Titre: Procédure d’optimisation pour Datalog disjonctif
Résumé: Ce stage de seconde année de Master se place dans le contexte de la représentation et le raisonnement sur les connaissances. Cette branche de l’Intelligence Artificielle a pour but de modéliser les connaissances provenant de domaines d’expertise et de reproduire le raisonnement humain. À cette fin, on s’appuie principalement sur la logique et le concept de règles de déduction. Dans la plupart des cas, un cadre déterministe est considéré pour la modélisation des connaissances mais il peut être insuffisant dans certaines situations. C’est pourquoi on voudrait utiliser des langages plus expressifs, en particulier introduire du non-déterminisme. Cela se fait au travers de l’ajout de règles impliquant un choix entre plusieurs possibilités. Comme dans d’autres domaines de l’informatique, manipuler ce non-déterminisme rend les choses plus difficiles et dans notre cas le raisonnement se complexifie.
Pour optimiser le raisonnement dans ce cadre on s’appuie sur la notion de pertinence des faits étudiée dans ce travail. Son objectif est de filtrer un ensemble de connaissances par rapport à une requête afin d’accélérer le raisonnement par la suite. Ce problème est assez difficile et on propose donc une manière de le sur-approximer efficacement. Cette sur-approximation est étudiée théoriquement puis évaluée d’un point de vue expérimental.
Room 1.124
