Forum Asperansa

Je pense que des exemples de collaborations et de comportements émergents existent dans la nature : insectes, essaims et il me semble que l'industrie aéronautique s inspire de ça.

Mais est ce que c'est digne de l appellation de AI?

ouii effectivement un aéronef est la résultante d'une collaborations de milliers d'individus la conjonction d'un tout .....

Je pensais plutôt au contrôle aérien mais il y a aussi ça, oui.
En particulier pour déterminer qui est responsable quand un avion rencontre un soucis, pour trouver qui est en panne.

Benoit a écrit :Je pense que des exemples de collaborations et de comportements émergents existent dans la nature : insectes, essaims et il me semble que l'industrie aéronautique s inspire de ça.

Effectivement ces comportements de collaboration émergent ici
de la multiplicité d'éléments au comportement individuel simple,
mais il n'y a pas d'apprentissage tel qu'on le constate pour l'IA.

Par contre, rien n'empêcherait dans une IA, d'ajuster la formule
d'apprentissage pour optimiser un comportement collaboratif
entre plusieurs IA ... Bon, c'est plus une intuition qu'autre chose ...

Est ce qu une IA doit forcément apprendre?

Je ne suis pas sur que le vieux Deep Blue faisait plus que tirer partie de sa puissance de calcul pour faire de l exploration combinatoire.

Benoit a écrit :Est ce qu une IA doit forcément apprendre?

Au sens moderne du terme, il me semble que oui, et que
c'est ce qui la distingue d'une simple puissance de calcul ...

Je crois que je vais créer un fil sur la prise de décisions informatique, pour tous les problèmes pratiques ou la force brute calculatoire est inutile, par exemple parce que le temps de faire les calculs il sera trop tard. Soit parce que le problème ne se pose plus, soit parce qu'il a changé.

Benoit a écrit :Je crois que je vais créer un fil sur la prise de décisions informatique, pour tous les problèmes pratiques ou la force brute calculatoire est inutile, par exemple parce que le temps de faire les calculs il sera trop tard. Soit parce que le problème ne se pose plus, soit parce qu'il a changé.

J'imagine que tu connais les algos dits de Monte Carlo.
En gros on choisit les candidats au hasard et on regarde ce que ça donne. Au pif.
Les algos génétiques en font partie, même si academiquement c'est un autre champ.
Et ils proposent plus rapidement de meilleures solutions. Mais la complexité algorithmique est la même.
Mais le résultat, selon les paramètres, est une solution approchée.

Dans les problèmes qui m'intéressent les algos génétiques sont perdus par le nombre de solutions interdites. D ou l idée d en faire collaborer un grand nombre.
J ai aussi dans mon problème une partie très algébrique ou il vaut mieux faire des maths que chercher au hasard.

Heureusement j'ai trois ans

Je n'y connais rien en IA, mais je viens de découvrir ELIZA, avec 50 ans de retard...

Benoit a écrit :Est ce qu une IA doit forcément apprendre?

Je ne suis pas sur que le vieux Deep Blue faisait plus que tirer partie de sa puissance de calcul pour faire de l exploration combinatoire.

Il y a une distinction (est-elle judicieuse ?) entre IA forte et IA faible.
L'AI faible n'apprend pas. (Deep Blue en est un exemple. Mais c'est un programme catégorisé dans l'IA)
L'AI forte apprend. Le domaine est massivement couvert par les réseaux de neurones, le deep learning.

Après on pourrait aussi considérer dans les algorithmes génétiques, le choix des meilleurs candidats et leurs mutations comme un apprentissage.
J'avais fait un TP en Master sur le problème du voyageur de commerce, en utilisant les algorithmes génétiques. C'est très efficace. Par contre on est pas sûr du tout que ça détermine la solution optimale.
C'est la limite de ces algorithmes, c'est une solution qui tend vers l'optimalité, mais il y a sans doute meilleur si on avait un petit millénaire de dispo pour chercher exhaustivement toutes les combinaisons.

Bubu a écrit : J'avais fait un TP en Master sur le problème du voyageur de commerce, en utilisant les algorithmes génétiques. C'est très efficace. Par contre on est pas sûr du tout que ça détermine la solution optimale.
C'est la limite de ces algorithmes, c'est une solution qui tend vers l'optimalité, mais il y a sans doute meilleur si on avait un petit millénaire de dispo pour chercher exhaustivement toutes les combinaisons.

Petite correction, les algos génétiques (ou de recherche locale, ou de méta-heuristique, ...) sont conçus pour aller vite.
Ce sont les algos de recherche exhaustive (à la base parcours de tout l'espace des solutions, ex. Branch & bound) qui sont trop lents.
De toute façon, le TSP (Voyageur du commerce) fait exploser la mémoire d'une machine tentant une résolution exacte bien avant qu'elle sature dans le temps.

Pour les non-spécialistes comme moi, Lê, de la chaine
Science4All, propose une série très intéressante sur l'IA ...

Le premier épisode :

Spoiler :  : 

À ce jour il y a 22 épisodes ...

Le futur possible de l'IA :

• Demain, des psychologues pour robots ?

Je ne résiste pas à citer la conclusion de l'article :

De fait l’article de Thomas Hills comme les recherches d’Iyad Rahwan et
Manuel Cebrian nous conduisent à imaginer la future profession de psychologue
pour robot. Encore un exemple des capacités de prédiction de la science-fiction.
Car Isaac Asimov avait déjà mis en scène, dès 1940, une telle professionnelle.
La célèbre Susan Calvin, héroïne de sa très fameuse série de nouvelles et
de romans sur les robots !

On est loin encore d'en avoir besoin.
Yann Le Cun expliquait en conclusion que les modèles existants n'ont pas l'intérêt, la curiosité d'apprendre. Je paraphrase.
Il faut leur donner les entrées et les bonnes réponses des millions de fois avant d'avoir un comportement qui émerge. Mais ils ne le créent pas, ce comportement.