Journée scientifique en l’honneur de Jean-Louis Laurière - 22 mars 2006 Enseigner les travaux de Jean-Louis Laurière

1. Journée scientifique en l’honneur de Jean-Louis Laurière - 22 mars 2006Enseigner les travaux de Jean-Louis Laurière Monique Baron, Alain David, Hélène Giroire, Odile Paliès Université Pierre et Marie Curie (Paris 6)

2. Introduction • Liens recherche-enseignement • Les travaux de JLL et leur enseignement (en IA) • Richesse et originalité • « Penser autrement l'informatique » et la résolution de problèmes • Culture RO et IA • Importance de la modélisation et des représentations • Approche « déclarative » : ne plus programmer !  • Intérêt et actualité • des travaux, des idées et de leurs prolongements Enseigner les travaux de JL Laurière - 22 mars 2006

3. Principaux travaux de recherche de Jean-Louis Laurière (en IA) • Thèse 3ème cycle (1971, Paris 6) • Sur la coloration des hypergraphes. Applications aux problèmes d’emplois du temps • Thèse d’état (1976 , Paris 6) [ALICE] • Un langage et un programme pour énoncer et résoudre des problèmes combinatoires • SNARK (1981- ...) et l’approche SBC • Un langage déclaratif et un moteur d’inférence • Développements et applications multiples • Représentation des connaissances (articles TSI 1983-84) • Suites d’ALICE, Rabbit (1992 - …) Enseigner les travaux de JL Laurière - 22 mars 2006

4. Un peu d’histoire : l’enseignement des travaux de JL Laurière (en IA, à Paris 6) • Création d’enseignements par JL Laurière • DEA Informatique Fondamentale/IA : module « Résolution de problèmes », en 1977-78 (autre module IA : Jacques Pitrat) • Maîtrise Informatique : création du module « Intelligence Artificielle » en 1982-83 • Ouvrages : Résolution de problèmes par l’Homme et la machine (1986), Représentation des connaissances (1988) • Autres enseignements • DESS IA : à partir de 1985-86 • Résolution de problèmes, ALICE • SBC, systèmes à base de règles, SNARK • DEA et maîtrise (suite...), puis master M1 et M2 Enseigner les travaux de JL Laurière - 22 mars 2006

5. ALICE : A Language for an Intelligent Combinatorial Exploration (1976) • Système général de résolution de problèmes combinatoires • Principes généraux • Modélisation des pb • énoncé à base de contraintes • Module de résolution • Méthode de backtrack à base d’heuristiques • Sans algorithme spécifique • Représentations adaptées et traitements associés • Gestion dynamique des choix, heuristiques • Preuve d’optimalité • Efficacité par la généralité (vs algorithme spécifique) Enseigner les travaux de JL Laurière - 22 mars 2006

6. ALICE - Modélisation des problèmes • Un langage d’énoncé de pb • Langage basé sur notions mathématiques et logiques • Pb posé comme la recherche de fonctions entre ensembles finis, satisfaisant divers types de contraintes • Propriétés des fonctions : injection, surjection, bijection, disjonction, degré min, degré max, circuit, … • Contraintes formelles (logico-algébriques) • Pas nécessairement linéaires • Langage précurseur des LPPC ? • Représentation déclarative (et concise) des problèmes Enseigner les travaux de JL Laurière - 22 mars 2006

7. Exemple : organisation d'un colloque(ou d'une session d'examens) SOIT constante N, P ; nb de séances, nb de périodes ensemble S = [1 N] ; ensemble des séances H = [1 P] ; ensemble des périodes TROUVER fonction F : S -> H DIS DMA ; DIS : option disjonction sur les séances ; DMA : option degré maximum sur les périodes (nombre de salles) AVEC MIN MAX F(i) i dansS F(5) < F(10) F(11) > F(4) ET F(11) > F(6) FIN 11, 10 ; valeurs de N, P 2, 3, 5, 7, 8, 10 ; séances en disjonction avec 1 … (1/2 matrice) 3, 3, 3, 3, 3, 3, 3, 3, 3, 3 ; degré maximum pour les éléments de H FIN Enseigner les travaux de JL Laurière - 22 mars 2006

8. ALICE - Module de résolution Graphe Graphe biparti + contraintes simples Contraintes formelles propagation + manipulations symboliques Types de choix, critères, règles, heuristiques Solution(s) choix Enseigner les travaux de JL Laurière - 22 mars 2006

9. ALICE - les choix, originalité • Aspect dynamique • Selon caractéristiques du problème, phase de traitement en cours, état du graphe et des contraintes formelles • Deux niveaux de choix : • Métachoix : choix du type d’hypothèses ou principe de séparation de l’espace de recherche (parmi 7) 1. Affirmer une des branches d’une contrainte OU 2. Fixer la valeur de la borne inf [ou sup] d’une variable 3. Imposer une limite au coût d’une affectation 4. Lancer une énumération locale …/… 7. Fixer la valeur de la fonction pour un point du domaine • Choix de l’hypothèse • Basé sur {critères}, gérés par règles heuristiques • Métaheuristiques : choix informés et informants Enseigner les travaux de JL Laurière - 22 mars 2006

10. ALICE - prolongements et actualité • Prolongements • SNARK • SIREN (JY Lucas) • Rabbit (JL Laurière) : ALICE + compilation de contraintes et génération de programme d’énumération explicite • MALICE (J Pitrat) • Actualité • Travaux et enseignements en PPC et CSP • LPPC : CHIP, Ilog Solver, Choco, Gnu-Prolog … • Peu de travaux avec manipulation symbolique de contraintes (RCS, A. Liret, 2000), avec compilation de contraintes • MALICE ! Enseigner les travaux de JL Laurière - 22 mars 2006

11. ALICEQuelques difficultés de l’enseignement • Modélisation de problèmes • Compréhension des principes • Capacité à raisonner sur la dynamique de la résolution, sur l’espace de recherche courant et le problème résiduel • Capacité à raisonner sur les techniques et les stratégies de résolution, le coût et l’efficacité de la recherche • Résoudre « à la main » des problèmes (ou suivre une trace) : tenir compte de tous les éléments pris en compte par ALICE (dynamique du graphe et des contraintes, gestion des choix, types, critères et heuristiques) • Situer ALICE • Evolutions des approches PPC et CSP Enseigner les travaux de JL Laurière - 22 mars 2006

12. SNARK : Symbolic Normalized Acquisition and Representation of Knowledge (1981-…) • Système à base de règles de production (SBRP) avec « variables », générateur de « systèmes experts» • Principes généraux de l’approche SBC • Déclarativité (et lisibilité) des BC • Mécanismes de raisonnement « naturel » • Moteur d’inférence (MI) pour les SBRP • Inspirations principales de SNARK • Les premiers SE (MYCIN…) en LISP • Logique, représentation des connaissances • Traitement de contraintes (ALICE) • Conception du MI (recherche de jeux d’instanciation) Enseigner les travaux de JL Laurière - 22 mars 2006

13. SNARK - Originalité et intérêt • Langage basé sur relations binaires • Originalité par rapport à d’autres langages et moteurs • Prolog, OPS, Tango, Muscadet, Camelia, … • Réalisation du cycle d’inférence (≠ techniques Rete), ordre 2 • Utilisation dans de multiples travaux • Domaines : prospection pétrolière, conduite des centrales nucléaires, raisonnement en archéologie, banque, EIAO, jeu … • Problèmes de diagnostic, décision, conception… • Modélisation de connaissances par règles et faits, métarègles • Inspiration pour d’autres travaux (moteurs) • Contrôle, efficacité, niveau méta (Gosseyn, Boojum, Sepiar, …) Enseigner les travaux de JL Laurière - 22 mars 2006

14. SNARK et SBRP - Prolongements • Ingénierie des Connaissances • Problèmes de non monotonie • Négation par absence, suppression de faits • Problèmes de cohérence • Modélisation d’agents et formalisation de raisonnements • Modélisation multi-spécialistes • Traitement d’incertitudes • Modèles numérico-symboliques • Traitement d’informations incomplètes, d’hypothèses • Raisonnement par défaut, raisonnement plausible • Raisonnement hypothétique (backtrack, ATMS) • Maintien de cohérence Enseigner les travaux de JL Laurière - 22 mars 2006

15. SNARK et SBRP - Actualité •  Utilisation de règles de production • Modélisation d’agents • Adaptation aux utilisateurs • Applications e-commerce, e-learning, services Web … • Web sémantique • Triplets RDF : triplets SNARK sujet prédicat valeur • Vers la standardisation des langages de règles ? • Workshop du W3C, avril 2005 • A la recherche d’un moteur d’inférence « universel » ? Enseigner les travaux de JL Laurière - 22 mars 2006

16. Conclusion • Évolution de l’IA (domaines recherche et enseignements) • Intérêt des approches RP et PPC, IC • IA symbolique • Importance de la modélisation • Problèmes, connaissances, raisonnements • Modélisation cognitive et computationnelle • Déclarativité : vers des modèles à « niveau connaissance » ? • Pour l’interaction et la coopération Personnes-Machines • Pour l’apprentissage humain (EIAH) • Dernier mot, un contre-test de Türing ;-) ? « Prouve-moi que tu n’es pas un robot » JL Laurière Enseigner les travaux de JL Laurière - 22 mars 2006