Quel domaine de l'Intelligence Artificielle vous attire le plus ?

Bonjour à tous,

J'aimerais savoir quel est le domaine de l'Intelligence Artificielle qui vous attire le plus, tout simplement.

J'aimerais si vous le pouvez que vous expliquiez pourquoi (les aspects qui vous intéressent, les utilisations que vous faîtes de ces techniques).

Enfin, avez-vous trouvé votre bonheur sur Developpez en ce qui concerne ce domaine ? Avez-vous des URL intéressantes de cours d'universités ou autres à nous faire partager à propos de votre domaine préféré ?

(les options du sondage ont été choisies au vu de ce qui est échangé sur ce forum :arrow: si votre réponse n'est pas dans la liste, sélectionnez 'Autre' et précisez tout ce qu'il faut en répondant à la suite)

J'ai voté 'algos de jeu 1vs1'.
Avec une préférence pour les espaces très larges (Monte-Carlo, reconnaissance de motifs).

Je n'ai pas trouvé mon bonheur sur DVP.com comme d'ailleurs dans toute la partie 'algo' qui selon moi est encore à l'état embryonnaire.

Je suis également assez intéressé par les réseaux sémantiques et le raisonnement formel.

J'ai mes préférences personnelles, que je ne cache pas, à savoir:

• un certain dédain pour les algos génétiques
• un dédain plus que certain pour les réseaux de neurones

(désolé Alp, en plus pour aggraver mon cas j'utilise LablGTK)

J'attends des rédacteurs qui utilisent ces approches qu'ils mentionnent l'existence de méthodes plus classiques, ceci afin de ne pas enfermer le débutant dans une impasse du genre "un union-find mais c'est exactement ce que je fais déjà" (c'est en effet ce qu'il fait, le plus naïvement possible).

Cadeau bonux: Solving large combinatorial search spaces

Bonjour SpiceGuid,

Je comprends que tu ais un dédain certain pour les réseaux de neurones... ils ne m'attirent pas particulièrement non plus. Seulement, beaucoup de questions dessus sur le forum, et c'est celle sur laquelle j'en savais le plus, ce qui m'a décidé à écrire mon article (content que tu connaisse son existence, c'est déjà ça ! tu l'as peut-être même lu ?! :aie:)
Le fait que ce soit l'une des premières techniques que j'ai abordées fait quand même que je ne rechigne pas à m'en servir quand "ça m'arrange".

De même, je n'aime pas mais alors pas du tout les algos génétiques, car c'est n'est pas assez précis, rigoureux. On fait évoluer des "populations", on les croise et tout, et ça converge pas trop mal. C'est un peu comme quand il faut déterminer le nombre de neurones dans une couche cachée d'un réseau de neurones... Instinctivement on tire des conclusions, mais alors impossible de savoir quel nombre mettre.

Pour ma part, plus le contexte théorique sous-jacent est précis, rigoureusement défini, sans que ce soit arbitraire, plus ça me plaît. Bon hélas, les algorithmes en IA ne sont pas toujours dans un tel contexte...

Tu devrais parler de techniques dans la majorité des cas.
Les domaines sont les applications des techniques.

Salut à tous,

Citation:

---

Envoyé par Alp

De même, je n'aime pas mais alors pas du tout les algos génétiques, car c'est n'est pas assez précis, rigoureux. On fait évoluer des "populations", on les croise et tout, et ça converge pas trop mal. C'est un peu comme quand il faut déterminer le nombre de neurones dans une couche cachée d'un réseau de neurones... Instinctivement on tire des conclusions, mais alors impossible de savoir quel nombre mettre.

---

C'est exactement ce que je me disais, et ça m'a foutu sur le cul la première fois où je les ai mis en application! Résultat optimal du premier coup... J'ai eu beaucoup de mal à convaincre le chef en lui expliquant la théorie, mais quand il a vu les résultats il a changé d'avis, et maintenant il veut que je les utilise partout.
Le domaine d'application dans lequel on se situe est le calcul de structures composites, donc on n'est pas forcément en présence de comportement linéaires et prévisibles implicitement... du moins rapidement. C'est pour cela que les AG sont très puissants, vu qu'ils arrivent à sortir des solutions finales plus optimisées que les éléments de la population de base, pour un temps de calcul relativement court si on ne demande pas la lune.

Pour les explications, c'est on ne peut plus rigoureux. A chaque fois qu'on me demande si c'est solide comme théorie, je réponds que ça fonctionne très bien avec les chevaux de course... ça calme en général! (plus terre à terre, j'utilise aussi les élevages de vaches, mais c'est moins vendeur en réunion!)

Le seul inconvénient que je leur trouve, c'est que ça donne un résultat optimisé sur la population de travail... mais qui n'est pas forcément l'optimum absolu. Donc toujours garder ça à l'esprit...

En seconde position, j'aurais mis les réseaux de neurones, mais on ne les a pas encore mis en application...

Et pour le côté pratique, programmation en Java avec la bibliothèque JGap pour les AG.

Citation:

---

Envoyé par Garulfo

Tu devrais parler de techniques dans la majorité des cas.
Les domaines sont les applications des techniques.

---

Là c'est pas moi que j'l'ai dit :aie:

Pour être un peu plus constructif et essayé de répondre à la question, je n'ai pas de préférence stricte sur les techniques : ça dépend du problème que je veux résoudre.

Je pense que dire "je n'aime pas cette technique" n'a aucun sens (désolé SpiceGuid :p)
Il faut utiliser la technique qui fonctionne le mieux pour le problème que l'on veut résoudre.
Si on veut résoudre un problème et que les algos génétiques fonctionnent super bien dessus, alors autant les utiliser (sauf si votre patron vous demande des garanties théoriques que vous ne pouvez pas fournir avec des algos génétiques).


Concernant les domaines que j'aime bien : tout ce qui concerne l'évolution (au sens déplacement et repérage, rien à voir avec les algos génétiques ;) ) d'un "agent" (j'aime pas ce mot) en milieu inconnu (typiquement un robot qui doit bouger dans le "vrai" monde, pas dans un simulateur), et j'aimerais me remettre à l'apprentissage statistique dans quelques mois.

J'aime bien les SVM, mais sans plus. Faciles à utiliser, simples dans leur conception.

Mes préférés sont les réseaux bayesiens, que je devrais un peu plus étudier, les systèmes multi-agents, qui sont pour le moins complexes, et les algorithmes génétiques. Ces derniers sont cools quand on ne peut pas optimiser une réelle fonction de coût de manière optimale. On essaie, on croise, on génère et on teste. Efficace si on a un bon génome, catastrophique si on ne l'a pas ou on ne peut pas l'avoir :|

Moi personnellement c'est les systèmes multi-agents.

Je suis rentrée via des stages / projets dans la logique floue, puis les systèmes multi-agents et ce qui me passionne dans ces derniers c'est de "voir" toutes ces petites bêtes fonctionner et communiquer entre elles pour faire ce qu'elles ont à faire.

En ce qui concerne les autres domaines je pense que c'est juste parce que je ne me suis jamais vraiement penché dessus :mouarf: mais ça va venir

Les systèmes mutli-agent ont un coté "magique" (oui, je sais, c'est effrayant de dire ca quand on parle d'informatique), avec cet aspect de "comportement émergent" que je trouve tout a fait fascinant.
Et puis c'est ce qui se rapporche le plus de l'Intelligence Artificielle, au sens premier du terme (non, pas de débat sur la signification profonde de 'intelligence artificielle', merci ;-p).
Ca n'est pas vraiment de l'algorithmique 'classique', mais ca n'est pas non plus une immense pile de fonction mathématique ;-)

Moi ce qui me fascine ce sont les algos de datamining. Plus précisément les associations (genre apriori et compagnie).

L'idée de traiter un volume astronomique de données pour en tirer des comportements, c'est ça que je veux faire de ma vie :p (bon, pour l'instant, question orientation de carrière, c'est pas ça, mais je vais y arriver !)

Citation:

---

Il faut utiliser la technique qui fonctionne le mieux pour le problème que l'on veut résoudre.

---

Ca c'est valable quand tu connais toutes les techniques.
Sinon le choix est forcément empirique , tu prends la technique que tu maîtrise le mieux et qui fonctionne au mieux sur un problème aussi proche que possible.

C'est avant tout une question d'expérience.
C'est en gros la même question que "quel langage choisir?": la plupart du temps celui que tu maîtrise le mieux est le meilleur candidat.

La fouille de données pour trouver des motifs dans des bases de données:
- recherche de règles d'associations dans un ensemble de transactions
- recherche d'itemsets fréquents (Apriori, AprioriClose, etc.) dans un ensemble de transactions
- recherche de motifs séquentiels fréquents parmi des bases de données de séquences de transactions (prefixspan, incspan, clospan, gsp, etc.)
- et autres motifs : tendances, etc....

Mais ce qui est plus particulièrement intéressant ce sont les représentations compactes de motifs pour éliminer la redondance parmi ces motifs : par exemple itemsets fermés fréquents, bases génériques de règles d'association, itemsets maximaux, générateurs minimaux.

Ce qui est tout aussi intéressant pour moi ce sont les treillis de Gallois et l'analyse formelle de concepts qui permet par exemple l'extraction de treillis de concepts à partir de contextes binaires.

La modélisation cognitive avec des architectures cognitives symboliques comme ACT-R etc.

Les logiques de descriptions qui sont un sous-ensemble de la logique de premier ordre (en général) et qui sont la fondation du langage OWL utilisé pour décrire des ontologies pour le Web sémantique. Ces logiques offrent des moteurs d'inférence très efficaces dont la complexité est connue.

Voilà....

Bonjour,

Je suis étonné de voir les algo de "chemins" ou "d'exploration" classés dans la catégorie IA.
La recherche opérationnelle est une branche bien différente non ?

Il s'agit tout de même de recherche d'une meilleure solution, donc c'est de l'AI au sens large ;)

Personnellement, ce que je prefere en IA c'est la programmation par contraintes (formalismes CSP, SAT, et plein d'autres...), notamment chercher des algorithmes permettant d'exploiter la structure des problèmes à résoudre pour ameliorer leur résolution (par exemple, exploitation de la structure du graphe de contraintes d'un CSP à l'aide des Tree-Decompositions pour résoudre ce CSP plus efficacement que les techniques classiques generales, comme Forward-Checking... , qui sont souvent inefficaces sur les problèmes issus de la réalité).

j'aime bien les svm,c'est une méthode de classification qui montre de bonne performances dans la résolution de problemes variés,cette méthode a montré son efficacité dans de nombreux domaines d'applications tels que le traitement d'images,la catégorisation de textes ,le dignostiques médicales et ce meme sur des ensembles de données de trés grandes dimensions.
en plus elle est facile a utiliser, il suffit de bien choisir les paramètres permettant d'obtenir la performance maximal.

Je précise ma réponse "autre" : la cognition/conscience artificielle, qui est plus vaste que les sous-domaines (déjà vastes) évoqués dans les réponses fermées.

j'ai sélectionné également "algorithme génétique" mais j'aurais vu aussi mettre "vie artificielle", la vie est en soi plus vaste que le code génétique.