Lien entre incertitude, imprécision, fiabilité et prédictibilité

Le terme ``incertitude'' est très vague en lui-même. Dans notre cas, les points suivants sont a priori sujets à l'incertitude:

• l'état du système, à un instant donné
• la transition d'un état supposé connu à un autre, à un instant donné
• la validité du choix d'une action ou d'une hypothèse, à un instant donné, suivant un objectif précis connu a priori (reconnaître correctement un phonème, effectuer une séquence d'actions atteignant l'objectif souhaité)
• la validité du modèle choisi pour le système (le modèle Markovien est-il adapté au problème réel ?)

L'imprécision concerne, elle, l'imperfection des données d'entrée du système. Si on suppose qu'on n'a aucun contrôle sur la qualité des données d'entrée du système, l'imprécision est une source d'incertitude. L'algorithme d'apprentissage vise à lever l'incertitude sur la validité du choix d'une action lorsqu'on connaît l'état du système. Dans le cas de l'AR, la modélisation du processus de décision par une chaîne de Markov ou une chaîne de Markov cachée signifie qu'on ne cherche pas à lever l'incertitude sur l'état obtenu après l'exécution d'une action à partir d'un état supposé connu. Enfin, l'AR n'a aucune prise sur l'incertitude sur l'état courant, ni sur celle provoquée par la topologie des états.
Nous voyons donc que l'apprentissage en lui-même ne lève qu'une partie des incertitudes. Il s'ensuit que la fiabilité du processus obtenu, ainsi que la prédictibilité du résultat de l'apprentissage en sont affectés.