L

1
Lefficacité par la généralité

• Journée Jean-Louis Laurière
• 22/03/2006
• Jean-Luc Dormoy, CEA-DRT

2
Comment situer le travail de Jean-Louis Laurière

• Prendre le monde réel, poser le problème
• Comment utiliser un ordinateur
• Comment ne pas le programmer
• Turing, Machine Intelligence, 1948
• Pas de robots tout de suite
• Jeu déchec
• Cryptarithmétique
• Puis AI résolution de problèmes
• JLL dans cette filiation

3
Seminal paper ALICE, 1978

• The computer will be the most marvellous of all
  tools as soon as program writing and debugging
  will be no longer necessary. Today the common
  informational process may be represented by the
  following diagram

Real life environment ? Statement of a
problem ? Algorithm of solution ? Computer
resolution
4
ALICE paper (contd)

• Each step requires an appropriate language. Very
  often, since programming languages are not
  powerful enough, specific programs are put
  together with great effort to solve quite
  particular problems. To avoid doing all the
  process by hand, algorithm description language
  of a higher level are now sometimes developed
  with these languages the verification and the
  modification of programs becomes much easier. But
  the best way to attack the global question is
  probably to begin with the diagram root, at the
  first arrow.

5
Peut-on tout programmer en ALICE ?

• ALICE permet essentiellement de poser des
  formules du second ordre restreint
• Il existe (Trouver) f ? R0, ou E ? E0 tq (K(f),
  ou K(E))
• Où R0, ou E0 sont énumérables en mémoire
• Enoncé des pbs NP Théorème de logique
• Formidablement déclaratif plus dinstructions
• Améliorations  de détail  possibles
• Langage avec des structures de données
• Instructions à des contraintes
• Pas aussi général que la récursion
• Il existe (Trouver) f D ? A tq (K(f)) et
  µ(point fixe)
• Sémantique dénotationnelle, naturelle
• En fait général sur structures finies
• Mais étude (que peut-on / ne peut-on pas) pas été
  conduite

6
 Interpréteur 

• Accumulation de connaissances, chacune
  apparemment insignifiante, au total plus
  puissante que nimporte quel algorithme, parce
  que générales
• Possibles grâce à la représentation (langage)

Efficacité par la généralité
Efficacité compétence Et même temps singulier
de résolution Ressources (mémoire, énergie)
7
SNARK

• Règles de  production 
• En fait actions conditionnelles
• Mais permet une programmation en  encapsulant 
  des patterns dans un minimum de contrôle

Système de production  fonctionnel  (Descartes)
Problème restant gestion de la mémoire dans le
programme compilé
8
RABBIT

• After an initial assessment of NP-complete
  problems and existing problem solvers, the author
  goes on to consider all the cases where a
  propagation choice approach is not efficient.
  The system is incapable of finding the symmetries
  of the problem and either it endlessly studies
  equivalent situations or it determines a
  quasi-optimal solution and then wastes time
  proving this optimality, or else it takes most of
  the constraints into account but then, when
  having to deal with an under-constrained problem,
  wastes time propagating useless information.
• To overcome these problems, automatic programming
  would seem to be an ideal solution for the
  author.
• Concrete examples are given and RABBIT, a new
  software deriving from ALICE, is described. This
  software can generate programs containing
  thousands of instructions which can be run up to
  one hundred times faster than a pure CSP

9
RABBIT (Contd)

• R0, ou E0 peuvent être autre chose que
  énumérables en mémoire.
• Il existe (Trouver) f ? R0, ou E ? E0 tq (K(f),
  ou K(E))
• Par exemple domaines continus
• Généralité de cela ?
• On est toujours sûr dy arriver ? Non !
• Est-ce efficace ? Oui.

10
Informatique Science et technologie

• Fondement scientifique double
• Logique et sciences cognitives (IA) (cf. Turing)
• Les deux chez JLL !
• Question fondamentale de la  programmation 
• Quest-ce quune machine ?
• Êtes-vous sûr de ne pas être une machine ?
• Mais aussi formidable développement technologique
• Développement cumulatif
•  Objectivation  de la technologie dans la
  démarche scientifique
• Rapport entre découverte et invention
• Entre science de lartificiel et science
  naturelle

11
Moores Law Ubiquitous Networking ? Bells Law
12
 Fonctionnement  de la technologie

• Commence par du très spécifique (programmation
  directement dans les circuits)
• Puis  logiciélisation 
• Développement cumulatif
• Puis  approfondissement 
• Exemples
• Systèmes critiques / Sûreté du logiciel
• Conception des processeurs
• Systèmes distribués
• Vision

13
Systèmes critiques / Sûreté du logiciel

• Aujourdhui preuve formelle dun fonctionnement
  figé
• Preuve formelle de lavion, mais du pilote ?
• Facteur humain
• Preuve formelle de la voiture, mais du conducteur
  ?
• Radar, alcootest
• Règle socialement acceptable, i.e. acceptable par
  la société des agents -gt idée ?
• Humains pas très malins, automobile un homme
  marchant devant avec un drapeau
• Analyse statique (Patrick Cousot)
•  Huile de coude  -gt Tout ce quil faut pour que
  ça marche, mais inavouable
• Pb. (réel !) de communication de ces résultats

JLL était trop fort pour pouvoir
 communiquer  Vertu de cette journée ?
14
Conception des processeurs

• Instruction Level Parallelism
• Retrouve le fonctionnel
• Retro engineering
• Vectorialisation (vectoriel, DSP, VLIW)
• Inverse de la génération de code
• Prédiction (branchement, prefetch)
• Au-delà de lILP
• Aujourdhui multiprocesseur
• Il faudra changer le modèle de programmation
• Retro engineering on ne sait pas
• Il faudra monter en généralité pour être efficace

15
Systèmes distribués

• SNARK Systèmes dinformation (BPL)
• Demain intelligence ambiante
• Approfondissement
•  Généricisation  des services
• Tolérance aux fautes
• Diagnostic
• Déploiement
• Découverte
• Equilibrage de charge
• Modèles ontologie, modèles de soi
• JIT, raisonnement en dynamique sur le modèle
• Autonomic computing

16
Vision

• Remarque premier papier de propagation de
  contrainte (Arc Consistency, 1972)
• ALICE 1976
•  AC-4  1986 (AI Journ., Roger Mohr)
• Représentation question essentielle
• Pas  image  !
• Capacité de prédiction
• Avoir un modèle de ce quon voit

17
Heuristiques dévolution  en profondeur 
métaconnaissances

• Déclarativité
• Langages
• Modèles de niveau plus abstrait, plus large
  dapplication (intégration de modèles
  différents), considérés comme seule connaissance
  fournie à la machine
• Représentation
• Doit permettre le raisonnement sur lénoncé comme
  pendant la résolution de problème
• De offline à online
• Les mêmes connaissances servent sur lénoncé du
  problème, et pendant sa résolution

18
Heuristiques dévolution  en profondeur 
(Contd)

• Prédiction
• Heuristiques pour estimer lintérêt de la
  direction prise
• RABBIT 3 raisons pour ne pas faire de la
  propagation de contraintes
• Vision
• Sûreté
• Capacités de diagnostic, de monitoring
• Se rendre compte quon se fourvoie
• Être capable de changer de méthode
• Comparer à la prédiction

19
Heuristiques dévolution  en profondeur 
(Contd)
Mais la plus puissante
Efficacité par la généralité
20
Conclusion
Si vous voulez être créatif et innovant
il vous faut rencontrer un lapin, et le suivre