Raisonnement en Incertitude
Le raisonnement en situation d'incertitude est la branche de l'intelligence artificielle qui utilise la théorie des probabilités et la théorie de la décision pour tirer des conclusions et prendre des décisions lorsque les connaissances sont incomplètes, bruitées ou seulement partiellement observables.
Definition
Le raisonnement en situation d'incertitude représente les connaissances incomplètes d'un agent sous forme de distributions de probabilité et calcule, via les lois de la probabilité et la maximisation de l'utilité attendue, ce qu'il faut croire et comment agir.
Scope
Ce domaine couvre la représentation des connaissances incertaines à l'aide des probabilités et les méthodes de raisonnement et de décision associées : les modèles graphiques probabilistes tels que les réseaux bayésiens, l'inférence probabiliste exacte et approximative, la théorie de la décision combinant les probabilités avec les utilités, et la prise de décision séquentielle via les processus de décision markoviens. Il aborde la manière dont les degrés de croyance sont mis à jour avec de nouvelles preuves et comment les choix rationnels sont calculés. L'estimation de ces modèles basée sur les données, ainsi que l'apprentissage par renforcement des politiques, relèvent du sous-domaine de l'apprentissage automatique ; ce domaine met l'accent sur les représentations et les principes d'inférence et de décision.
Sub-topics
Core questions
- Comment les degrés de croyance sont-ils représentés et mis à jour à mesure que de nouvelles preuves apparaissent ?
- Comment les grandes distributions conjointes peuvent-elles être représentées de manière compacte en utilisant l'indépendance conditionnelle ?
- Comment la probabilité d'une requête est-elle calculée exactement ou approximativement dans un modèle probabiliste ?
- Comment les probabilités sont-elles combinées avec les préférences pour choisir des actions qui maximisent l'utilité attendue ?
Key concepts
- probabilité comme degré de croyance
- règle de Bayes
- indépendance conditionnelle
- réseaux bayésiens
- inférence exacte et approximative
- utilité et utilité attendue
- théorie de la décision
- processus de décision markoviens
Key theories
- Mise à jour bayésienne
- La règle de Bayes prescrit comment un degré de croyance a priori est révisé en un a posteriori étant donné des preuves, fournissant la base normative pour le raisonnement probabiliste et pour la combinaison des connaissances antérieures avec les observations.
- Modèles graphiques et indépendance conditionnelle
- Les réseaux bayésiens et de Markov exploitent l'indépendance conditionnelle pour factoriser une distribution conjointe en composants locaux, rendant ainsi la représentation et l'inférence traitables pour des problèmes qui seraient autrement de taille exponentielle.
- Utilité attendue maximale
- La théorie de la décision stipule qu'un agent rationnel devrait choisir l'action maximisant l'utilité attendue, unifiant la croyance probabiliste avec les préférences sur les résultats et s'étendant aux décisions séquentielles via les processus de décision markoviens.
Clinical relevance
Le raisonnement probabiliste est à la base des systèmes de diagnostic médical, du diagnostic de pannes et de la fusion de capteurs, du traitement de la parole et du langage, de la robotique et de la localisation, de l'analyse des risques, ainsi que des systèmes de recommandation et d'aide à la décision, partout où des conclusions et des choix doivent être faits à partir d'informations incomplètes ou bruitées.
History
Au début, l'IA était sceptique vis-à-vis des probabilités, privilégiant des facteurs de certitude ad hoc, mais les travaux de Pearl dans les années 1980, culminant avec son livre de 1988, ont montré que les réseaux bayésiens rendaient le raisonnement probabiliste à la fois bien fondé et réalisable sur le plan computationnel. Les méthodes basées sur la théorie de la décision et les modèles graphiques, consolidées dans des ouvrages tels que Koller et Friedman (2009), sont devenues centrales dans l'IA moderne.
Debates
- Probabilité vs. formalismes alternatifs de l'incertitude
- Historiquement, l'IA a débattu de la modélisation de l'incertitude avec des probabilités ou avec des alternatives telles que les facteurs de certitude, la logique floue ou les fonctions de croyance de Dempster-Shafer ; la vision probabiliste et décisionnelle est devenue dominante en grande partie grâce à ses fondements solides et à la tractabilité offerte par les modèles graphiques.
Key figures
- Judea Pearl
- Daphne Koller
- Nir Friedman
- Ross D. Shachter
- Thomas Bayes
Related topics
Seminal works
- pearl1986
- pearl1988
- koller2009
Frequently asked questions
- Pourquoi utiliser les probabilités plutôt que la logique pour les connaissances incertaines ?
- La logique stricte contraint les énoncés à être vrais ou faux, ce qui est peu pratique lorsque les connaissances sont incomplètes ou que les preuves sont partielles. Les probabilités représentent des degrés de croyance gradués et fournissent des règles fondées sur des principes, telles que la règle de Bayes, pour les mettre à jour avec des preuves, ce qui les rend bien adaptées au raisonnement en situation d'incertitude.
- Qu'est-ce qui rend les réseaux bayésiens importants pour ce domaine ?
- Une distribution conjointe complète sur de nombreuses variables est astronomiquement grande, mais les réseaux bayésiens utilisent l'indépendance conditionnelle pour la représenter de manière compacte sous forme de graphe avec des distributions conditionnelles locales. Cela rend à la fois le stockage du modèle et le calcul des requêtes probabilistes réalisables, ce qui en fait une pierre angulaire du raisonnement en situation d'incertitude.