Journ

1
Journée scientifique en lhonneur de Jean-Louis
Laurière - 22 mars 2006Enseigner les travaux
de Jean-Louis Laurière

• Monique Baron, Alain David, Hélène Giroire,
  Odile Paliès
• Université Pierre et Marie Curie (Paris 6)

2
Introduction

• Liens recherche-enseignement
• Les travaux de JLL et leur enseignement (en IA)
• Richesse et originalité
•  Penser autrement l'informatique  et la
  résolution de problèmes
• Culture RO et IA
• Importance de la modélisation et des
  représentations
• Approche  déclarative  ne plus programmer ! 
• Intérêt et actualité
• des travaux, des idées et de leurs prolongements

3
Principaux travaux de recherche de Jean-Louis
Laurière (en IA)

• Thèse 3ème cycle (1971, Paris 6)
• Sur la coloration des hypergraphes. Applications
  aux problèmes demplois du temps
• Thèse détat (1976 , Paris 6) ALICE
• Un langage et un programme pour énoncer et
  résoudre des problèmes combinatoires
• SNARK (1981- ...) et lapproche SBC
• Un langage déclaratif et un moteur dinférence
• Développements et applications multiples
• Représentation des connaissances (articles TSI
  1983-84)
• Suites dALICE, Rabbit (1992 - )

4
Un peu dhistoire lenseignement des travaux de
JL Laurière (en IA, à Paris 6)

• Création denseignements par JL Laurière
• DEA Informatique Fondamentale/IA module
   Résolution de problèmes , en 1977-78 (autre
  module IA Jacques Pitrat)
• Maîtrise Informatique création du module
   Intelligence Artificielle  en 1982-83
• Ouvrages Résolution de problèmes par lHomme et
  la machine (1986), Représentation des
  connaissances (1988)
• Autres enseignements
• DESS IA à partir de 1985-86
• Résolution de problèmes, ALICE
• SBC, systèmes à base de règles, SNARK
• DEA et maîtrise (suite...), puis master M1 et M2

5
ALICE A Language for an Intelligent
Combinatorial Exploration (1976)

• Système général de résolution de problèmes
  combinatoires 
• Principes généraux
• Modélisation des pb
• énoncé à base de contraintes
• Module de résolution
• Méthode de backtrack à base dheuristiques
• Sans algorithme spécifique
• Représentations adaptées et traitements associés
• Gestion dynamique des choix, heuristiques
• Preuve doptimalité
• Efficacité par la généralité (vs algorithme
  spécifique)

6
ALICE - Modélisation des problèmes

• Un langage dénoncé de pb
• Langage basé sur notions mathématiques et
  logiques
• Pb posé comme la recherche de fonctions entre
  ensembles finis, satisfaisant divers types de
  contraintes
• Propriétés des fonctions injection, surjection,
  bijection, disjonction, degré min, degré max,
  circuit,
• Contraintes formelles (logico-algébriques)
• Pas nécessairement linéaires
• Langage précurseur des LPPC ?
• Représentation déclarative (et concise) des
  problèmes

7
Exemple organisation d'un colloque (ou d'une
session d'examens)

• SOIT constante N, P nb de séances, nb de
  périodes
• ensemble S 1 N ensemble des séances
• H 1 P ensemble des périodes
• TROUVER fonction F S -gt H DIS DMA
• DIS option disjonction sur les séances
• DMA option degré maximum sur les périodes
  (nombre de salles)
• AVEC MIN MAX F(i)
• i dans S
• F(5) lt F(10)
• F(11) gt F(4) ET F(11) gt F(6)
• FIN
• 11, 10 valeurs de N, P
• 2, 3, 5, 7, 8, 10 séances en disjonction
  avec 1 (1/2 matrice)
• 3, 3, 3, 3, 3, 3, 3, 3, 3, 3 degré
  maximum pour les éléments de H
• FIN

8
ALICE - Module de résolution
Graphe Graphe biparti contraintes simples
Contraintes formelles
propagation manipulations symboliques
Types de choix, critères, règles, heuristiques
Solution(s)
choix
9
ALICE - les choix, originalité

• Aspect dynamique
• Selon caractéristiques du problème, phase de
  traitement en cours, état du graphe et des
  contraintes formelles
• Deux niveaux de choix
• Métachoix choix du type dhypothèses ou
  principe de séparation de lespace de recherche
  (parmi 7)
• 1. Affirmer une des branches dune contrainte OU
• 2. Fixer la valeur de la borne inf ou sup dune
  variable
• 3. Imposer une limite au coût dune affectation
• 4. Lancer une énumération locale /
• 7. Fixer la valeur de la fonction pour un point
  du domaine
• Choix de lhypothèse
• Basé sur critères, gérés par règles
  heuristiques
• Métaheuristiques choix informés et informants

10
ALICE - prolongements et actualité

• Prolongements
• SNARK
• SIREN (JY Lucas)
• Rabbit (JL Laurière) ALICE compilation de
  contraintes et génération de programme
  dénumération explicite
• MALICE (J Pitrat)
• Actualité
• Travaux et enseignements en PPC et CSP
• LPPC CHIP, Ilog Solver, Choco, Gnu-Prolog
• Peu de travaux avec manipulation symbolique de
  contraintes (RCS, A. Liret, 2000), avec
  compilation de contraintes
• MALICE !

11
ALICEQuelques difficultés de lenseignement

• Modélisation de problèmes
• Compréhension des principes
• Capacité à raisonner sur la dynamique de la
  résolution, sur lespace de recherche courant et
  le problème résiduel
• Capacité à raisonner sur les techniques et les
  stratégies de résolution, le coût et lefficacité
  de la recherche
• Résoudre  à la main  des problèmes (ou suivre
  une trace) tenir compte de tous les éléments
  pris en compte par ALICE (dynamique du graphe et
  des contraintes, gestion des choix, types,
  critères et heuristiques)
• Situer ALICE
• Evolutions des approches PPC et CSP

12
SNARK Symbolic Normalized Acquisition and
Representation of Knowledge (1981-)

• Système à base de règles de production (SBRP)
  avec  variables , générateur de  systèmes
  experts
• Principes généraux de lapproche SBC
• Déclarativité (et lisibilité) des BC
• Mécanismes de raisonnement  naturel 
• Moteur dinférence (MI) pour les SBRP
• Inspirations principales de SNARK
• Les premiers SE (MYCIN) en LISP
• Logique, représentation des connaissances
• Traitement de contraintes (ALICE)
• Conception du MI (recherche de jeux
  dinstanciation)

13
SNARK - Originalité et intérêt

• Langage basé sur relations binaires
• Originalité par rapport à dautres langages et
  moteurs
• Prolog, OPS, Tango, Muscadet, Camelia,
• Réalisation du cycle dinférence (? techniques
  Rete), ordre 2
• Utilisation dans de multiples travaux
• Domaines prospection pétrolière, conduite des
  centrales nucléaires, raisonnement en
  archéologie, banque, EIAO, jeu
• Problèmes de diagnostic, décision, conception
• Modélisation de connaissances par règles et
  faits, métarègles
• Inspiration pour dautres travaux (moteurs)
• Contrôle, efficacité, niveau méta (Gosseyn,
  Boojum, Sepiar, )

14
SNARK et SBRP - Prolongements

• Ingénierie des Connaissances
• Problèmes de non monotonie
• Négation par absence, suppression de faits
• Problèmes de cohérence
• Modélisation dagents et formalisation de
  raisonnements
• Modélisation multi-spécialistes
• Traitement dincertitudes
• Modèles numérico-symboliques
• Traitement dinformations incomplètes,
  dhypothèses
• Raisonnement par défaut, raisonnement plausible
• Raisonnement hypothétique (backtrack, ATMS)
• Maintien de cohérence

15
SNARK et SBRP - Actualité

•  Utilisation de règles de production
• Modélisation dagents
• Adaptation aux utilisateurs
• Applications e-commerce, e-learning, services Web
  
• Web sémantique
• Triplets RDF triplets SNARK sujet prédicat
  valeur
• Vers la standardisation des langages de règles ?
• Workshop du W3C, avril 2005
• A la recherche dun moteur dinférence
   universel  ?

16
Conclusion

• Évolution de lIA (domaines recherche et
  enseignements)
• Intérêt des approches RP et PPC, IC
• IA symbolique
• Importance de la modélisation
• Problèmes, connaissances, raisonnements
• Modélisation cognitive et computationnelle
• Déclarativité vers des modèles à  niveau
  connaissance  ?
• Pour linteraction et la coopération
  Personnes-Machines
• Pour lapprentissage humain (EIAH)
• Dernier mot, un contre-test de Türing -) ?
•  Prouve-moi que tu nes pas un robot  JL
  Laurière