L’intelligence artificielle possède des interfaces avec plusieurs champs de l’informatique et des autres sciences de l’information. D’abord, l’intelligence artificielle vise à la construction de systèmes “intelligents” qui prennent le plus souvent la forme de programmes. Or, un programme “intelligent” est avant tout un programme informatique, et pour cette raison, sa conception, sa mise en œuvre, son analyse et son évaluation relèvent des concepts et méthodes issus de l’algorithmique et de la programmation, mais aussi du génie logicielbranche de l’informatique s’intéressant aux bonnes méthodes de conception, développement, test, maintenance et documentation des logiciels (programmes) informatiques.... More*. Réciproquement, le pan du génie logicielbranche de l’informatique s’intéressant aux bonnes méthodes de conception, développement, test, maintenance et documentation des logiciels (programmes) informatiques.... More qui porte sur la vérification formelle de systèmes
ou de programmes exploite fortement des outils de programmation par contraintesdomaine de l’intelligence artificielle qui s’intéresse à la résolution de problèmes combinatoires. L’utilisateur modélise sa problématique dans un langage simple en identifiant les inconnues et les contraintes* qu’il souhaite imposer. Un algorithme (appelé solveur), basé sur des principes de résolution génériques, lui fournit alors une... More* (en particulier les solveurs SATvoir Problème SAT **) développés en grande partie par la communauté des chercheurs en intelligence artificielle.
La simulation informatique de nombreux processus de raisonnement et de prise de décision s’appuyant sur des représentations symboliques nécessite de faire face à des difficultés de passage à l’échelle, liées à la complexité(complexité algorithmique) théorie permettant de classer les différents problèmes de calcul selon le niveau de difficulté de leur résolution. Cette théorie est au cœur de l’informatique: en informatique, montrer l’existence d’une solution à un problème donné ne suffit pas, il faut pouvoir la construire en... More algorithmique* de ces processus. Pour pouvoir faire face à ces difficultés, il importe d’identifier précisément les sources de complexité(complexité algorithmique) théorie permettant de classer les différents problèmes de calcul selon le niveau de difficulté de leur résolution. Cette théorie est au cœur de l’informatique: en informatique, montrer l’existence d’une solution à un problème donné ne suffit pas, il faut pouvoir la construire en... More en présence. Pour cela, les chercheurs en intelligence artificielle utilisent largement les notions mises en avant et les résultats afférents des théories de la calculabilité et de la complexité(complexité algorithmique) théorie permettant de classer les différents problèmes de calcul selon le niveau de difficulté de leur résolution. Cette théorie est au cœur de l’informatique: en informatique, montrer l’existence d’une solution à un problème donné ne suffit pas, il faut pouvoir la construire en... More, développées en informatique théorique. La notion de complexité(complexité algorithmique) théorie permettant de classer les différents problèmes de calcul selon le niveau de difficulté de leur résolution. Cette théorie est au cœur de l’informatique: en informatique, montrer l’existence d’une solution à un problème donné ne suffit pas, il faut pouvoir la construire en... More paramétrée, permettant une analyse plus fine de la complexité(complexité algorithmique) théorie permettant de classer les différents problèmes de calcul selon le niveau de difficulté de leur résolution. Cette théorie est au cœur de l’informatique: en informatique, montrer l’existence d’une solution à un problème donné ne suffit pas, il faut pouvoir la construire en... More des problèmes, est par exemple fréquemment mobilisée depuis une dizaine d’années en intelligence artificielle.
L’intelligence artificielle entretient également des liens étroits avec le champ des bases 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 depuis très longtemps. La déduction sous hypothèse de monde closhypothèse selon laquelle toute information qui n’est pas présente (explicitement ou implicitement) dans une base de données est considérée comme fausse.... More* qui est au cœur de l’interrogation des bases 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 relationnelles est aussi une forme centrale de raisonnement (non monotone) permettant de tirer des conclusions de “bon sens” à partir de connaissances* typiques. À l’intersection des deux disciplines, on trouve d’autres sujets et problématiques comme celui de la fouille 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 ou encore celui des bases 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 déductives (il s’agit d’ajouter aux informations de nature factuelle qui sont stockées explicitement dans des tables, des informations implicites, représentées par 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* logiques, comme des instructions PROLOGlangage de programmation (créé à Marseille en 1972 par Alain Colmerauer et Philippe Roussel) basé sur la logique* du premier ordre. PROLOG est un langage déclaratif, c’est-à-dire que, idéalement, l’utilisateur n’a qu’à décrire le problème, sans se soucier de sa méthode de résolution (contrairement à... More* ou des formules issues de logiques* de description représentant des ontologies). On peut également mentionner la problématique commune de la réponse aux requêtes des utilisateurs en mettant en œuvre un raisonnement basé sur les ontologies* du web sémantiquetechniques qui visent à organiser et exploiter les informations présentes sur le web (liens, connaissances* ontologiques, etc.) afin notamment d’en permettre un traitement automatisé et d’obtenir ainsi par exemple des réponses plus pertinentes aux requêtes des utilisateurs. (voir aussi : ontologie*)... More*.
Une autre discipline qui possède une frontière importante avec l’intelligence artificielle est la recherche opérationnelle. La programmation par contraintesdomaine de l’intelligence artificielle qui s’intéresse à la résolution de problèmes combinatoires. L’utilisateur modélise sa problématique dans un langage simple en identifiant les inconnues et les contraintes* qu’il souhaite imposer. Un algorithme (appelé solveur), basé sur des principes de résolution génériques, lui fournit alors une... More constitue un sujet d’intérêt commun aux deux communautés (les principales différences se situant à la fois dans la nature 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 considérées – plutôt “numériques” ou plutôt symboliques – des objectifs visés – satisfaction ou optimisation – et des méthodes employées, même s’il y en a en commun, comme les méta-heuristiques*). L’ordonnancement, mais aussi la planification sont deux autres terrains d’application partagés. Très grossièrement, on peut dire que recherche opérationnelle et intelligence artificielle s’intéressent à beaucoup de sujets communs, autour de l’optimisation et de la résolution de problèmes combinatoires. La priorité est mise, en recherche opérationnelle, sur le développement d’algorithmes spécifiques performants pour des problèmes ciblés, alors que l’intelligence artificielle recherche plutôt des méthodes plus génériques et plus facilement adaptables et explicables.