1. Vue d’ensemble
Une recherche non informée choisit les états à développer sans estimation de leur proximité du but. Si l’espace est vaste et que la solution apparaît tard, l’exploration peut devenir coûteuse. Une recherche informée ajoute une heuristique, c’est-à-dire une information rapide et approximative permettant de classer les états.
La semaine présente deux familles liées :
- problème à un agent : Hill-Climbing, meilleur d’abord et A* guident l’exploration vers un but;
- jeu à deux adversaires : Minimax anticipe les meilleures réponses de MIN aux décisions de MAX, puis Alpha-Bêta élimine les branches incapables de changer la décision.
La vidéo de présentation replace aussi ces techniques dans une vision plus large de l’IA. L’IA ne se réduit pas aux systèmes génératifs : l’enjeu pratique est la capacité d’un système à résoudre un problème, et les approches symboliques demeurent utiles. Des systèmes neuro-symboliques peuvent combiner apprentissage et contraintes explicites, notamment pour limiter certaines productions erronées. La vidéo invite en parallèle à garder un regard critique sur la vie privée, la dépendance aux outils et les usages éducatifs de l’IA.
Le schéma commun reste celui de la représentation par espace d’états :
- définir un état avec les symboles nécessaires;
- définir les opérations ou coups et leurs conditions d’application;
- préciser l’état initial et le critère de but ou d’arrêt;
- choisir une stratégie de recherche;
- ajouter une fonction d’évaluation adaptée au problème.
La vidéo utilise le taquin pour rappeler qu’une bonne représentation simplifie aussi les opérations. Déplacer conceptuellement la case vide, plutôt que définir un opérateur pour chaque tuile et chaque position, ramène le problème à quatre mouvements génériques avec leurs préconditions.