1.1. INTRODUCTION 19
1.1 Introduction
Pour considérer la question de l’apprentissage par l’interaction, nous nous intéressons d’abord à la
définition de l’apprentissage.
Le verbe apprendre de la langue française dérive étymologiquement du latin "apprehendere", "ap-
prehendo" : préfixes "ad-" (vers), "pre-" (avant) et radical "hendo" du grec ancien χανδάνω (contenir).
À titre de comparaison, le mot anglais "learning" quant à lui provient de l’ancien anglais "leornian",
lui-même de racine proto-germanique "liznan ˛a", "lizan ˛a", remontant au proto-indo-européen "leys"
dont le sens est celui de suivre, sillonner, pister. Le terme d’apprentissage est très polysémique donc.
Il peut désigner aujourd’hui l’acquisition ou la révélation d’une information (apprendre une nouvelle),
l’acquisition d’un savoir faire par la pratique physique (apprendre à conduire, à nager), ou intel-
lectuelle (apprendre à dériver une fonction, à programmer), la mémorisation consciente d’une plus
grande quantité d’informations, ou d’un motif complexe (apprendre les tables de multiplications, un
discours), ou encore l’adoption d’un ensemble de valeurs comportementales (apprendre les bonnes
manières). Les sens de certaines de ces acceptions se recoupent, mais les concepts qu’elles mettent
en jeu sont distincts et tous ne sont pas immédiatement pertinents lorsqu’on parle d’intelligence arti-
ficielle. En effet les deux dernières acceptions listées du terme "apprendre" ne s’appliquent pas à une
machine, du fait de son fonctionnement différent de la mémoire biologique et parce les objectifs qu’on
lui fixe ne sont pas les mêmes que ceux de l’humain. Ces questions restent hors de notre propos ici.
La mémorisation et restitution de connaissances "par cœur" ne pose pas de problème en informa-
tique tant qu’il ne s’agit pas de raisonner sur ces connaissances. L’apprentissage de savoir-faire ou
compétences, c’est-à-dire de la capacité d’adapter et de combiner les connaissances mémorisées, est
en revanche plus problématique. C’est l’objet de la discipline de l’apprentissage artificiel. Il relève de
la deuxième et de la troisième des acceptions listées plus haut. Nous nous intéressons en particulier à
la troisième, qui concerne la réalisation d’un objectif requérant la maîtrise d’un savoir ou d’une tech-
nique (sans mettre en jeu de capacité motrice). Cet objectif pourra être atteint, ou mieux approché, par
la restitution ou la réutilisation de connaissances acquises. En intelligence artificielle, on désigne par
apprentissage (machine learning en anglais) les méthodes permettant de construire un modèle prédictif
d’un phénomène à partir de ses manifestations, ou exemples. L’exploitation de ce modèle pour traiter
de nouveaux exemples est donc appelée prédiction.
L’apprentissage artificiel
*
est la discipline de l’étude et de la recherche des méthodes d’acquisi-
tion automatique de connaissances et de leur représentation [Cornuéjols et Miclet, 2011]. Puisque l’on
assimile une connaissance à une compétence, il s’agit alors de formaliser l’acquisition par le système
de la capacité d’effectuer des tâches. Les tâches formalisées sont les tâches qui peuvent être exécutées
de manière systématique, notamment par une machine. L’exécution systématique d’une tâche requiert
de pouvoir la spécifier à l’aide d’un langage formel.
Nous rendons compte dans la section 1.2 de la tendance en informatique de rendre la spécifica-
tion d’instructions de plus en plus naturelle. Cette tendance suppose la capacité de transformer une
spécification naturelle en une spécification dans un langage formel. En section 1.3, nous présentons
un état de l’art des méthodes utilisées pour faire cette transformation. En vue de rendre l’interaction
avec la machine plus naturelle, nous explorons en section 1.4 les techniques de gestion de dialogue de
la littérature. Enfin, nous proposons en section 1.5 un modèle interactif minimal indispensable pour
l’apprentissage incrémental, après avoir présenté une approche voisine existante.
0
1.2自动化
0
计算机科学的历史与问题解决的系统化以实现自动化密切相关。这是通过计算机执行繁琐任务来实现
的。
我的内容管理
展开
