Intelligence artificielle floue augmentée
(IA-FA)
La technologie xtractis est basée sur la Théorie des Relations Floues d’ordre N couplée aux algorithmes propriétaires de Raisonnement Inductif Automatique, Collectif et Évolutif.
IA-FA = Théorie du Flou + Raisonnement Inductif
L'ADN des robots xtractis
Quelques idées clés sur la Théorie du Flou
– La théorie du Flou propose des concepts, des techniques et des méthodes formellement rigoureuses pour modéliser et traiter en multidimensionnel des connaissances et des données floues c’est-à-dire celles du monde Réel, incluant de l’imprécision, de l’incertitude et/ou de la subjectivité.
– La connaissance floue est riche en information : la transformer dès le début du traitement en une connaissance nette induit un biais qui se répercute immanquablement sur la qualité de la décision. Il est au contraire préférable de maintenir le flou tout au long du traitement et de ne trancher qu’en fin de processus (passage de la décision floue vers la décision nette).
– La logique floue et la théorie des ensembles flous servent à la modélisation graduelle et nuancée de la connaissance experte, en proposant un mode de raisonnement approché et analogique, tout en permettant la définition de catégories aux bornes mal définies. La logique floue s’inscrit dans l’approche de l’IA Symbolique / Cognitiviste Floue. En appréhendant à la fois l’imprécision et l’incertitude, elle autorise la conception de systèmes d’aide à la décision plus efficaces que les systèmes experts classiques : un expert sera d’autant plus certain de ses affirmations qu’on l’autorise à être imprécis et sera d’autant plus incertain qu’on l’oblige à être précis. Elle offre aussi une approche alternative performante pour la modélisation de processus et de phénomènes complexes non-linéaires.
– L’arithmétique floue permet une modélisation et un traitement des quantités numériques imprécises. Elle autorise la conception de modèles analytiques prévisionnels plus justes, c’est-à-dire plus fidèles à la réalité.
– Les mesures duales de possibilité et de nécessité remplacent la mesure de probabilité lorsque le décideur doit évaluer l’occurrence d’un événement, sur lequel il possède peu de données historiques ou des données de mauvaise qualité. Ceci apparaît notamment dans les problèmes de décision multicritère ou de sûreté de fonctionnement, lorsque le décideur fait appel à des informations provenant de capteurs humains (jugement, avis d’expert). La théorie des possibilités est ainsi adaptée à la prise en compte de l’incertitude épistémique liée au manque d’information, lorsque la théorie des probabilités s’intéresse plutôt à l’incertitude stochastique caractérisant une présence d’aléa. Elle autorise notamment l’estimation de l’occurrence d’événements imprécis.
Le concept de Relation Floue d'ordre N
La Relation Floue d’ordre N (RF-N) généralise les concepts de scalaire de [0,1] (RF-0), d’ensemble flou (RF-1), de relation floue à deux dimensions (RF-2), et les étend à un espace à N dimensions. Une RF-N définit ainsi une équation non-linéaire multi-dimensionnelle.
La théorie des RF-N introduit une infinité d’opérateurs logiques de conjonction, de disjonction, de négation, d’inférence et de composition par ancrage. Elle montre comment créer une infinité de mesures floues de possibilité et de nécessité, grâce aux opérateurs de composition par fusion de RF-N.
Cette théorie définit de nouvelles structures algébriques originales, tout en exhibant les structures algébriques maximales correspondantes, en fonction des opérateurs utilisés. Par rapport à d’autres techniques d’IA, elle autorise ainsi plus de degrés de liberté dans la modélisation non-linéaire non-convexe non-connexe non-monotone et non-décomposable des processus et phénomènes complexes.
Un modèle xtractis à base de règles floues
Une règle floue “SI…ALORS” est un modèle local non-linéaire reliant des variables nuancées. Mathématiquement, elle est définie par une RF-N, c’est à dire une fonction multidimensionnelle non-linéaire reliant N-1 variables d’entrée à la variable de sortie.
Un modèle xtractis est une collection de règles floues couvrant l’espace de fonctionnement. Toute situation dans cet espace entraîne le déclenchement simultané et graduel de certaines règles, puis l’interpolation de leurs décisions : les règles locales interagissent entre elles et coopèrent pour calculer la décision finale la plus adéquate.
Plus le modèle est composé de règles floues et plus il fait appel à des variables d’entrée, plus il réussira à décrire fidèlement le comportement d’un processus complexe. La prouesse d’xtractis est d’arriver à trouver le vrai niveau de complexité du processus étudié: découvrir le modèle le plus robuste et le plus compact.
xtractis réussit paradoxalement à expliciter sous formes de règles décisionnelles les connaissances non-explicitables par un humain, comme celles mobilisées par le cerveau en perception ou en évaluation sensorielle.
Raisonnement Inductif Automatique, Collectif et Évolutif
À partir d’un ensemble de données structurées collectées sur le processus à modéliser et caractérisé par un ensemble de variables potentiellement prédictives, les robots xtractis découvrent les modèles sous-jacents, par Raisonnement Inductif Automatique.
Plus exactement, il s’agit d’un Raisonnement Inductif Collectif Compétitif Réflexif Coopératif et Évolutif ! Cela veut dire que plusieurs robots sont lancés en compétition à l’assaut du même problème, chaque robot étant doté d’une stratégie de raisonnement distincte, parmi la famille infinie de stratégies à leur disposition. Après avoir terminé leur raisonnement inductif respectif, les robots évaluent systématiquement, objectivement et intensivement la robustesse des modèles découverts.
Une fois que chaque robot a sélectionné ses top-modèles, les robots xtractis entrent dans une phase de coopération pour construire, sans supervision, de nouvelles stratégies de raisonnement inductif plus évoluées et plus efficientes que celles des robots de la génération précédente et cela à l’infini. À la différence des algorithmes Open Source IA qui sont figés a priori par le modélisateur, nos robots sont ainsi capables d’apprendre seuls à mieux raisonner. Conséquemment, sur un ensemble de données d’apprentissage qui ne change pas, plus ils disposeront d’énergie de calculs (puissance x temps), plus ils seront en mesure de découvrir des modèles prédictifs de plus en plus performants et les plus compacts, donc les plus intelligibles.
Le temps de la Robustesse
L’étape de l’évaluation de la robustesse, bien que fortement consommatrice en temps de calcul, est cruciale car elle permet d’estimer la capacité prédictive du modèle, c’est-à-dire la fiabilité des prédictions que donnerait le modèle lorsqu’il sera projeté en exploitation pour délivrer des prédictions sur des situations réelles inconnues. Cette estimation de la robustesse d’un modèle peut prendre de 50 jusqu’à 10 000 fois le temps qui a été nécessaire pour le générer, mais c’est une étape essentielle pour ne pas tomber dans le piège du sur-apprentissage. En effet, bien que nécessaire, une précision ou capacité descriptive élevée n’est pas suffisante, car elle ne garantit pas que le modèle est robuste : en apprenant par cœur (overlearning), le modèle aurait une précision très élevée, mais se tromperait très souvent dans ses décisions face à des situations n’ayant pas fait partie de sa base d’apprentissage.
Il est donc impossible de réaliser en temps réel une modélisation prédictive robuste. Toutefois, en production, les prédictions déduites d’un modèle robuste peuvent être délivrées en temps réel.
Une technologie adaptée aux Processus Complexes
Au final, la théorie du Flou étend la palette des méthodes de modélisation, de prédiction et d’évaluation, tout en simplifiant l’interprétabilité des processus complexes.
Grâce à son approche IA Floue Augmentée, xtractis sait gérer :
- la multi-dimensionnalité et la non-linéarité tout en proposant des modèles locaux qui, combinés, permettent de couvrir l’ensemble de l’espace de décision ou de fonctionnement ;
- tous types de données : quantitatives ou qualitatives, numériques ou symboliques, objectives ou subjectives, certaines ou incertaines, précises ou imprécises, renseignées ou manquantes ;
- les problèmes de type Régression (prédire la valeur d’une variable numérique), Classification Multinomiale (prédire la classe à laquelle appartiendrait un nouveau profil), Scoring (prédire le risque d’apparition de l’événement étudié) ou Clustering (identifier des segments stables dans les données).
