Description:
Symbolic models of causal reasoning. In the AI view, causal reasoning can be compared to -and should be differentiated from -deductive reasoning, and it is interesting to examine its relationship with the reasoning on actions. The modeling problem is : generic causal relations being known, and some events occurring in some state of the world, how can its evolution be computed. Two main categories of modeling techniques are described. The first one uses logic-oriented tools : situation calculus, modal logics and chronicles. The second approach relies on the analysis of the relations between probabilistic description and action. It leads to a tool mixing together graphs and probabilities. A last part studies the learning problem : a collection of facts about events and worlds being known, how can causal relations be discovered ?
Pour l'Intelligence Artificielle, le raisonnement causal se compare à et se différencie du raisonnement déductif, et il est intéressant de le rapprocher du raisonnement sur l'action. Le problème de la modélisation est : un ensemble de relations cause/effet génériques étant connu, comment peut-on calculer effectivement l'évolution du monde quand plusieurs événements y adviennent. Nous décrivons deux grandes catégories de modélisations de la cause. La première développe des outils de type logique parmi lesquels nous nous attachons au calcul des situations, à la logique modale et aux chroniques. La seconde s'appuie sur une analyse des rapports entre description probabiliste et action, pour aboutir à une alliance entre graphes et probabilités. Une dernière partie étudie le problème de l'apprentissage, i.e. l'évolution du monde étant connue, comment retrouver les relations causales.