Étude sur les mesures d’évaluation de la cohérence entre connaissance etcompréhension dans le domaine de l’intelligence artificielle

Résumé :
Cette thèse traite de la notion de cohérence au sein des
systèmes intelligents. Son objectif principal est d’analyser
comment la cohérence, en tant que concept, peut être comprise
et évaluée dans le domaine de l’intelligence artificielle, en mettant
particulièrement l’accent sur les connaissances préalables
intégrées dans ces systèmes. Ce travail, financé dans le cadre
du projet européen H2020 RESPONSE, repose sur le context
applicatif de la Smart City où l’évaluation de la cohérence entre
prédictions artificielles et réalités de terrain reste la condition
préalable à toute initiative politique. Un examen minutieux de
la cohérence en relation avec l’intelligence artificielle, ainsi
qu’une exploration approfondie des connaissances préalables
fait l’objet de ce travail. Pour cela une revue systématique
de la littérature est réalisée pour cartographier le paysage
actuel, mettant en lumière l’intersection et l’interaction entre
l’apprentissage automatique et les ontologies, avec un focus
particulier sur les techniques algorithmiques en usage. Notre
analyse comparative positionne également notre recherche par
rapport à des œuvres significatives dans le domaine. Une
étude approfondie sur les différentes méthodes d’intégration
des connaissances analyse comment la cohérence peut être
évaluée en fonction des techniques d’apprentissage utilisées. La
qualité globale des systèmes d’intelligence artificielle, avec un
focus particulier sur l’évaluation de la cohérence, est également
examinée. L’ensemble de cette étude est ensuite appliqué sur
l’évaluation de la cohérence d’un modèle par rapport aux lois
physiques représentées au sein d’ontologies. Deux études de
cas, l’une sur la prédiction des mouvements d’un oscillateur
harmonique et l’autre sur l’estimation de la durée de vie
d’un matériau, sont présentées pour souligner l’importance des
contraintes physiques dans l’évaluation de la cohérence. De
plus, nous proposons une nouvelle méthode pour formaliser les
connaissances dans une ontologie, en évaluant son efficacité.
L’objectif de ce travail est d’apporter un nouvel éclairage sur
l’évaluation des algorithmes d’apprentissage automatique, en
proposant une méthode d’évaluation de la cohérence. Cette
thèse aspire à être une contribution significative au domaine de
l’intelligence artificielle, en mettant en lumière l’importance de la
cohérence dans la construction de systèmes intelligents fiables et
pertinents.
Title: Coherence distance between knowledge and understanding in artificial intelligence
Keywords: artificial intelligence, machine learning, ontology, evaluation, consistency, hybrid artificial
intelligence
Abstract:
This thesis investigates the concept of coherence within intelligent
systems, aiming to assess how coherence can be understood
and measured in artificial intelligence, with a particular focus
on pre-existing knowledge embedded in these systems. This
research is funded as part of the European H2020 RESPONSE
project and is set in the context of smart cities, where assessing
the coherence between AI predictions and real-world data is a
fundamental prerequisite for policy initiatives. The main objective
of this work is to examine coherence in the field of artificial
intelligence meticulously and to conduct a thorough exploration
of prior knowledge. To this end, we conduct a systematic literature
review to map the current landscape, focusing on the convergence
and interaction between machine learning and ontologies, and
highlighting, in particular, the algorithmic techniques employed. In
addition, our comparative analysis positions our research in the
broader context of important work in the field.
An in-depth study of different knowledge integration methods
is undertaken to analyze how coherence can be assessed
based on the learning techniques employed. The overall quality
of artificial intelligence systems, with particular emphasis on
coherence assessment, is also examined. The whole study is
then applied to the coherence evaluation of models concerning
the representation of physical laws in ontologies. We present
two case studies, one on predicting the motion of a harmonic
oscillator and the other on estimating the lifetime of materials,
to highlight the importance of respecting physical constraints in
coherence assessment. In addition, we propose a new method
for formalizing knowledge within an ontology and evaluate its
effectiveness. This research aims to provide new perspectives
in the evaluation of machine learning algorithms by introducing
a coherence evaluation method. This thesis aspires to make
a substantial contribution to the field of artificial intelligence by
highlighting the critical role of coherence in the development of
reliable and relevant intelligent systems.

Titre : Étude sur les mesures d’évaluation de la cohérence entre connaissance et compréhension dans ledomaine de l’intelligence artificielleMots-clés : intelligence artificielle, apprentissage automatique, ontologie, évaluation, cohérence,intelligence artificielle hybride