PRÉLIMINAIRES

I. Fiche signalétique de l’Unité d’Enseignement (UE)

Cette Unité d’Enseignement, codifiée INA1351, est une pierre angulaire du cycle de Licence en Génie Logiciel, valant 4 crédits. Elle vise à doter les étudiants d’une maîtrise algorithmique fondamentale en intelligence artificielle, dépassant la simple utilisation d’outils préexistants. L’objectif est de former des concepteurs capables de développer des solutions logicielles autonomes, répondant aux défis spécifiques de la RDC. L’accent est mis sur la transformation d’un problème métier local en une solution algorithmique performante, vérifiable et économiquement pertinente pour le tissu industriel congolais.

II. Compétences visées et débouchés professionnels

L’acquisition des compétences de cette UE est directement alignée sur les besoins du marché numérique congolais. L’étudiant forgera trois capacités techniques distinctes : l’implémentation de graphes de recherche pour l’optimisation logistique, la conception de systèmes experts pour l’aide à la décision, et la modélisation de comportements via des algorithmes d’apprentissage. Ces savoir-faire ouvrent la voie à des carrières d’ingénieur en IA, de concepteur d’algorithmes prédictifs pour le secteur minier ou financier, et de chercheur en sciences cognitives appliquées à l’ergonomie des interfaces homme-machine.

III. Approche pédagogique et modalités d’évaluation

La pédagogie adoptée est celle du constructivisme appliqué, où la théorie est immédiatement confrontée à la pratique. Chaque concept théorique est suivi par des travaux pratiques (TP) sur machine, forçant l’étudiant à implémenter les algorithmes étudiés. L’évaluation est conçue pour mesurer la compétence opérationnelle : un contrôle continu (40%) basé sur les TP et un projet final de synthèse (60%). Ce projet consistera à résoudre un problème concret issu d’une entreprise ou d’une administration congolaise, dont la soutenance validera la capacité à livrer une solution fonctionnelle.

PARTIE 1 : FONDEMENTS DE L’IA SYMBOLIQUE ET DE LA RECHERCHE HEURISTIQUE

Chapitre I. Introduction à l’Intelligence Artificielle et à la Résolution de Problèmes

La conférence de Dartmouth de 1956 a posé l’hypothèse fondatrice de l’IA : tout aspect de l’intelligence peut être si précisément décrit qu’une machine peut être fabriquée pour le simuler. Ce chapitre déconstruit cette proposition en la ramenant à son noyau technique : la résolution de problèmes. Nous y établissons une méthodologie stricte pour transformer un défi du monde réel, comme l’optimisation des tournées de distribution à Kinshasa, en un modèle formel manipulable par un algorithme. L’étudiant forgera la compétence de base de tout ingénieur IA : représenter un problème en espace d’états.

I.1 Formalisation des problèmes : Espaces d’états et graphes

Une formalisation rigoureuse constitue la première étape de toute solution IA. Ce sous-chapitre enseigne comment abstraire un problème complexe en un ensemble défini d’états, d’actions, de transitions et de coûts, matérialisé par une structure de graphe. L’application directe en RDC est la modélisation du réseau de transport fluvial sur le fleuve Congo, avec ses ports (nœuds) et ses routes navigables (arêtes). La compétence développée est la capacité à traduire un cahier des charges métier en une structure de données mathématiquement saine, prête pour l’analyse algorithmique.

I.2 Algorithmes de recherche non-informée (aveugle)

Face à une méconnaissance totale de la structure d’un problème, les stratégies de recherche aveugle fournissent une méthode systématique d’exploration. Ce module analyse en profondeur les algorithmes de recherche en largeur (BFS) et en profondeur (DFS), en se concentrant sur leurs garanties de complétude et d’optimalité. Pour un problème comme la recherche de toutes les pannes possibles dans un circuit électrique de la SNEL, cette approche garantit l’exhaustivité. L’étudiant apprendra à implémenter ces algorithmes et à justifier leur usage dans des contextes où aucune heuristique n’est disponible.

I.3 Complexité algorithmique : Analyse de la performance

Sous l’angle de l’efficacité computationnelle, un algorithme n’est viable que si ses besoins en temps et en mémoire sont maîtrisés. Cette section introduit les outils formels de l’analyse de complexité, notamment la notation Big O. L’étude de la complexité exponentielle des recherches aveugles (O(b^d)) démontre leur inutilité pratique pour des problèmes à grande échelle, comme la planification logistique nationale. L’ingénieur acquerra ici une compétence critique : évaluer a priori la faisabilité d’une approche algorithmique avant d’écrire une seule ligne de code, économisant ainsi des ressources de développement considérables.

I.4 Stratégies de recherche itérative et à mémoire limitée

Pour contourner l’explosion mémorielle de la recherche en largeur, des techniques plus sophistiquées sont nécessaires. Ce segment se concentre sur la recherche à approfondissement itératif (IDDFS) et les algorithmes à mémoire limitée comme RBFS. Ces méthodes combinent les avantages de BFS et DFS. Leur application est cruciale pour les systèmes embarqués, tels que les capteurs autonomes déployés pour le suivi de la faune dans le parc des Virunga, qui disposent de ressources RAM très limitées. L’étudiant saura concevoir des solutions de recherche robustes pour des environnements matériels contraints.

Chapitre II. Méthodes de Recherche Heuristique et Optimisation

La recherche aveugle est un outil puissant mais brutal. Son inefficacité face à des problèmes combinatoires complexes, comme l’optimisation des routes de collecte de minerais au Katanga, impose de repenser la stratégie. Ce chapitre introduit le concept d’information : l’heuristique. Il s’agit d’intégrer une connaissance du domaine dans l’algorithme pour guider la recherche intelligemment vers la solution. L’objectif est de transformer une exploration exhaustive en une quête ciblée. L’étudiant forgera la compétence de concevoir des fonctions heuristiques efficaces pour résoudre des problèmes d’optimisation concrets.

II.1 Principes de la recherche informée : Fonctions heuristiques

L’heuristique, en tant que principe directeur, est une estimation “éduquée” du coût restant pour atteindre un but. Ce module dissèque les propriétés mathématiques d’une bonne heuristique, notamment l’admissibilité et la consistance, qui sont essentielles pour garantir l’optimalité de la solution trouvée. L’exemple pratique sera la création d’une fonction de distance pour un planificateur de trajet à Lubumbashi, qui doit prendre en compte non seulement la distance à vol d’oiseau mais aussi la densité du trafic. La compétence visée est la conception et la validation de fonctions heuristiques spécifiques à un domaine.

II.2 Algorithmes de recherche gloutonne et A* (A-star)

Une connaissance approfondie de l’algorithme A est non négociable pour tout ingénieur IA. Ce sous-chapitre le met en contraste avec l’approche gloutonne (Best-First) pour démontrer l’équilibre crucial entre le coût déjà parcouru (g(n)) et le coût estimé restant (h(n)). Son application pour déterminer le tracé optimal d’un pipeline ou d’une ligne à haute tension en RDC, minimisant les coûts de construction et l’impact environnemental, est directe. L’étudiant maîtrisera l’implémentation de A et sa capacité à trouver le chemin le moins coûteux de manière prouvée.

II.3 Heuristiques pour les problèmes de satisfaction de contraintes (CSP)

Au-delà de la simple recherche de chemin, de nombreux problèmes industriels sont des CSP. Ce segment modélise des défis comme l’affectation des fréquences radio pour les opérateurs télécoms en RDC ou la planification des horaires de cours à l’université. L’accent est mis sur les heuristiques spécifiques aux CSP, telles que le choix de la variable la plus contrainte ou de la valeur la moins contraignante, pour élaguer massivement l’arbre de recherche. L’étudiant apprendra à transformer un problème de planification complexe en un CSP et à le résoudre efficacement.

II.4 Algorithmes de recherche locale : Hill Climbing et Recuit Simulé

Face à des espaces de recherche trop vastes pour être explorés entièrement, la recherche locale offre une approche pragmatique pour trouver de bonnes solutions, sinon optimales. Ce module explore l’algorithme de Hill Climbing et sa principale faiblesse (les optima locaux), puis introduit le Recuit Simulé comme une solution probabiliste pour y échapper. L’application typique est l’optimisation du portefeuille d’investissements pour une banque à Gombe, cherchant à maximiser le rendement tout en minimisant le risque. L’étudiant saura implémenter ces métaheuristiques pour des problèmes d’optimisation à grande échelle.

Chapitre III. Représentation des Connaissances et Systèmes Experts

Le concept de système expert, issu des travaux de Feigenbaum, constitue la colonne vertébrale de l’IA symbolique. Il s’agit de capturer l’expertise d’un spécialiste humain dans une base de connaissances et de la coupler à un moteur d’inférence pour automatiser le raisonnement. Ce chapitre est entièrement consacré à cette architecture. Nous allons construire, pas à pas, un système capable de poser un diagnostic ou de fournir une recommandation argumentée. L’application en RDC pour l’aide au diagnostic médical dans les zones rurales sans médecin spécialiste est une évidence. L’étudiant forgera la compétence de structurer et d’automatiser l’expertise.

III.1 Logique propositionnelle et logique du premier ordre

Fondement de l’IA symbolique, la logique formelle fournit le langage pour représenter la connaissance de manière non-ambiguë. Ce sous-chapitre couvre la syntaxe et la sémantique de la logique propositionnelle, puis démontre ses limites avant d’introduire la puissance expressive de la logique du premier ordre avec ses prédicats et quantificateurs. L’exercice pratique consistera à traduire une section du code minier congolais en un ensemble de règles logiques. La compétence acquise est la capacité à modéliser des connaissances complexes dans un formalisme interprétable par une machine.

III.2 Moteurs d’inférence : Chaînage avant et chaînage arrière

Le mécanisme de raisonnement d’un système expert repose sur son moteur d’inférence. Cette section décortique les deux stratégies fondamentales : le chaînage avant (data-driven), qui part des faits pour déduire de nouvelles conclusions, et le chaînage arrière (goal-driven), qui part d’une hypothèse pour chercher les faits qui la prouvent. L’application à un système de diagnostic agronomique pour les cultures de manioc est éclairante : le chaînage avant identifie les maladies à partir des symptômes observés. L’étudiant saura implémenter un moteur d’inférence simple et choisir la stratégie adéquate.

III.3 Conception d’une base de connaissances : Faits et règles

L’extraction et la structuration de l’expertise humaine sont le goulot d’étranglement de la conception des systèmes experts. Ce module fournit une méthodologie pour l’ingénierie de la connaissance : interviews d’experts, identification des concepts clés, et formalisation en règles de production de type “SI… ALORS…”. Le cas d’étude sera la construction d’une base de connaissances pour un système d’aide à la maintenance préventive des engins de chantier de la Gécamines. L’étudiant apprendra à transformer le savoir tacite d’un expert en une base de règles explicites et actionnables.

III.4 Applications et limites des systèmes experts

Malgré leur succès dans les années 80, les systèmes experts classiques ont des limites techniques claires. Cette section analyse de manière critique leur fragilité face à des données incomplètes ou incertaines, et leur incapacité à apprendre de l’expérience. L’échec d’un système expert rigide pour prédire l’évolution des prix sur le marché de la cassitérite, soumis à des facteurs non formalisés, illustre parfaitement ces faiblesses. L’ingénieur acquerra une vision critique lui permettant de juger quand un système expert est la bonne solution, et quand il faut se tourner vers des approches d’apprentissage automatique.

PARTIE 2 : MÉCANISMES DE RAISONNEMENT ET SYSTÈMES À BASE DE CONNAISSANCES

Chapitre IV. Recherche Heuristique et Optimisation de Parcours

La saturation des algorithmes de recherche exhaustive face à la complexité combinatoire des problèmes réels impose un changement de paradigme. Ce chapitre critique les limites de la recherche en largeur ou en profondeur pour introduire la puissance des heuristiques. En appliquant ces techniques à l’optimisation des tournées de livraison dans la conurbation de Kinshasa, l’analyse devient concrète. L’étudiant forgera une compétence stratégique : modéliser un problème complexe sous forme de graphe d’états et implémenter un algorithme de recherche informée, comme A*, pour trouver des solutions optimales avec une efficacité calculatoire drastiquement améliorée.

IV.1 Stratégies de recherche informée et fonctions d’évaluation

Face à la complexité exponentielle des espaces de recherche, les méthodes aveugles s’avèrent inopérantes. Une connaissance approfondie des stratégies de recherche informée, qui utilisent des informations spécifiques au problème pour guider la recherche, est donc fondamentale. Ce module dissèque la construction de fonctions d’évaluation (heuristiques) et leur rôle crucial dans l’estimation du coût pour atteindre un but. L’étudiant apprendra à quantifier la “promesse” d’un nœud, une compétence essentielle pour prioriser l’exploration et éviter les impasses algorithmiques dans des contextes logistiques congolais.

IV.2 L’algorithme A* : optimalité et complétude

Formalisé en 1968 par Peter Hart, Nils Nilsson et Bertram Raphael, l’algorithme A constitue la pierre angulaire de la recherche de chemin optimal. Sa force réside dans sa capacité à garantir l’optimalité de la solution si l’heuristique utilisée est admissible, c’est-à-dire si elle ne surestime jamais le coût réel. Ce sous-chapitre se concentre sur la preuve de ses propriétés et son implémentation rigoureuse. L’ingénieur maîtrisera le déploiement d’A pour des applications critiques, comme le routage de fibre optique à travers le territoire national.

IV.3 Conception d’heuristiques admissibles et consistantes

Sous l’angle de la performance, la qualité de l’algorithme A* dépend entièrement de la pertinence de sa fonction heuristique. Une heuristique mal conçue peut anéantir les gains de performance, voire compromettre l’optimalité de la solution. Cette section technique détaille les méthodes de conception d’heuristiques admissibles et consistantes, en s’appuyant sur la relaxation de problèmes. L’apprenant développera la capacité de créer des estimateurs efficaces pour des problèmes spécifiques, par exemple en calculant la distance de Manhattan pour optimiser les déplacements d’entrepôts à Goma.

IV.4 Algorithmes de recherche locale et optimisation stochastique

Pour les problèmes d’optimisation où le chemin vers la solution importe peu, les algorithmes de recherche locale offrent une alternative puissante. Des techniques comme la méthode du simplexe (hill-climbing) ou le recuit simulé explorent l’espace des solutions en se déplaçant itérativement vers des configurations voisines de meilleure qualité. Ce segment analyse leur application à l’optimisation des plans de fréquences pour les opérateurs télécoms en RDC. L’étudiant saura implémenter ces métaheuristiques pour trouver des solutions quasi-optimales à des problèmes NP-difficiles.

Chapitre V. Logique, Représentation des Connaissances et Inférence

La transition de la programmation impérative vers la représentation déclarative des connaissances marque la naissance de l’IA symbolique. Ce chapitre s’ancre dans le concept forgé par John McCarthy : un système intelligent doit pouvoir raisonner sur ce qu’il sait. Nous délaissons le “comment” pour le “quoi”, en structurant l’information via la logique formelle. L’application directe sera la modélisation des réglementations du droit minier congolais pour en vérifier la cohérence. L’étudiant acquerra une compétence rare : traduire un corpus de règles métier en une base de connaissances formelle et interrogeable.

V.1 Logique des propositions : syntaxe, sémantique et limites

Pivot de la logique classique, la logique des propositions fournit le premier appareil formel pour modéliser le raisonnement. Elle opère sur des énoncés atomiques considérés comme vrais ou faux, connectés par des opérateurs (ET, OU, NON). Ce module en établit la syntaxe rigoureuse et la sémantique via les tables de vérité, avant d’en exposer les limites expressives. L’étudiant apprendra à manipuler les formes normales conjonctives et disjonctives, un prérequis indispensable pour comprendre le fonctionnement des solveurs SAT appliqués à la vérification de circuits.

V.2 Logique du premier ordre : prédicats, quantificateurs et expressivité

Dépassant les limites de la logique propositionnelle, la logique du premier ordre introduit les prédicats, les variables et les quantificateurs (universel ∀, existentiel ∃). Cette richesse expressive permet de modéliser des relations complexes entre objets, comme “tous les gisements de cuivre du Katanga contiennent du cobalt”. Cette section est dédiée à sa syntaxe et sa sémantique, socle de la plupart des systèmes à base de connaissances. L’apprenant maîtrisera la traduction de phrases du langage naturel en formules prédicatives précises et non ambiguës.

V.3 Unification et principe de résolution de Robinson

Mécanisme algorithmique central de l’inférence en logique du premier ordre, l’unification détermine si deux expressions peuvent être rendues identiques par substitution de variables. Ce processus est le moteur du principe de résolution, une règle d’inférence unique et complète formalisée par Alan Robinson en 1965, qui permet de prouver des théorèmes par réfutation. Ce sous-chapitre technique en détaille l’implémentation. L’étudiant sera capable de programmer un unificateur et de l’appliquer pour automatiser des déductions logiques complexes.

V.4 Moteurs d’inférence : chaînage avant et chaînage arrière

Deux stratégies fondamentales gouvernent le fonctionnement des moteurs d’inférence : le chaînage avant et le chaînage arrière. Le premier, guidé par les données, sature la base de faits en appliquant les règles jusqu’à ce qu’aucune nouvelle conclusion ne puisse être tirée. Le second, guidé par le but, décompose une requête en sous-buts jusqu’à atteindre les faits connus. Ce segment compare leur efficacité respective pour des applications concrètes, comme le diagnostic médical. L’étudiant saura choisir et implémenter la stratégie d’inférence la plus adaptée à un problème donné.

Chapitre VI. Conception de Systèmes Experts

La controverse sur la “fragilité” des premiers systèmes experts comme MYCIN, incapables de raisonner hors de leur domaine ultra-spécifique, a imposé une ingénierie de la connaissance plus robuste. Ce chapitre tranche ce débat en présentant les architectures modernes qui séparent rigoureusement la base de connaissances du moteur d’inférence. L’objectif est de construire un prototype de système expert pour l’aide à la décision en agronomie, adapté aux sols et climats du Bas-Congo. L’étudiant forgera la compétence de bout-en-bout : de l’extraction du savoir expert à l’implémentation d’un système fonctionnel.

VI.1 Architecture d’un système expert

Structurée autour de trois piliers, l’architecture canonique d’un système expert dissocie la base de connaissances (les règles et les faits), le moteur d’inférence (le mécanisme de raisonnement) et l’interface utilisateur. Cette modularité est la clé de sa maintenabilité et de son évolutivité. Ce module dissèque chaque composant, en insistant sur les flux d’informations et les protocoles d’interaction. L’étudiant apprendra à concevoir le schéma directeur d’un système expert, garantissant la séparation claire entre le savoir et son exploitation algorithmique.

VI.2 Ingénierie de la connaissance : acquisition et modélisation

Considérée comme le goulot d’étranglement du développement de systèmes experts, l’ingénierie de la connaissance est le processus structuré d’extraction, d’analyse et de modélisation du savoir d’un expert humain. Cette section présente des techniques d’entretien (structuré, semi-structuré) et des méthodes de formalisation comme les arbres de décision ou les réseaux sémantiques. L’apprenant développera des compétences méthodologiques pour transformer une expertise tacite, par exemple celle d’un géologue minier, en une base de règles explicites et exploitables par une machine.

VI.3 Gestion de l’incertitude : facteurs de confiance et raisonnement bayésien

Pour pallier la rigidité de la logique binaire face aux données du monde réel, souvent incomplètes ou incertaines, l’introduction de mécanismes de gestion de l’incertitude est impérative. Ce sous-chapitre explore les facteurs de confiance, popularisés par le système MYCIN, et introduit la puissance du raisonnement probabiliste via les réseaux bayésiens. L’étudiant maîtrisera les techniques permettant de quantifier et de propager l’incertitude dans une chaîne de raisonnement, une compétence cruciale pour construire des systèmes d’aide au diagnostic médical fiables en RDC.

VI.4 Étude de cas : prototypage d’un système d’aide au diagnostic agricole

L’application concrète des savoirs est le sceau de la maîtrise. Ce module final guide l’étudiant dans le développement d’un prototype de système expert de A à Z, en utilisant un langage comme Prolog ou un shell de développement dédié. Le cas d’étude portera sur l’identification des maladies du manioc à partir de symptômes observés, un enjeu socio-économique majeur en RDC. À l’issue de ce projet, l’étudiant aura validé sa capacité à livrer une solution d’IA fonctionnelle, répondant à un besoin local précis.

ANNEXES

A. Guide Pratique des Librairies Python pour l’IA

Une maîtrise opérationnelle des écosystèmes Python constitue le socle de l’ingénieur en IA. Cette annexe fournit un guide d’implémentation dense pour les librairies Scikit-learn, Pandas et TensorFlow, en les appliquant directement aux compétences visées par l’UE. Chaque fonction est illustrée par un cas d’usage concret, comme la classification d’images de minerais ou la prédiction de séries temporelles pour les revenus d’une PME de Kinshasa. L’étudiant forgera ainsi la capacité de déployer un pipeline de Machine Learning complet, du pré-traitement des données à l’évaluation du modèle.

B. Jeu de Données Annoté sur l’Agriculture du Kivu

Face à l’impératif de sécurité alimentaire, l’analyse prédictive offre des leviers de croissance inédits. Ce jeu de données, spécifiquement assemblé pour ce cours, contient 10 000 entrées simulées mais réalistes sur les rendements de maïs et de manioc dans le Nord et Sud-Kivu, corrélées à des variables climatiques, pédologiques et aux prix du marché local. En s’exerçant sur ces données, l’apprenant développera une expertise tangible dans la modélisation agronomique. Il sera capable de construire des algorithmes d’aide à la décision pour optimiser les calendriers de plantation.

C. Cadre Juridique et Éthique de l’IA en RDC

Inspirée par les principes de souveraineté numérique, la RDC élabore son cadre réglementaire pour l’IA. Cette section analyse les implications de la loi sur la protection des données personnelles et du projet de loi sur le numérique pour les développeurs d’IA, en insistant sur la gestion des biais algorithmiques dans un contexte multiethnique. L’étude se concentre sur la responsabilité de l’ingénieur dans la conception de systèmes experts pour des secteurs critiques comme la justice ou la santé publique. L’étudiant acquerra la compétence d’auditer un système pour sa conformité éthique et légale.

D. Étude de Cas : Optimisation Logistique Minière au Katanga par Algorithme A*

Sous l’angle de l’optimisation des chaînes de valeur extractives, la logistique est le goulot d’étranglement majeur. Cette étude de cas détaillée modélise le défi du transport de cobalt du Lualaba vers le port de Matadi comme un problème de recherche de chemin optimal dans un graphe pondéré. Elle démontre l’application de l’algorithme A* pour minimiser un coût composite incluant la distance, l’état des routes, les péages et les risques sécuritaires. L’ingénieur apprendra à traduire un problème industriel complexe en un modèle formel et à implémenter une solution algorithmique robuste.

Lire aussi :

Cours de Télédétection Optique Spatiale, Radar et Gestion des Données LIDAR, master-1, TOS2121

Cours de Réseaux de Télécommunication, licence-4, RTE1471

Cours de Gestion et Technologie de Traitement et Valorisation des Déchets, master-2, GTV2231

Cours de Mathématique des assurances, master-1, MAS2111

Cours de Initiation au système d'information, licence-3, ISI1361

Cours de Audit et plan de la sécurité informatique, master-2, APS2141