Pouvoir prédire l’état d’un système et recommander une action à entreprendre pour améliorer ce dernier est un enjeu essentiel dans de nombreux domaines.
Quelques exemples notables incluent :
- la maintenance préventive, qui consiste à prévenir les pannes dans les systèmes technologiques ou industriels de manière optimale, en identifiant les moments clés où une maintenance peut prévenir une panne future. Il s’agit d’un enjeu important de ce qui est connu aujourd’hui sous le nom d’industrie 4.0concept décrivant l’ensemble des outils numériques et robotiques (automatisation, internet des objets, systèmes cyber-physiques, etc.) à mettre en œuvre dans l’industrie. La partie concernant l’intelligence artificielle étant axée sur les robots autonomes et la coopération entre humains et robots.... More*, et qui concerne aussi bien les domaines de l’énergie (maintenance d’éoliennes, parfois situées dans des zones difficiles d’accès comme la haute mer) que du transport (maintenance du réseau ferroviaire, automatisation des systèmes) ou de la production (réduction des rebuts de production) ;
- le diagnostic médical partiellement automatisé, qui consiste principalement à fournir une aide aux médecins, soit en formulant un premier diagnostic à partir des donnéesinformations ayant un caractère factuel, car se rapportant à des cas singuliers, elles peuvent provenir notamment de capteurs, ou de recueils auprès de personnes. C’est devenu un fait de société, que les données (en anglais “Data”) abondent dans de nombreux domaines, et qu’il faut en... More* du patient, soit en complémentant son propre avis. Ce diagnostic peut ensuite servir de base à la proposition de traitements adaptés ;
- la modélisationmodéliser un problème d’intelligence artificielle consiste à en formuler un énoncé dans un langage (dit langage de modélisation) donné. Ce langage peut s’appuyer sur des formalismes logiques*, algébriques ou même graphiques. Un même problème peut donc être modélisé de diverses manières (selon le langage de... More* de préférences d’utilisateurs de sites internet ou de visiteurs, qui a pour objectif de produire les recommandations les plus pertinentes en fonction de ces préférences. Les domaines concernés par cette démarche incluent, bien entendu, le tourisme (recommandation de voyages complets, de trajets, de lieux de résidence…) et le commerce (recommandation de produits culturels, technologiques ou électro-ménagers…), mais aussi d’autres domaines moins évidents comme la pédagogie (recommandation de parcours ou de ressources pédagogiques, en fonction des préférences et du niveau de l’apprenant).
Nous pourrions continuer à égrener de nombreux exemples, comme la prédiction de défauts de paiements (de crédits, de loyers…) suivie de la proposition d’un plan de paiement, ou encore le fait de reconnaître la nature d’un courrier électronique pour l’affecter au dossier le plus adapté. En pratique, les composants de tels systèmes descriptifs (s’ils se contentent de poser une prédiction ou un diagnostic) ou prescriptifs (s’ils proposent ou recommandent en plus des actions à réaliser) seront très variés, et fonctions des contraintesune contrainte exprime des restrictions que l’on souhaite imposer sur des éléments d’un problème. Par exemple, il est possible d’imposer pour un logement que la surface d’une chambre soit d’au moins 12 m2 (qui se traduira ici par une inégalité mathématique largeur x longueur ≥... More imposées par l’application. Ces composants feront souvent appel à des éléments mentionnés ailleurs dans cet ouvrage: par exemple, analyser les commentaires laissés sur un site internet nécessitera d’utiliser le traitement du langage naturel, et analyser les résultats d’une radiographie ou d’une IRM feront appel à des outils propres à l’analyse d’image.
La variété des domaines d’applications des systèmes de diagnostic/recommandation et d’aide à la décision fait que les caractéristiques de ces derniers peuvent être très différentes, d’un cas à l’autre. Si en faire une liste exhaustive est difficile, nous pouvons citer quelques caractéristiques principales :
- la taille du domaine de recherche, qui peut varier de quelques alternatives, quand il s’agit par exemple de reconnaître entre quelques maladies, à plusieurs milliards d’entre-elles, quand il s’agit par exemple de recommander une configuration personnalisée de produit ou de voyage touristique. Un large domaine demandera, en général, des méthodes de recherche plus efficaces et pointues;
- le fait de renseigner la confiance accordée au diagnostic ou à la pré- diction, le plus souvent au moyen d’un modèle d’incertitude. S’il s’agit d’un aspect essentiel pour les applications les plus sensibles, où l’im- pact des actions résultant des recommandations est important (dia- gnostic médical, conduite autonome), il est secondaire dans d’autres applications, où informer de la confiance du résultat ajoute une com- plexité superflue (par exemple, liste de films recommandés suite à un achat) ;
- le niveau d’interaction requis et l’explicabilité des recommandations et/ou prédictions effectuées, deux aspects souvent importants dans des problèmes d’aide à la décision personnalisés nécessitant des inte- ractions, mais moins essentiels pour des systèmes traitant de grands volumes de donnéesinformations ayant un caractère factuel, car se rapportant à des cas singuliers, elles peuvent provenir notamment de capteurs, ou de recueils auprès de personnes. C’est devenu un fait de société, que les données (en anglais “Data”) abondent dans de nombreux domaines, et qu’il faut en... More et très automatisés.