massives ( « Big data » ) Forage de données ( « data mining » ) Etc. Un amalgame fréquent : Intelligence artificielle = deep learning Intelligence artificielle (IA) Apprentissage automatique ( « machine leaning » ) Apprentissage profond ( « Deep learning » ) Réseaux de neurones artificiels

Quelques précisions IA • Intelligence artificielle (IA) : théories/techniques pour concevoir des machines qui « pensent » • Apprentissage automatique (AA) : méthodes de l’IA pouvant prédire seules à partir d’exemples • Apprentissage profond (AP) : méthodes de l’AA pouvant aussi trouver seules des traits distinctifs des données • Surtout mis en œuvre avec des réseaux de neurones artificiels (RNA) AA AP RNA

So, what’s the fuzz? • Avant 2012… Classification Régression Groupement • Dès 2012… • Même problèmes, mais nouvelle manière de voir!

Avant 2012… • Règne des statistiques et de l’inférence logique Régression linéaire Régression logistique Inférence bayésienne Arbre de décision • Les RNA plutôt une curiosité k-moyennes Forêt aléatoire k-plus-proches-voisins séparateurs à vastes marges (SVM)

2012 (pas le film ) 28. 2 25. 8 2011: 25, 8% d’erreur avec SVM 2012: 16, 4% d’erreur avec RNA, 8 couches Image. Net Large Scale Visual Recognition Competition (ILSVRC) 'lmage. Net: 1000 objects, 1. 2 million 16. 4 images Top-5 error (%) 152 layers! 11. 7 19 layers 2014: 7, 3% d’erreur avec 19 couches 7. 3 Humain Features+SVM 2015: 3, 57% d’erreur with 152 couches! ILSVRC’ 10 § Mais pas de repas gratuit ! Kaiming He, Xiangyu Zhang, Shaoqing Ren, & Jian Sun. "Deep Residual. Learning for Image Recognition". ar. Xiv 2015. -. . - ILSVRC’ 11 8 layers ILSVRC’ 12 Alexnet 22 layers 6. 7 3. 57 8 layers ILSVRC’ 13 ILSVRC’ 14 VGG ILSVRC’ 14 Goog. Le. Net ILSVRC’ 15 Res. NEt

Une approche de rupture, en effet ! Deep Leaning Mais… Other algorithm es • Plus de données vaut mieux q’un modèle plus fin! (P. Domingo, U. Wa) • Précision versus explication, les données sont le modèle! Adapté de http: //cs 229. stanford. edu/materials/CS 229 -Deep. Learning. pdf

Et… On peut facilement réaliser des computations hors de portée de l’adulte moyen e. g. , calculs arithmétiques, jouer aux échecs en expert, brasser de grandes quantités de données, etc. …Mais toujours pas des fonctions cognitives à la portée d’un bébé ! e. g. , exploration d’environnement nouveau, apprentissage associatif, coordination sensori-motrice Le cerveau humain fonctionnerait-il suivant des principes différents des ordinateurs actuels ?

Un système, c’est quoi ? Bonne question ! Une définition pragmatique : Construction physique ou abstraite qui établit des relations causales ou corrélationnelles entre des variables d’intérêt. Causes (entrées) Système Effets (sorties) Contraintes environnementales (Paramètres) 2021 -05 -20 10

Et un modèle? Définition pas plus évidente. . . autre définition pragmatique: Construction physique ou schématique permettant d’expliquer les relations dans un système ou son comportement à partir de postulats élémentaires. 5/20/2021 11

Et un système complexe? Là encore, plus facile à identifier qu’à définir! Beaucoup de variables et paramètres Les paramètres sont des variables cachées! Comportements transitoires ou difficiles à prédire Composants à couplage fort et cohésion faible Opération difficile à suivre, simuler, valider, etc. Une autre définition pragmatique: Système qui défie les savoir établi 12

La modélisation classique Part d’hypothèses (axiomes) intuitivement acceptables : Le tout est la somme des parties (principe de linéarité) La perturbation minime d’une partie a un effet minime sur le tout (principe de continuité locale) Les lois régissant le fonctionnement sont immuables (principe de stationnarité) ; deux effets différents pour la même cause sont le fait de paramètres différents Un système non conforme aux hypothèses demande seulement l’ajout de (petits) termes de correction 5/20/2021 13

Conséquences. . . Les systèmes peuvent être étudiés à l’aide d’approches formelles Équations différentielles/intégrales linéaires et stationnaires dans le temps Raisonnement logique Le raisonnement est déductif, car basé sur des “vérités” indiscutables Les cas d’exception peuvent être corrigés en changeant leurs paramètres ou en ajoutant des termes de correction : Un système non linéaire est un système linéaire, plus… Un système non stationnaire est un système invariant dans le temps, plus…

Que faire si… Les valeurs des variables sont imprévisibles, (variables bruitées ou trop complexes) ? Créer des modèles probabilistes (vive le communisme!) Les nature des variables est vague ou leurs valeurs imprécises, ou on tombe sur des contradictions? Étudier le sujet plus en détail (Aristote!) Les équations n’ont pas de solutions analytiques 5/20/2021 Utiliser l’analyse numérique (tous les chemins mènent à Rome!) 15

Cependant. . . La complexité croit sans cesse Les outils formels s’adaptent difficilement au monde moderne, tant au niveau technologique qu’économique Les correctifs sont de moins en moins efficaces Les statistiques expliquent seulement les comportements de groupe LASCAS 2012 16

Et pourquoi… L’ordinateur peut réaliser des prouesses computationnelles hors de portée de la plupart des gens, sans pour autant atteindre la performance cognitive d’un bébé? Réponse possible : le cerveau humain répond à la complexité différemment d’un ordinateur! Parallèle vs. séquentiel vs. ; « intelligence »

Des casseurs d’ambiance… Est-ce pertinent que le cosmos soit éternel ou non, fini ou infini? (Bouddha) Nous vivons dans un monde chaotique! (Ilya Prigogine); faux, le chaos est des catastrophes! (René Thom pour nous rassurer) Penser logiquement peut être paradoxal! (Bertrand Russell) La Nature évolue par le hasard aidant la nécessité (Jacques Monod) La puissance de la cognition humaine vient du traitement parallèle de l’information (connexionnisme) Le progrès technologique est exponentiel et demande des changements de paradigme réguliers (Ray Kurzweil) On est-tu arrivés ? (L’âne dans Shrek)

Vous avez dit catastrophe? Une équation différentielle avec une attitude : n Équilibre lorsque x(t)=0 ¨ ¨ LASCAS 2012 | | > 2, alors xequi = -2< <2, alors trois points d’équilibre: deux stables (attracteurs) et un instable (repousseur) Adapted from Han L. J. van der Maas 19

Effet de modifier près de l’équilibre n Catastrophe ! 1. 2. n Une petite variation de peut avoir des conséquences dramatiques Augmenter ou réduire pour dépasser un des points de bifurcation rend impossible de retourner par le même chemin. Violation du principe de continuité locale (et celui de causalité? ) 20

Mais la logique est différente… Descartes : Cogito, ergo sum (notre savoir conscient vient la pensée) Raisonner, c’est résoudre… Utiliser des variables symboliques de préférence aux variables numériques Reproduire des aptitudes humaines tels le langage, le raisonnement discursif, l’abstraction des idées, etc. La logique et les graphes indiquent le chemin

Représentation formelle des connaissances Pourquoi pas la logique des prédicats? Médor est un chien Médor à un poil brun Un chien a quatre pattes Un chien a une queue Un chien est un mammifère Les mammifères sont à sang chaud chien(Médor) poil-brun(Médor) ( x)(chien(x) quatre-pattes(x)) ( x)(chien(x) queue(x)) ( x)(chien(x) mammifère(x)) ( x)(mammifère(x) sangchaud(x))

Graphe (Réseau sémantique) mammifère • Inférence par chaînage causal de nœuds sang-chaud quatre-pattes chien queue Médor poil-brun

Pourquoi cela ne marche pas toujours… Difficulté de trouver un ordre nodal (les règles) Risque d’explosion combinatoire des règles Les antécédents peuvent être sujets à des valeurs seuils à déterminer à l’avance L’extraction des règles peut mener à inférences sans ancrage sémantique Savoir non verbal difficile à modeler Les paradoxes ne sont pas exclus Paradoxes de Russel, Théorèmes de Gödel

L’implication logique est-elle naturelle (chez l’humain) ? Modus ponens: ((P Q) P) Q Wason Task (1996, 1993): A 3 B 2 Si voyelle, alors chiffre pair au verso Carte(s) à tourner pour vérifier la règle? Peu de bonnes réponses! (1 & 2) Si enveloppe sellée, alors timbre de 1. 80$ Enveloppe(s) à tourner pour vérifier la règle? Beaucoup de bonnes réponses! Même règle, mais utilisation inconsistante! Certains sujets imaginent de fausses implications 25 (P Q) P) Q Adapté de Ripoll and Tricot, 1995 (P Q) P)

Le cycle de la compétence chez l’humain 1. 2. 3. 4. Novice : utilisation verbatim du savoir appris ; confiance en soi faible. Débutant avancé : conscientisation de situations récurrentes ou similaires; confiance en soi moyenne Professionnel aguerri : pensée organisée avec souvenir du passé, début de compréhension intuitive; confiance en soi forte Expert : raisonnement « intuitif » , automatique et souvent juste, confiance en soi très forte Les experts semblent se fier au transfert cognitif plus qu’au savoir formel Adapté de Bruce Mac. Lennan et Dreyfus

Savoir intuitif, mais efficace Non « déductif » Guidé par l’expérience et le transfert cognitif Mémoire sélective Adaptation à des contextes variables raisonnement qualitatif Incertitude, savoir fragmentaire et manque de précision non bloquants Orienté but ( « qu’importe la couleur du chat s’il attrape la souris » )

La voie naturelle… Essai et erreur avec sélection du plus apte ou adaptation conséquente Le but (survie) passe avant tout La diversité est source de richesse Cohabitation synergique entre les comportements individuels et sociaux Intelligence collective à partie d’agents simples Incertitude, savoir fragmentaire et imprécision communs Un mappage est possible!

La « nouvelle » IA Apparue dans les années 80 Convergence de développements dans plusieurs disciplines : La représentation propositionnelle n’est plus un postulat de base, mais émerge des connaissances Accepte de nouvelles approches • • connexionnisme (savoir implicite vs. explicite) métaphores Explose en 2012 avec l’apprentissage profond!

Système de traitement intelligent Système capable : d’apprentissage autonome de transfert de savoir d’auto-adaptation à des contextes différents de traitement de données incomplètes, vagues ou imprécises par généralisation Défi de taille pour les modèles traditionnels, mais pas pour la nature ! Pourquoi ne pas la copier? Processus biologiques, évolutionnaires, cognitifs, etc. (intelligence mimétique), quelquefois matés avec des outils statistiques non linéaires.

Il faut un changement de paradigme Passer de : Intelligence Raisonnement Logique Neurones À: Intelligence Mémorisation Associations Hélène Paugam-Moisy Associations Neurones

Quand utiliser? Modèles inconnus, vagues ou incomplets Modèles connus, mais pas les outils (modèles non linéaires, variant dans le temps, etc. ) Données bruitées, fragmentaires ou soumises à l’influence environnementale Performance des outils formels faible (temps, précision) Dimension de l’espace de travail trop grande 32

Quelques fois on sait, mais… Modèle en haute fréquence d’un transistor Lg G Cg Gg Cs Vc gm Vc Gd Ld D Cd G 1 Gi Gs Ls S Et on a supposé un modèle linéaire à paramètres distribués ! S 21= { [-2 G 0 Gg Gd gm Gi Gs] p**0 + 2 G 0 Gg Gd Gi [Cg (Gs+gm+G 1)+Cs G 1] p**1 + [Cg Cs G 0 Gg Gd (Gi+Gs+G 1)+ G 0 Gg Gd Gi Cd (Cg+Cs)+G 0 Gg Gd Gi Gs (Cg Ls (gm+G 1)+G 1 Cs Ls)] p**2 + 2 G 0 Gg Gd [Cg Cs Cd+Gs Cg Cs Ls (Gi+G 1)+Gi Gs Cd Ls (Cg+Cs)] p**3 + 2 G 0 Gg Gd Gs Cg Cs Cd Ls p**4 } / { G 0 Gg Gi (Gd GL (gm + G 1 + Gs)+ G 1 Gs (Gd + GL)) p**0 + [Cg Gi (G 0 (Gg Gd gm + Gg GL gm + Gd GL gm + Gg Gd G 1 + Gg GL G 1 + Gd GL G 1 + Gg Gd Gs+ Gg GL Gs+ Gd GL Gs + Gd gm Gs + GL gm Gs + Gd G 1 Gs + GL G 1 Gs) + Gg (Gd GL gm + Gd GL G 1 + Gd GL Gs + Gd gm Gs + GL gm Gs +Gd G 1 Gs + GL G 1 Gs)) + Cs (G 0 (GL (Gg Gd G 1+ Gg Gd Gi + Gg G 1 Gi + Gd G 1 Gi + Gg Gd Gs + Gg G 1 Gs + Gd Gi Gs + G 1 Gi Gs) + Gg Gd G 1 Gi + Gg Gd G 1 Gs + Gd G 1 Gi Gs) + Gg Gi (Gd GL G 1 + Gd GL Gs + Gd G 1 Gs + GL G 1 Gs)) + Cd G 0 Gg Gi (Gd GL + Gd Gs+ GL Gs)+ (Ld G 1+ Ls (G 1 + gm)) G 0 Gg Gd GL Gi Gs] p**1 + [Cg Cs (G 0 (GL (Gg G 1+Gd G 1+Gg Gi+Gd Gi+Gg Gs+Gd Gs+G 1 Gs+Gi Gs) + Gg Gd G 1+Gg Gd Gi+Gg Gd Gs+Gd G 1 Gs+Gd Gi Gs) +Gg (Gd GL G 1+Gd GL Gi+Gd GL Gs+Gd G 1 Gs+GL G 1 Gs+Gd Gi Gs+GL Gi Gs)) + Cg Cd Gi (G 0 (Gg Gd +Gg GL + Gd Gs + GL Gs) + Gg (Gd GL + Gd Gs + GL Gs)) + Cs Cd (G 0 (Gg Gd GL+Gg Gd Gi+Gg GL Gi + Gd GL Gi + Gg Gd Gs + Gg GL Gs + Gd Gi Gs + GL Gi Gs) + Gg Gi (Gd GL + Gd Gs + GL Gs)) + Cg Lg G 0 Gg Gi (Gd GL gm + Gd GL G 1 + Gd GL Gs + Gd gm Gs + GL G 1 Gs + Gd G 1 Gs ) + Cs Lg G 0 Gg Gi (Gd GL G 1 + Gd GL Gs + Gd G 1 Gs + GL G 1 Gs)+ Cg Ld Gd Gi (G 0 (Gg GL gm + Gg GL G 1 + Gg GL Gs + GL gm Gs + GL G 1 Gs) + Gg GL Gs (gm + G 1))+ Cs Ld Gd G 1 GL (G 0 Gg Gi + G 0 Gg Gs + G 0 Gi Gs + Gg Gi Gs) + Cd (Ld + Ls) G 0 Gg Gd GL Gi Gs + Cs Ls Gs (G 0 (Gg Gd (GL G 1 + GL Gi + G 1 Gi ) + GL G 1 Gi (Gg + Gd)) + Gg Gd GL G 1 Gi)+ Cg Ls Gi Gs (G 0 (Gg Gd gm + Gg GL gm + Gd GL gm + Gg Gd G 1 + Gg GL G 1 + Gd GL G 1) + Gg Gd GL gm + Gg Gd GL G 1)] p**2 + [Cg Cs Cd (G 0 Gg Gd + G 0 (Gg GL + Gd Gs + GL Gs) + Gg (Gd (GL + Gs) + GL Gs)) + Cg Cs Lg G 0 Gg (Gd (GL G 1 + GL Gi + GL Gs + G 1 Gs + Gi Gs) + GL G 1 Gs + GL Gi Gs)+ Cg Cd Lg G 0 Gg Gi (Gd (GL + Gs) + GL Gs) + Cs Cd Lg G 0 Gg Gi (Gd (GL + Gs) + GL Gs)+ Cg Lg Ld G 0 Gg Gd GL Gi Gs (gm + G 1)+ Cg Lg Ls G 0 Gg Gd GL Gi Gs ( gm + G 1) + Cs Lg (Ld + Ls) G 0 Gg Gd GL G 1 Gi Gs + Cg Cs Ld GL (G 0 Gd (Gg G 1 + Gg Gi + G 1 Gs + Gi Gs + Gg Gs) +Gg Gd Gs (G 1 + Gi))+ Cg Cd Ld Gd Gi GL (G 0 Gg + G 0 Gs + Gg Gs)+ Cs Cd Ld Gd GL (G 0 Gg Gi + G 0 Gg Gs + G 0 Gi Gs + Gg Gi Gs) + Cg Ld Ls G 0 Gg Gd GL Gi Gs (gm + G 1) + Cs Ld Ls G 0 Gg Gd GL G 1 Gi Gs + Cg Cs Ls Gs (G 0 (Gg Gd G 1+Gg GL G 1+Gd GL G 1+Gg Gd Gi+Gg GL Gi+Gd GL Gi )+Gg Gd GL (G 1 + Gi)) + Cg Cd Ls Gi Gs (G 0 (Gg Gd +Gg GL+Gd GL) +Gg Gd GL) + Cs Cd Ls Gs (G 0 (Gg Gd GL +Gg Gd Gi +Gg GL Gi +Gd GL Gi) +Gg Gd GL Gi)] p**3 + [Cg Cs Cd Ld Gd GL Gs ( G 0 + Gg) + Cg Cs Cd Ls Gs (G 0 Gg Gd +G 0 Gg GL +G 0 Gd GL + Gg Gd GL)+ Cg Cd Lg G 0 Gg GL Gs (Cs + Ld Gd Gi)+ Cg Cs Lg Ld G 0 Gg Gd GL Gs (G 1 + Gi) + Cs Cd Lg (Ld+Ls) G 0 Gg Gd GL Gi Gs + Cg Cs Lg Ls G 0 Gg Gd GL Gs (G 1 + Gi) + Cg Cd Lg Ls G 0 Gg Gd GL Gi Gs + Cg Cs Ld Ls G 0 Gg Gd GL Gs (G 1+ Gi) + (Cg + Cs) Cd Ld Ls G 0 Gg Gd GL Gi 33 Gs] p**4 + [Cg Cs Cd Lg (Ld + Ls) G 0 Gg Gd GL Gs + Cg Cs Cd Ld Ls G 0 Gg Gd GL Gs] p**5 }

L’intelligence mimétique « raisonne » -t’elle ? IM Proposition (a) Les hommes sont mortels (b) Socrate est un homme (c) Socrate est mortel Type de raisonnement (a) et (b) donne (c) par déduction (b) et (c) donne (a) par induction (a) et (c) donne (b) par abduction 34

Quelques outils… Réseaux de neurones artificiels (RN) Logique floue (LF) Algorithmes évolutionnaires (AE) Systèmes immunitaires artificiels (AIS), recherche harmonique, et. Concepts associés Machines à vecteurs supports Optimiseurs algorithmiques Graphes et treillis probabilistes (Modèles markoviens, réseaux bayésiens, etc. ) Raisonnement à base de cas Et autres … 35

Lequel, pourquoi ? RN Classer/ Apprendre LF AIS Détecter Optimiser Expliquer/ Décider LF: logique floue RN: réseaux de neurones EA: algorithms évolutionnaires AIS: systèmes immunitaires aritificiels AE L’hybridation est possible et desirable :

Lequel, quand ? Tactique [ ns- hres-jours] Fonctions clés - Diagnostique - Évaluation - Pronostique - Contrôle Technologies - Classifieurs (SVM, BBN, NN, FS, RF, …) - Prédicteurs (NN, RBF, FS, RF, basés instance, …) Opérationnel [ Jours-Sems] Fonctions clés - Génération de cédules - Planif. logistique - Évaluation d’état & allocation de ressources - Gestion d’actifs Technologies - Optimiseurs (EA, Tabou …) - Simulateurs (Discrets, Stochastiques, …) - Experts (Temporels, basés règles, cas, instances, …) Strategique [ Mois-Années] Meta [ Vie] Fonctions clés - Gestion de ressources Multi-Objectifs - Détermination de politique - Optimisation simple/Multiobjectif - Prise de décision Technologies - Optimiseurs (EA Multi. Objectifs, Tabou, …) - Simulateurs (Discrets, Stochastiques, …) - Experts en compromis (basés flou, règles, cas, instances, …) - Visualisation (Interactifs, basés règles, cas, instances, …) Adapté de Piero Bonissone Fonctions clés - Support de cycle de vie - Surveillance de l’usage - Adaptabilité aux changements - Évolutilivité des modèle Technologies - Optimiseurs pour le réglage & l’adaptation (EA, Gradients, Tabou, …) - Simulateurs pour la validation (Discrets, Stochastiques, …) 37

Les propriétés générales Ë • : Des preuves formelles existent pour plusieurs approches, prouvant les propriétés : 0 • • Approximateur universel de fonctions bornées et régulières. Parcimonieux en paramètres en comparaison aux algorithmes linéaires. Convergence vers une solution : Pas de critères formels pour régler les paramètres Opération en boîte noire typique 38

Les RNA Métaphore du système nerveux central animal Groupements d’éléments simples en réseau Fonctionnalité répartie dans l’espace et le temps Se distinguent par la topologie, la/les fonctions de sortie et la règle d’adaptation des poids Entrées Sorties : Neurone : lien pondéré 39

RN un bon choix si : Le problème est riche en données et pauvre en modèles (Modélisation classique inapplicable) Relation d’e/s non linéaire, à variables multiples ou volatile (approximation par méthodes linéaires souvent inappropriées, les essayer d’abord !) On a du temps (et de la créativité) pour arriver au RNA final 5/20/2021 La détermination des paramètres demeure un art, malgré l’apport récent de l’apprentissage profond ! 40

RN en action Classification/catégorisation/approximation Détection/identification de signaux, motifs et objets Synthèse de fonctions complexes Visualisation de structures sous-jacentes Analyse d’image (cellules malignes, défauts de soudure ou d’assemblage, aussi cibles de missiles malheureusement ) Codeurs/décodeurs Reconnaissance vocale et traitement linguistique … 41

Logique floue 101 Remplace les valeurs numériques par des étiquettes qualitatives pondérées (valeurs linguistiques) On raisonne sur les valeurs linguistiques : Y=f(x) s’applique à des intervalles et non des singletons L’appartenance multiple est permise: une valeur numérique peut correspondre à plusieurs valeurs linguistiques y y b b y = fct de points x a 5/20/2021 a y = fct d’intervalles x 42

LF un bon choix si : L’expérience ou l’intuition compléte/remplace la connaissance formelle Le savoir du domaine est de nature heuristique Les objectifs sont clairs, mais pas la démarche ou les données ! Les données se prêtent à l’agrégation L’environnement d’opération est bruité La performance temporelle est un critère 5/20/2021 43

LF en action Décision/analyse/classification 5/20/2021 Algorithmes de décision Modélisation en boîte blanche Systèmes experts intuitifs Systèmes tactiques à réaction rapide Classifieurs rapides Régulateurs non-linéaires 44

Algorithmes évolutionnaires 101 Trouvent la solution progressivement par introduction d’un facteur stochastique et renforcement de traits positifs Incluent : 5/20/2021 Les algorithmes génétiques La programmation génétique L’intelligence collective ( « ant colonies » , « Bee hives » , « swarms » ) Autres… 45

AE un bon choix si : Les données peuvent être codées et le problème formalisé par un graphe L’atteinte du but est facile à conditionner Le problème est à contraintes multiples L’effet de groupe peut améliorer le comportement individuel et vice-versa Un temps de convergence potentiellement lent est acceptable Le hasard peut venir au secours de la nécessité ! 5/20/2021 46

AE en action Optimisation/fouille/synthèse/décision 5/20/2021 Reproduction de processus à l’aveugle Matériel évolutif (e. g. systèmes auto adaptatifs) Recherche de chemins et de points d’intérêts dans des espaces complexes Segmentation d’images Optimisation multiobjectifs Contournement de brevets ! 47

Comparaison entre systèmes LF RN AE Représentation des connaissances ++ -- - Tolérance à l’incertitude ++ ++ ++ Tolérance au manque de précision ++ ++ ++ Adaptabilité - ++ ++ Capacité d’apprentissage -- ++ ++ Capacité d’explication ++ -- - Temps de réponse ++ + - Maintenabilité + + -- Ouach ! 5/20/2021 -Mmh… + Ok ++ ++ Yes sir ! 48

En résumé R E P R E S E N T A T I O N Technique de Equa-diff. modélisation FL RN AE Autres Structure définissante Ordre Ensemble de règles Architecture Topologie et/ou encodage Encodage Paramètres Coefficients Étiquettes Degrés de vérité Biais Poids synaptiques Processus d’utilisation Résoudre les équations Évaluation de Propagation nœud & Propagation - Solution fermée - Approximation 5/20/2021 Varient Évaluation de Évaluation nœud & d`étape et Propagation 49

Deployment Exemple en calssification L’étape de reconnaissance des formes est seulement le sommet de l’iceberg! 50