Centre de Recherche en Informatique de Lens

Une des approches les plus connues pour la conception d’agents intelligents est celle de la représentation des connaissances. Dans ce paradigme, nous faisons souvent l’hypothèse que l’agent « démarre » avec un modèle de son environnement, décrit dans un langage de représentation. Avec ce modèle à sa disposition, l’agent est sensé répondre à diverses requêtes comme, par exemple, assigner un degré de croyance sur tel ou tel évènement. Le principal problème lié à ce paradigme est le fameux dilemme entre l’expressivité et la complexité : d’un coté, modéliser un environnement de manière précise nécessite souvent un langage de représentation très expressif et, de l’autre, raisonner sur un tel modèle peut s’avérer très couteux en termes de complexité calculatoire.

Dans cet exposé, nous examinerons le paradigme « apprendre à raisonner » (L2R), proposé par Khardon, Roth et Valiant, dans lequel les connaissances ne sont pas décrites « a priori » mais acquises « a posteriori » par interaction avec un superviseur. Techniquement, nous utiliserons le cadre de « l’apprentissage online » où l’agent apprend à raisonner de manière incrémentale, avec des bornes de convergence sur le nombre d’erreurs. Dans ce cadre, nous étudierons comment les algorithmes additifs, quasi-additifs, et multiplicatifs peuvent s’appliquer à deux formes de raisonnement : (1) conséquence logique, et (2) degré de croyance. Nous conclurons cet exposé en discutant des connexions intéressantes entre le paradigme L2R et la compilation de connaissances, ainsi que des possibilités et limites pour appliquer ce paradigme à d’autres formes de raisonnement.