Les intervalles d'Allen, ou relations d'Allen, constituent un cadre mathématique essentiel pour la représentation et le raisonnement sur le temps en intelligence artificielle. Proposée par James F. Allen en 1983, cette approche définit précisément les relations qualitatives possibles entre deux intervalles temporels. Elle distingue treize relations de base telles que « précède », « chevauche », « commence », « finit », permettant de modéliser des situations temporelles complexes. Cette granularité fine la distingue d'autres modèles temporels, comme les points temporels purs ou les simples marqueurs de début et de fin. Les intervalles d'Allen sont fondamentaux pour l'inférence temporelle, la planification automatique et l'analyse de séquences d'événements.
Cas d'usages et exemples d'utilisation
Les intervalles d'Allen sont utilisés dans la planification de tâches, la gestion de calendriers intelligents, l'analyse de récits (story understanding), la biologie computationnelle (par exemple, pour étudier l'ordre d'expression des gènes), et le raisonnement temporel dans les systèmes embarqués. Par exemple, un assistant personnel peut utiliser ces relations pour vérifier qu'un rendez-vous ne chevauche pas un autre, ou pour déduire des conflits potentiels dans un emploi du temps complexe.
Principaux outils logiciels, librairies, frameworks, logiciels
Plusieurs bibliothèques logicielles permettent de manipuler les intervalles d'Allen : PyInterval (Python), AllenIntervalAlgebra (Java), ainsi que des modules intégrés dans des frameworks de planification comme PDDL ou Temporal Logic of Actions. Des outils comme AllenAI ou le solveur CSP Gecode offrent également un support pour le raisonnement sur les intervalles temporels.
Derniers développements, évolutions et tendances
Les recherches récentes portent sur l'intégration des intervalles d'Allen avec des modèles probabilistes et l'extension à des situations multivariées ou incertaines (temporal uncertainty). L'usage de ces relations dans l'apprentissage automatique, notamment pour l'analyse de séquences (NLP, bioinformatique) ou la planification adaptative en robotique, est en pleine expansion. Les travaux récents visent également à optimiser la scalabilité des algorithmes de raisonnement pour traiter de très grands ensembles d'intervalles en temps réel.
