Universit Paris 5 - Matrise de mathmatiques - Matrise MASS - MST ISASH 1999/2000 Dominique Pastre Module INTELLIGENCE ARTIFICIELLE

L'INTELLIGENCE ARTIFICIELLE DEFINITION - GENERALITES - HISTORIQUE - DOMAINES

I - DEFINITION DE L'INTELLIGENCE ARTIFICIELLE L'Intelligence Artificielle (IA) est la science dont le but est de faire faire par une machine des tches que l'homme accomplit en utilisant son intelligence. La terminologie - malheureuse! d'Intelligence Artificielle est apparue en 1956. On peut lui prfrer celle d'Informatique Heuristique. On ne parlera pas dans ce cours de machine intelligente, ni de programme intelligent. Autre dfinition (J.L.Laurire): Etude des activits intellectuelles de l'homme pour lesquelles aucune mthode n'est a priori connue. (Tout ce qui n'a pas encore t fait en Informatique quand on sait le faire, ce n'est plus de l'IA ... ) L'Informatique est la science du traitement de l'Information, l'IA s'intresse tous les cas o ce traitement ne peut tre ramen une mthode simple, prcise, algorithmique. Un algorithme est une suite d'oprations ordonnes, bien dfinies, excutables sur un ordinateur actuel, et qui permet d'arriver la solution en un temps raisonnable (minutes, heures, ou plus, ... mais pas des sicles!) Exemples : - jeu d'checs (bien qu'il n'y ait qu'un nombre fini de situations); - rsumer un texte ou le traduire; - reconnaitre des lettres manuscrites, par exemple TAON ou THON; - faire des mathmatiques; - faire un diagnostic (mdical, de panne, ...). II - HISTORIQUE DE L'IA 1. Le rve d'une machine intelligente remonte l'Antiquit. Dans l'Iliade (chant XVIII), le Dieu du Feu Hphastos avait construit des tables trois pieds pour le servir. Dans la tradition juive, le Golem est un automate forme humaine en bois ou argile. Un rabbin doit inscrire un mot magique sur son front, pour qu'il s'anime et le serve. Noter l'intervention divine dans les deux cas. 2. Automates XVIe sicle - A partir des progrs de la mdecine (lois de fonctionnement de certains organes), et du perfectionnement des automates, on pense pouvoir crer des mcanismes "intelligents". XVIIe - Descartes introduit l'ide de l'"animal machine", qui aurait certaines activits humaines, mais pas toute l'intelligence. -1Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

XVIIIe - Vaucanson est clbre par ses automates : joueur de flte (1737), canard (1738). On pense qu'il n'y a pas de limite. 1747 - La Mettrie publie "L'homme machine". Il a l'intuition que la distinction hommeanimal de Descartes ne tient pas, mais ne sait pas comment expliquer le comportement de l'homme. fin du XVIIIe - Un anonyme publie une description d'une mthode automatique pour composer des menuets. Il a dfini un ensemble de rgles. Il n'avait bien sr pas d'ordinateur, mais a fait des simulations, avec des lancements de ds pour introduire de la varit. 1769 - C'est l'escroquerie du joueur d'checs : l'automate de Kempelen; il y avait un joueur de petite taille dans le coffre. 1912 - Torrs y Quevedo ralise un automate pour jouer les finales R + T contre R par une mthode qui permet de gagner contre toute dfense. 1930 - Gdel, Church, Herbrand, Tring tudient la possibilit d'automatiser le calcul et le raisonnement. 1943 - Premiers ordinateurs. 1945 - Zuse, un des pres des premiers ordinateurs, programme les rgles du jeu d'checs. 1949 - Shannon, promoteur de la thorie de l'information, propose une mthode pour jouer aux checs. 1950- Tring, un des premiers informaticiens, l'affine et simule la main 3. Premiers programmes d'IA 1954 - Newel a un projet de programme d'checs. Il travaille avec Show, Simon et des psychologues, dont De Groot qui a tudi de grands joueurs d'checs. Ceci aboutit la cration d'un langage pour manipuler des informations symboliques : IPL1 (1956), pre de LISP (MacCarthy 1960). 1956 - LOGIC THEORIST (Newel - Show - Simon) est le premier programme de dmonstration en Logique des propositions. Le nom "artificial intelligence" est introduit. 1957 - Le programme d'checs NSS a la mme structure que LOGIC THEORIST. On a les notions de situation souhaitable, d'heuristique (rgle qui permet de faire un choix en l'absence de rsultat thorique sr). Puis GPS, "General Problem Solver", est gnral et est caractris par l'analyse de diffrences entre situations et la construction de buts et sous-buts. 1958 - Newel et Simon pensent qu'avant 1968, un programme sera champion d'checs et dmontrera un important thorme mathmatique! 4. Ralisations 1959 - Samuel ralise un programme qui joue aux checkers (dames amricaines) et "apprend" (coefficients ajusts avec l'exprience) 1960 - Gelertner ralise un programme qui dmontre des thormes de gomtrie, par exemple: Un triangle qui a deux angles gaux, a aussi deux cots gaux. (Le programme en donne une meilleure dmonstration que celle habituellement enseigne). Ce programme est capable d'utiliser (provisoirement ou non) un raisonnement non rigoureux. Il utilise les symtries logiques d'un problme. 1961 - On s'intresse au traitement du langage avec une application sur la recherche d'information dans des bases de donnes. BASEBALL (Green) rpond des questions sur les matches.

-2-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

On pense pouvoir faire de la traduction automatique, par analyse syntaxique et des dictionnaires, mais cela ne suffit pas! 1965 - La Mthode de Rsolution (Robinson) est utilise en Dmonstration automatique de thormes (Slagle - Green - Kowalski), en Vrification de programmes (King Waldinger), en Manipulation d'objets (Nilson - Fikes). Cette mthode a donn naissance au langage PROLOG (Colmerauer 1971). 1967 - Le premier programme d'checs ayant des performances satisfaisantes est d Greenblatt. Il bat un joueur normal. 1968/75 - Le traitement des langues naturelles introduit des mthodes de reprsentations et de programmation : rseaux smantiques (Quillian), frames (Minsky), scripts (Schank) 1971 - Moses fait le point sur les mthodes de calcul formel (normalisation, simplifications, ) 1970 marque un tournant: avant: les mthodes sont des amliorations du combinatoire: on restreint l'numration exhaustive l'aide du bon sens, de fonctions d'valuations et d'heuristiques; aprs : les chercheurs sont convaincus que les programmes doivent avoir une connaissance approfondie du domaine tudi; d'o les problmes : quelles connaissances ? comment les donner ? comment les reprsenter ? comment les utiliser ? Un programme d'IA doit avoir toute la connaissance ncessaire et ne l'utiliser qu' bon escient. Ces ides ont conduit la ralisation et l'tude des systmes experts ou systmes base de connaissances III - Reprsentation, utilisation et acquisition des connaissances 1. Systmes Experts (SE) Ils permettent l'utilisation de connaissances. Premiers SE: DENDRAL (Buchanam - Sutherland - Feigenbaum - 1976) travaille en chimie. Il obtient la formule chimique dveloppe d'un corps partir d'un spectrogramme de masse. Il a t mis au point l'aide d'experts du domaine, dont un prix Nobel (Lederberg). Il contient plusieurs milliers de connaissances lmentaires, donnes sous forme de rgles granulaires. Ce systme a des performances remarquables, et est vendu avec le spectrographe par le fabricant. MYCIN (Shortliffe - 1976) fait un diagnostic et propose une thrapeutique en mdecine (infections bactriennes du sang). Exemple de rgle : si le site de la culture tudie est le sang le gral de l'organisme est ngatif sa morphologie est de type btonnet la brlure du patient est srieuse alors il y a des chances (0.4) que l'organismes soit pseudomonas Caractristiques des SE: Il y a sparation entre les connaissances ncessaires (bases de connaissances) et le programme qui permet de les utiliser (moteur d'infrence). Le moteur d'infrence peut tre

-3-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

crit dans n'importe quel langage de programmation. Les bases de connaissances doivent tre crites dans un langage dclaratif accessible un expert non informaticien. Il y a opposition entre le dclaratif et le procdural. Exemple : "L'article s'accorde en genre et en nombre avec le nom." est dclaratif. Une expression procdurale serait "Quand on rencontre un nom, on cherche l'article qui lui est li, on vrifie alors que le genre de l'article est le mme que le genre du nom, puis que le nombre de l'article est le mme que le nombre du nom." (comprhension) ou "pour crire l'article, on cherche le nom qui lui est li et on choisit un article qui a le mme genre et le mme nombre." (gnration). Le dclaratif est plus agrable. On peut donner les connaissances en vrac, en ajouter, en enlever, les modifier facilement. Mais il est beaucoup moins efficace. Maintenant, dans un souci d'efficacit, on ralise souvent une "compilation" des connaissances dclaratives (donnes par l'expert) en connaissances procdurales ou en programmes. Difficults : Pour, d'une part utiliser une trs grande quantit de connaissances, d'autre part runir toutes les connaissances ncessaires, il est ncessaire d'introduire des connaissances sur les connaissances : des mtaconnaissances. Exemple : METADENDRAL cre de nouvelles rgles. Il a permis l'analyse de familles chimiques mal connues et a donn lieu des articles dans des revues internationales de chimie. 2. Reprsentation des connaissances Ce nouveau thme de recherche, dj apparu avec le traitement des langues naturelles, se dveloppe avec l'utilisation et l'tude des systmes experts, que l'on appellera alors souvent systmes base de connaissances. Plusieurs formalismes sont utiliss : - la logique avec le calcul des prdicats d'ordre 0 ou 1 ou intermdiaire (0+); - les logiques non classiques (flou, possibilits, ); - les rgles (dduction, rcritures, actions conditionnelles, ); - le formalisme objet (objets, classes, instances, proprits, hritage) 3. Apprentissage - Dcouverte ( partir de 1970) Il s'agit alors d'apprendre des rgles ou des concepts, dans diffrents domaines : - jeux : poker (Waterman, 1970), checs (Pitrat, 1976) - vision et reconnaissance des formes en robotique (Winston, 1975) - dcouverte de concepts matmatiques, par exemple concept de nombre premier (AM, Lenat, 1980) - dcouverte des lois de Kpler en astronomie (BACON, Langley, 1979) (Il faut relativiser ces dcouvertes en examinant ce que reoit le systme (par exemple des dfinitions LISP de concepts mathmatiques primitifs, des donnes recueillies par Kpler) 4. Formalisation du sens commun ( partir de 1980) Les connaissances pragmatiques ou se sens commun sont en gnral implicites. Exemple : "En posant brusquement sa tasse sur la table, il la cassa." Il faut tenir compte de l'incertitude, des ambiguts, de l'incompltude, des imprcisions. On utilise - des facteurs de certitude dans les systmes experts - les probabilits - des logiques non classiques - non monotones (Mc Carthy, 1980) -4Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

- dfauts (Reiser, 1980) - floue (Zadeh, 1978) - possibilits (Dubois, Prade, 1987) Des travaux ont t effectus en physique nave et qualitative (Hayes, 1979 - De Kleer, Bron, 1984 - Forbus, 1984 - Knipers, 1984) Exemple de rgle : Dans les gaz parfaits, volume constant, plus la pression augmente, plus la temprature augmente. Le projet CYC (Lenat, partir de 1984) est un projet ambitieux dont le but est de reprsenter les connaissances de sens commun. En effet, il ne suffit pas d'avoir des formalismes, il faut aussi recueillir et exprimer les connaissances. Plusieurs centaines de milliers de rgles ont t crites. Exemple : Quand on possde quelque chose, on en possde ses parties. 5. Utilisation du niveau mta Surtout partir de 1980, mais dj en 1966 (Pitrat, Dmonstration de thormes en logique) et 1976 (METADENDRAL). 1979 - TEITESIAS est un module d'acquisition des connaissances pour MYCIN Ide forte : plutt que de donner des connaissances sophistiques un systme, on lui donne la possibilit d'en acqurir et/ou la possibilit d'amliorer des connaissances simples qu'on lui donne. IV - LIENS AVEC D'AUTRES DISCIPLINES L'IA Informatique reoit et donne: d'exploitation volus automatique logique

exprimentationssystmes programmation programmation

Psychologie

Neurophysiologie Logique Linguistique Didactique Mdecine domaines de diagnostics V - Et maintenant

langages objets exprimentations faites modles par les psychologuestude du raisonnement et de la (observations, introspections),comprhension (pour bien fonctionnement du cerveaursoudre un problme, il faut le comprendre) travaux des logiciensmeilleures formalisations et des linguistes tude du raisonnement tuteurs (dits) intelligents excellents domainesaide (force) les spcialistes d'exprimentation analyser leur propre pour l'IAcomportement, mieux l'enseigner

1. Caractristiques des domaines relevant de l'IA - ils manipulent des informations symboliques et non numriques (lettres - mots - signes dessins - concepts - connaissances - raisonnements - );

-5-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

- ils impliquent des choix: certaines tapes, il faut choisir, sans certitude, entre plusieurs possibilits. Des domaines, tudis dans le cadre de l'IA, quittent partiellement le domaine de l'IA quand ils deviennent bien matriss pour rejoindre l'algorithmique, la logique ou l'informatique thorique, par exemple, les langages "de l'IA" (LISP, PROLOG, langages objets), le calcul formel, les recherches arborescentes, les jeux, la dmonstration automatique de thormes. 2. Tendances On assiste depuis 1990 un foisonnement de travaux dans des domaines de plus en plus divers. Les principales tendances sont les suivantes : - Par l'augmentation de la puissance des ordinateurs, des mthodes inutilisables avant le deviennent. - Ncessit de disposer, en plus de mthodes gnrales, de connaissances et mthodes spcifiques pour des domaines de plus en plus spcialiss. - Possibilit d'intgrer plusieurs techniques dans un mme systme. - Des applications grande chelle, en dehors de l'IA, utilisent des techniques de l'IA. (Par exemple, la transcription du gnome humain). - l'IA thorique cherche tablir des fondements scientifiques, formalisme des modes de raisonnement et de reprsentation des connaissances, clarifie les concepts. - l'IA exprimentale teste les ides nouvelles par la ralisation de systmes. L'examen des problmes rencontrs conduisent alors aux amliorations des mthodes. - l'IA applique est une utilisation en situation relle dans l'industrie, les services, 3. Quelques grands domaines actuels (en vrac et de manire non exhaustive) Certains de ces domaines ont maintenant des congrs et des revues spcialiss. 3.1. Dmonstration Automatique de Thormes (DAT) Le domaine est bien formalis, bien connu des premiers chercheurs en IA, typique de l'intelligence humaine. Les premiers programmes apparaissent en 1956, dix ans aprs les premiers ordinateurs. Deux types de mthodes sont utiliss. Le Principe de Rsolution est une mthode trs efficace d'un point de vue thorique et est maintenant galement tudi par les logiciens. Il a donn naissance au langage PROLOG. Pratiquement, de nombreuses heuristiques doivent tre utilises pour limiter l'explosion combinatoire. Les mthodes naturelles sont plus proches du raisonnement humain et rendent plus faciles la donne de l'expertise du mathmaticien. Les performances actuelles sont suprieures celles d'un individu moyen, infrieures celles d'un bon mathmaticien. Ce domaine dpasse le cadre des mathmatiques et est utilis dans de nombreux domaines, par exemple en Rsolution de problmes et en Vrification de programmes. 3.2. Jeux Les univers sont limits, les rgles bien dfinies, et pourtant riches en possibilits dductives. Les performances aux checs sont encore infrieures celles d'un champion du monde, bien que le champion du monde ait pu tre battu par un programme. Les progrs les plus rcents sont dus plus l'amlioration des ordinateurs et des techniques de programmation qu' l'IA.

-6-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

Les champions se font aider par les ordinateurs. Les finales ont t tudies et on dispose maintenant de grandes bases de donnes de finales. Les mthodes combinatoires ne peuvent pas tre utilises pour le jeu de go qui est devenu un domaine test pour diffrentes mthodes d'IA. 3.3. Rsolution de problmes (au sens large) Il s'agit de poser, analyser, reprsenter ... et rsoudre des problmes dans des situations concrtes. Exemples : faire un emploi du temps - colorier une carte de gographie - rsoudre des cassette logiques, des problmes mathmatiques - trouver un chemin dans un labyrinthe ou tout simplement dans une maison (robots). Des programmes gnraux ont t raliss, ayant de meilleures performances que des programmes spcialiss. 3.4. Langage naturel et dialogue homme/machine Le langage naturel a d'abord t tudi dans le but de faire de la traduction automatique. Devant les difficults, on s'est plutt intress aux sous-problmes de la comprhension et de la gnration du langage naturel, domaines qui se rattachent aussi maintenant au dialogue et aux interfaces Il est ncessaire de disposer de reprsentations internes, et aussi de connaissances syntaxiques, smantiques, et mme pragmatiques. Exemple de phrase dont la comprhension ncessite des connaissances pragmatiques : "Le professeur a envoy l'lve chez le censeur parce qu'il bavardait." voulait le voir". ne pouvait plus le supporter". Dans chacun des trois cas, qui reprsente il ? 3.5. Reconnaissance des Formes et Perception Il s'agit, entre autres, de la comprhension de la parole, de la lecture d'un manuscrit, de l'analyse de scnes. Exemples de ralisations : voitures pour handicaps commande vocale; robots pour la construction automobile. La difficult peut tre de reconnatre et saisir une vis dans un tas en vrac. Il est plus difficile de jouer au football que de faire des mathmatiques ! 3.6. EIAO et Tuteurs (dits) intelligents (ITS) "Enseignement Intelligemment Assist par Ordinateur" devenu "Environnements Interactifs d'Apprentissage avec Ordinateur" ce domaine concerne tous les types d'enseignement classique ou d'apprentissage de savoir-faire. Un systme d'EIAO doit tre capable de : - rsoudre les problmes; - comprendre le raisonnement (correct ou erron) de l'lve; - tablir un modle de l'lve; - lui proposer des exercices en fonction de ce modle.

-7-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

3.7. Robotique La robotique n'est pas forcment de l'IA. Elle peut en tre par l'aspect Reconnaissance des formes et Rsolution de problmes. Il peut tre ncessaire de faire face des situations imprvues. Quelques applications sont particulirement utiles : travaux dangereux, rparations dans les centrales nuclaires ou dans l'espace. 3.8. Programmation Automatique Il peut s'agir d'crire des programmes qui crivent des programmes rsolvant des problmes dcrits en langage mathmatique ou en langage naturel par exemple. (Ces programmes sont souvent moins lgants que les ntres mais peuvent tre meilleurs !) Cette activit a t pendant un temps concurrence par les systmes experts. Elle en est maintenant complmentaire, de nombreuses bases de connaissances tant compiles, c'est--dire remplaces par des connaissances procdurales (programmes C par exemple) dans un souci d'efficacit. 3.9. Systmes base de connaissances En raison des nombreuses applications et des rsultats obtenus, ce domaine a connu un trs grand dveloppement et le dveloppement de sous-thmes : - Reprsentation des connaissances - Technologie des systmes experts - Acquisition des connaissances - Cohrence et validation des nases de connaissances 3.10. Autres - Interaction homme/machine - Modlisation cognitive - Planification - Propagation de contraintes - Programmation par contraintes - Raisonnement par cas - Rseaux neuronaux et approche connexionistes - Systmes multi-agents et Intelligence artificielle distribue - 4. Thmes de RFIA 2000 ( Reconnaissance des Formes et Intelligence Artificielle)
Algorithmique de l'IA ou de la RF Analyse de documents (cartes, plans techniques, partitions musicales,..) Analyse de scnes Apprentissage symbolique et/ou numrique Applications aux domaines de l'imagerie mdicale, arienne ou satellitale, aux domaines de la robotique et de la surveillance, aux donnes multimdia... Architectures et intgrations de systmes Contraintes (CSP, SAT, ordonnancement) Coopration personne-systme (modlisation de l'utilisateur, aide l'apprenant, aide au travail coopratif, explications, dialogue...) Caractrisation et valuation de performances Classification Compression Dmonstration automatique Diagnostic Fusion de capteurs et de donnes

-8-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

Formalisation des raisonnements et de la cognition Gestion de connaissances et mmoire d'entreprises Indexation par le contenu de documents (textuels ou multimdia) Ingnierie des connaissances Interaction Homme-Machine Fouilles de donnes Modles conceptuels et ontologies Modlisations des images : Approches gomtriques, approches variationnelles, EDP Modles probabilistes, problmes inverses Morphologie mathmatique Photomtrie et colorimtrie ... Planification Raisonnement base de cas Raisonnements en environnement physique, volutif ou incertain : Raisonnements spatiaux-temporels, raisonnements sur les actions Raisonnements sous contraintes de ressources Raisonnements probabilistes ou possibilistes Raisonnements non monotones Reprsentation, reconnaissance et interprtation des formes et des images Reconnaissance et synthse de la parole Reconnaissance et interprtation de l'crit Reprsentation de connaissances Rseaux neuronaux et approches connexionistes Rsolution de problmes et programmation des jeux Traitement d'image : Segmentation et extraction de primitives Amlioration et restauration d'image Analyse multi-chelles, modles dformables ... Traitement des langues naturelles Synthse d'image : Modlisation et algorithmes Simulation, animation et visualisation Ralit virtuelle, ralit augmente ... Systmes multi-agents et systmes distribus Tuteurs intelligents Vision active et couplage perception-action Vision dynamique : Traitement des squences d'images Analyse du mouvement et trajectographie ... Vision 3D et gomtrie : Calibrage et gomtrie des images multiples Mise en correspondance (image-image, image-modle) Reconstruction de modles partir d'images (3D, mosaques,...)

-9-

Fvrier 2000

Dominique Pastre

INTELLIGENCE ARTIFICIELLE

5. Thmes de ECAI 2000 (European Conference on Artificial Intelligence)

Abduction AI and Creativity Adaptive Systems Affective Computation Art and Music Automated Reasoning Autonomous Agents Bayesian Learning Belief Revision Case-Based Reasoning Causal Reasoning Cognitive Modelling Cognitive Robotics Conceptual Graphs Constraint Programming Constraint Satisfaction Constraint-Based Reasoning Data Mining and Knowledge Discovery Deduction Description Logics Diagnosis Distributed AI Genetic Algorithms Human Language Technology Inductive Logic Programming Information Retrieval and Presentation Intelligent User Interfaces Knowledge Acquisition Knowledge Representation Lifelike and Believable Characters Logic Programming Machine Learning Meta-Heuristics for AI Model-Based Reasoning Multi-Agent Systems Natural Language Processing Neural Networks Nonmonotonic Reasoning Ontologies Perception Philosophical Foundations Planning Probabilistic Networks Qualitative Reasoning Reactive Control Real-time Systems Reasoning about Actions and Change Reinforcement Learning Resource-Bounded Reasoning Reuse of Knowledge Robotics Scheduling Search Signal Understanding Spatial Reasoning Speech Processing Temporal Reasoning Text Mining Theorem Proving Uncertainty in AI User Modeling Verification and Validation of Knowledge-Based Systems Virtual and Augmented Reality Vision

BIBLIOGRAPHIE
S.DEHOENE, La bosse des maths, O.Jacob, 1997 H.FARRENY, M.GHALLAB, Elments d'intelligence artificielle, Herms 1987 D.HOSTADTER, Gdel, Esher, Bach, An eternal golden braid, Harvester Press, 1979 D.HOSTADTER, Gdel, Esher, Bach, Les brins d'une guirlande ternelle, Interditions 1985 J.L.LAURIERE, Intelligence artificielle, rsolution de problmes par l'homme et la machine, Eyrolles 1986 N. NILSSON, Principes d'Intelligence artificielle, Cpadues, 1988 J.PITRAT, La naissance de l'Intelligence Artificielle, La Recherche n70, octobre 1985 J.PITRAT, Historique de l'Intelligence Artificielle et retombes industrielles, AFCET-RFIA, 1985 J.PITRAT, Mtaconnaissances, futur de l'intelligence artificielle, Herms, 1990 J.PITRAT, Penser autrement l'informatique, Herms, 1993 J.PITRAT, De la machine l'intelligence artificielle, Herms, 1995 E. RICH, Intelligence artificielle, Masson, 1987 R.SHINGHAL, Formal concepts in artificial intelligence, Chapman & Hall, 1991 G.TISSEAU, Intelligence artificielle, problmes et mthodes, PUF, 1996 P.H.WINSTON, Intelligence artificielle, Interditions 1988

- 10 -

Fvrier 2000