Introduction au domaine émergent de l’IA neuro-symbolique

Aujourd’hui, grâce à la croissance rapide de l’intelligence artificielle (AI) et à la disponibilité croissante de puissance de calcul, des modèles d’IA avancés sont lancés plus rapidement que jamais. En fait, le secteur de l’IA stimule des innovations importantes dans de nombreux secteurs.

Par exemple, dans le secteur de la santé, des systèmes d’IA sont utilisés pour faciliter des tâches comme l’analyse d’images médicales en vue d’un diagnostic précoce. Cependant, comme toute technologie, l’IA a ses limites.

La transparence est une préoccupation majeure. Par exemple, un modèle de détection d’objets peut localiser avec précision une tumeur sur une IRM cérébrale, mais il peut être difficile de comprendre comment le modèle est arrivé à cette conclusion. Ce manque d’explicabilité complique la tâche des médecins et des chercheurs qui souhaitent accorder leur confiance aux résultats de l’IA ou les valider.

C’est précisément pourquoi l’intérêt pour le domaine émergent de l’IA neuro-symbolique grandit. L’IA neuro-symbolique associe les capacités de reconnaissance des motifs de l’apprentissage profond au raisonnement structuré fondé sur des règles de l’IA symbolique. L’objectif est de créer des systèmes capables de produire des prédictions précises, mais aussi d’expliquer leur raisonnement d’une manière compréhensible pour les humains.

Dans cet article, nous allons voir comment fonctionne l’intelligence artificielle neuro-symbolique et comment elle associe apprentissage et raisonnement pour créer des systèmes plus transparents et sensibles au contexte.

Les deux facettes de l’IA neuro-symbolique : apprentissage et raisonnement#

Avant d’examiner l’IA neuro-symbolique, regardons de plus près les deux sous-domaines qu’elle réunit : l’apprentissage profond et l’IA symbolique.

L’apprentissage profond vise à reconnaître des motifs dans les données, tandis que l’IA symbolique s’appuie sur des règles, la logique ou le bon sens pour raisonner sur des problèmes. Chacune de ces approches a ses points forts, mais aussi ses limites. En les combinant, l’IA neuro-symbolique crée des systèmes capables à la fois d’apprendre à partir des données et d’expliquer plus clairement leurs décisions.

Présentation de l’apprentissage profond#

L’apprentissage profond est une branche de l’apprentissage automatique qui utilise des réseaux de neurones artificiels, inspirés de manière schématique par le traitement de l’information dans le cerveau. Ces réseaux apprennent en analysant de grandes quantités de données et en ajustant leurs connexions internes pour améliorer leurs performances.

Cela leur permet de reconnaître des motifs dans les images, les sons et les textes sans avoir besoin de règles conçues manuellement pour chaque situation. C’est pourquoi l’apprentissage profond est très efficace pour les tâches axées sur la perception, comme la reconnaissance d’images, le traitement de la parole et la traduction automatique.

Un bon exemple est un modèle de vision par ordinateur entraîné à segmenter des objets dans des images. Avec suffisamment d’exemples étiquetés, il peut apprendre à distinguer les routes, les véhicules et les piétons dans des vidéos de circulation en temps réel.

Cependant, malgré leur précision, les modèles d’apprentissage profond ont souvent du mal à expliquer clairement comment ils sont arrivés à un résultat précis. Ce défi, communément appelé le problème de la boîte noire, complique l’interprétation ou la vérification des décisions du modèle, en particulier dans des domaines sensibles comme la santé ou la finance. Il est important, car une IA responsable exige de la transparence, de la confiance et la capacité de comprendre pourquoi un modèle a produit une prédiction donnée.

Exploration de l’IA symbolique#

L’IA symbolique adopte une approche plus structurée de l’intelligence et de la prise de décision. Elle représente les connaissances à l’aide de symboles et applique des règles logiques pour les exploiter, comme nous utilisons le raisonnement et le langage pour résoudre des problèmes. Chaque étape du processus de raisonnement est définie, ce qui rend les décisions de l’IA symbolique transparentes et plus faciles à expliquer.

Le raisonnement symbolique fonctionne particulièrement bien pour les tâches qui suivent des règles claires et bien définies, comme la planification, l’ordonnancement ou la gestion de connaissances structurées. Cependant, l’IA symbolique a du mal à traiter les données non structurées ou les situations qui ne correspondent pas parfaitement à des catégories prédéfinies.

Les premiers programmes d’échecs sont un exemple courant d’approche symbolique en action. Ils suivaient des règles conçues manuellement et des stratégies fixes au lieu d’apprendre des parties précédentes ou de s’adapter à différents adversaires. Leur jeu avait donc tendance à être rigide et prévisible.

Fig. 1. Structure de l’IA et de ses sous-domaines. (Image de l’auteur)

Qu’est-ce que l’IA neuro-symbolique ?#

Dans les années 2010, à mesure que l’apprentissage profond se généralisait, les chercheurs ont commencé à chercher des moyens d’aller au-delà de la simple reconnaissance de motifs pour comprendre les relations et le contexte. Cette évolution a permis aux modèles d’IA non seulement de détecter des objets dans une scène, comme un chat et un tapis, mais aussi d’interpréter les relations entre ces objets, par exemple de reconnaître que le chat est assis sur le tapis.

Cependant, ces progrès ont également mis en évidence une limite fondamentale. Les modèles d’apprentissage profond reconnaissent très bien les motifs, mais ils ont souvent du mal à expliquer leur raisonnement ou à gérer des situations inconnues. Ce regain d’intérêt pour le raisonnement a ramené les chercheurs vers un domaine qui existe depuis les années 1980 : l’IA neuro-symbolique.

L’IA neuro-symbolique intègre l’apprentissage profond et l’IA symbolique. Elle permet aux modèles d’apprendre à partir d’exemples, comme le fait l’apprentissage profond, tout en appliquant la logique et le raisonnement, comme le fait l’IA symbolique.

En bref, l’IA neuro-symbolique peut reconnaître des informations, comprendre le contexte et expliquer plus clairement ses décisions. Cette approche nous rapproche de la création de systèmes d’IA plus fiables et au comportement plus humain.

Fig. 2. Comprendre l’IA neuro-symbolique (Image de l’auteur)

Principes de fonctionnement de l’IA neuro-symbolique#

Une architecture neuro-symbolique réunit apprentissage et raisonnement au sein d’un même cadre. Elle comprend généralement trois parties principales : une couche de perception neuronale qui interprète les données brutes, une couche de raisonnement symbolique qui applique la logique et une couche d’intégration qui relie les deux. Examinons maintenant chacune de ces couches plus en détail.

La couche de perception neuronale#

Le composant de perception neuronale traite des données non structurées, comme des images, des vidéos, des textes ou de l’audio, et les convertit en représentations internes que le système peut exploiter. Il utilise généralement des modèles d’apprentissage profond pour détecter des motifs et identifier des objets ou des caractéristiques dans les données d’entrée. À ce stade, le système reconnaît ce qui est présent dans les données, mais ne raisonne pas encore sur leur signification, leurs relations ou leur contexte.

Voici quelques types courants de modèles d’apprentissage profond utilisés dans cette couche :

• Les réseaux de neurones convolutifs (CNNs) sont un type de réseau de neurones conçu pour traiter des données organisées en grille, comme les images. Les CNNs utilisent des filtres de convolution qui parcourent une image pour détecter des motifs comme les contours, les textures et les formes. En combinant ces motifs, ils apprennent à reconnaître des objets comme des voitures, des fruits et des personnes.
• Transformers : Les Transformers sont des modèles conçus pour comprendre les relations entre les différentes parties d’une entrée. Au lieu de traiter les informations strictement dans l’ordre, ils peuvent examiner plusieurs parties des données en même temps et déterminer lesquelles sont les plus importantes. Cela les aide à comprendre le contexte dans un texte, une image ou les deux. Grâce à cette flexibilité, les Transformers constituent l’architecture centrale de la plupart des modèles de langage modernes et de nombreux systèmes de vision et langage.
• Les réseaux de neurones récurrents (RNNs) sont conçus pour analyser des données séquentielles, comme la parole ou les signaux de séries temporelles. Ils conservent en mémoire les entrées précédentes, ce qui permet à leurs prédictions de tenir compte du contexte au fil du temps.

En définitive, ces modèles neuronaux extraient des caractéristiques pertinentes des données brutes et les représentent. Cette sortie devient ensuite l’entrée de la couche de raisonnement symbolique, qui interprète et analyse ce que le système a détecté.

La couche de raisonnement symbolique#

La couche de raisonnement symbolique traite les informations produites par la couche de perception neuronale et leur donne du sens à l’aide de la logique. Au lieu de se baser uniquement sur des motifs, elle s’appuie sur des éléments comme des règles, des graphes de connaissances, des bases de connaissances et des ontologies (des descriptions structurées de concepts et de leurs relations). Ces éléments aident le système à comprendre comment les différents éléments s’articulent et quelles actions sont pertinentes dans une situation donnée.

Par exemple, dans une voiture autonome, la couche de perception neuronale peut reconnaître un feu rouge dans le flux vidéo de la caméra. La couche de raisonnement symbolique peut alors appliquer une règle telle que : « Si le feu est rouge, le véhicule doit s’arrêter. » Comme le raisonnement repose sur des règles claires, les décisions du système sont plus faciles à expliquer et à vérifier, ce qui est particulièrement important lorsque la sécurité et la responsabilité sont en jeu.

La couche d’intégration#

La couche d’intégration relie la couche de perception neuronale et la couche de raisonnement symbolique, afin que l’apprentissage et le raisonnement fonctionnent de concert. Dans un sens, elle convertit les sorties des modèles neuronaux (par exemple, la détection d’un piéton) en représentations symboliques qui décrivent l’objet et ses attributs.

Dans l’autre sens, elle prend des règles symboliques (par exemple, « un véhicule doit s’arrêter si un piéton se trouve sur un passage piéton ») et les convertit en signaux qui guident les modèles neuronaux. Cela peut consister à mettre en évidence des zones pertinentes d’une image, à influencer l’attention ou à orienter les chemins de décision du modèle.

Cet échange bidirectionnel forme une boucle de rétroaction. Le volet neuronal gagne en structure et en interprétabilité grâce aux règles symboliques, tandis que le volet symbolique peut mieux s’adapter aux données du monde réel. Des techniques comme les réseaux neuronaux logiques (LNN) facilitent cette interaction en intégrant directement des contraintes logiques aux architectures neuronales.

En reliant ainsi la perception et le raisonnement, l’IA neuro-symbolique peut produire des décisions à la fois précises et plus faciles à interpréter. De nombreux chercheurs voient cette approche comme une étape prometteuse vers une IA plus fiable et mieux alignée sur les humains, et potentiellement comme un fondement des avancées futures vers l’intelligence artificielle générale (AGI).

Applications de l’IA neuro-symbolique#

Maintenant que nous comprenons mieux ce qu’est l’IA neuro-symbolique et son fonctionnement, examinons quelques-uns de ses cas d’usage réels.

Améliorer la sécurité au volant : de la détection des piétons à leur compréhension#

Les véhicules autonomes doivent comprendre leur environnement pour fonctionner en toute sécurité. Ils utilisent des technologies comme la vision par ordinateur pour détecter les piétons, les véhicules, le marquage au sol et les panneaux de signalisation.

Bien que les modèles d’apprentissage profond puissent identifier ces objets avec précision, ils ne comprennent pas toujours ce que ces objets signifient dans leur contexte ni leurs relations dans une situation réelle. Par exemple, un modèle neuronal peut reconnaître un piéton sur un passage piéton sans pouvoir déterminer si la personne s’apprête à traverser ou si elle attend simplement.

L’IA neuro-symbolique tente de combler cet écart en permettant aux véhicules autonomes de combiner la reconnaissance visuelle et le raisonnement logique, afin d’interpréter les situations plutôt que de simplement identifier les objets. Des recherches récentes en IA ont montré que les systèmes qui combinent perception neuronale et règles symboliques peuvent améliorer la prédiction du comportement des piétons.

Dans ces systèmes, le composant neuronal analyse des indices visuels comme la posture, le mouvement et la position d’un piéton. Le composant symbolique applique ensuite des règles logiques en tenant compte de facteurs tels que la proximité de la personne avec un passage piéton ou l’indication du feu de circulation.

En combinant ces deux perspectives, le système neuro-symbolique peut faire plus que simplement détecter un piéton. Il peut raisonnablement prédire si le piéton est susceptible de traverser et expliquer pourquoi il a pris cette décision. Cela permet aux véhicules autonomes d’adopter un comportement plus sûr et plus transparent.

Fig. 3. Prédire le comportement des piétons à partir des observations grâce à l’IA neuro-symbolique. (Source)

Interprétation logique dans les systèmes de questions-réponses visuelles#

Une autre application importante de l’IA neuro-symbolique est la réponse à des questions sur des images (VQA). Les systèmes VQA sont conçus pour répondre à des questions sur des images.

Cette approche réunit des grands modèles de langue (LLMs) et des modèles visuels pour effectuer un raisonnement multimodal, en combinant ce que le système voit et ce qu’il comprend. Par exemple, si on présente une image à un système VQA et qu’on lui demande : « La tasse est-elle sur la table ? », il doit reconnaître les objets, mais aussi comprendre la relation entre eux. Il doit déterminer si la tasse se trouve réellement sur la table dans la scène.

Une étude récente a montré comment l’IA neuro-symbolique peut améliorer les systèmes VQA en intégrant la perception neuronale et le raisonnement symbolique. Dans le système proposé, le réseau neuronal commence par analyser l’image pour reconnaître les objets et leurs attributs, comme la couleur, la forme ou la taille.

Le composant de raisonnement symbolique applique ensuite des règles logiques pour interpréter les relations entre ces objets et répondre à la question. Si on lui demande « Combien y a-t-il de cylindres gris dans la scène ? », le composant neuronal identifie tous les cylindres et leurs couleurs, tandis que le composant symbolique les filtre selon les critères et compte ceux qui conviennent.

Fig. 4. Exemples de scénarios VQA qui nécessitent des connaissances abstraites et de la logique. (Source)

Ces recherches montrent que les systèmes VQA neuro-symboliques peuvent aller au-delà de la simple fourniture de réponses. Comme le modèle peut présenter les étapes qui l’ont mené à une conclusion, il contribue à l’IA explicable, dans laquelle les systèmes formulent des prédictions et justifient leur raisonnement de manière compréhensible.

Avantages et inconvénients de l’IA neuro-symbolique#

Voici quelques-uns des principaux avantages de l’utilisation de l’IA neuro-symbolique :

• Capacités de raisonnement accrues : Contrairement aux modèles d’apprentissage profond purs, l’IA neuro-symbolique peut effectuer des tâches qui nécessitent un raisonnement en plusieurs étapes, de la planification, le respect de règles et le traitement de domaines de connaissances structurés, où l’IA symbolique excelle traditionnellement.
• Adaptabilité : Ces systèmes sont efficaces sur des tâches nouvelles ou inédites, car ils peuvent raisonner logiquement au-delà de ce sur quoi ils ont été entraînés. Au lieu de simplement mémoriser des données, ils comprennent les relations et les motifs.
• Résistance au bruit et à l’ambiguïté : Les contraintes logiques peuvent aider à éviter les erreurs lorsque les données sont bruitées, incomplètes ou ambiguës. La couche de raisonnement peut appliquer des règles qui orientent ou corrigent les prédictions neuronales.

Malgré son potentiel, l’IA neuro-symbolique est encore en évolution et présente certains défis pratiques. Voici quelques-unes de ses principales limites :

• Intégration complexe : Bien que ce cadre hybride offre une grande interprétabilité, concevoir des algorithmes qui associent perception et raisonnement reste difficile.
• Évolutivité : Le raisonnement symbolique peut devenir lent ou coûteux en calcul lorsqu’il traite de grands graphes de connaissances ou des ensembles de règles complexes. Le déploiement efficace d’applications en temps réel, comme la conduite autonome, le traitement vidéo ou le raisonnement à grande échelle sur les connaissances, peut alors devenir plus difficile.
• Robustesse du raisonnement : Si les règles symboliques sont trop rigides, les systèmes peuvent avoir du mal dans des situations réelles ambiguës ou imprévisibles. Trouver un équilibre entre un apprentissage flexible et un raisonnement fiable demeure un défi.

Points clés à retenir#

L’IA neuro-symbolique représente une étape importante vers la création de systèmes d’IA capables non seulement de percevoir le monde, mais aussi de raisonner à son sujet et d’expliquer leurs décisions. Contrairement aux systèmes d’apprentissage profond traditionnels, qui s’appuient surtout sur les motifs appris à partir des données, l’IA neuro-symbolique combine apprentissage statistique, logique structurée et connaissances. Plutôt que de remplacer l’apprentissage profond, elle s’appuie sur lui et nous rapproche un peu de la création d’une IA capable de comprendre et de raisonner de manière plus humaine.

Rejoins notre communauté et découvre notre dépôt GitHub. Consulte nos pages de solutions pour découvrir diverses applications de l’IA dans l’agriculture et de la vision par ordinateur dans le secteur de la santé. Découvre nos options de licence et lance-toi dans la création de ton projet d’IA visuelle !