Le raisonnement déductif applique des règles à des faits pour obtenir une conclusion certaine dans le modèle ; le raisonnement probabiliste combine incertitude et observations pour estimer des hypothèses.
Le raisonnement automatique applique des règles, modèles ou probabilités à des faits et objectifs pour déduire une situation, choisir une action ou signaler une incertitude.
Une heuristique estime le coût restant vers le but pour guider la recherche et éviter d’examiner inutilement des états éloignés.
Après son déploiement, une IA robotique doit être surveillée pour détecter dérive des données, erreurs inhabituelles, changement de contexte et dégradation de la décision.
On évite la fuite de données en séparant strictement les exemples d’entraînement et d’évaluation, y compris les personnes, scènes, dates ou objets presque identiques.
Une métrique d’IA doit correspondre à la décision du robot, car une bonne note moyenne peut cacher l’erreur qui déclenche l’action la plus dangereuse.
L’apprentissage supervisé utilise des exemples étiquetés, le non supervisé recherche des structures sans étiquette et le renforcement apprend par essais et récompenses.
Les fondations communes d’une intelligence artificielle sont des données, une représentation du problème, une méthode d’apprentissage ou de décision et une évaluation adaptée au but.