Introduction au domaine émergent de l’IA neuro-symbolique

De nos jours, grâce à la croissance rapide de l’intelligence artificielle (AI) et à la disponibilité croissante de la puissance de calcul, des modèles d’IA avancés sont mis à disposition plus rapidement que jamais. En fait, le secteur de l’IA stimule une innovation significative dans de nombreux domaines.

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

L’une des principales préoccupations concerne la transparence. 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 lorsqu’il s’agit d’accorder une pleine confiance aux résultats de l’IA ou de les valider.

C’est précisément pourquoi le domaine émergent de l’IA neuro-symbolique suscite un intérêt croissant. L’IA neuro-symbolique associe les capacités de reconnaissance des formes 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 examiner le fonctionnement de l’intelligence artificielle neuro-symbolique et la manière dont elle réunit apprentissage et raisonnement pour créer des systèmes plus transparents et sensibles au contexte. Commençons !

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

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

L’apprentissage profond se concentre sur la reconnaissance de formes dans les données, tandis que l’IA symbolique utilise des règles, la logique ou le bon sens pour résoudre des problèmes par le raisonnement. Chacun possède 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 neuronaux artificiels, vaguement inspirés de la manière dont le cerveau traite les informations. Ces réseaux apprennent en analysant de grandes quantités de données et en ajustant leurs connexions internes afin d’améliorer leurs performances.

Cela leur permet de reconnaître des formes dans des images, des sons et du texte sans nécessiter de règles conçues manuellement pour chaque situation. Ainsi, l’apprentissage profond est particulièrement 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 annotés, il peut apprendre à distinguer les routes, les véhicules et les piétons dans des séquences de circulation en temps réel.

Cependant, malgré leur précision, les modèles d’apprentissage profond ont souvent du mal à expliquer clairement comment ils sont parvenus à un résultat précis. Ce défi, communément appelé problème de la boîte noire, complique l’interprétation ou la vérification des décisions du modèle, notamment 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 certaine prédiction.

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, de manière comparable à notre utilisation du raisonnement et du 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.

Les connaissances symboliques fonctionnent 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 avec les données non structurées ou les situations qui ne correspondent pas précisément à des catégories prédéfinies.

Les premiers programmes d’échecs constituent un exemple courant d’approche symbolique en action. Ils suivaient des règles conçues manuellement et des stratégies fixes, plutôt que d’apprendre des parties précédentes ou de s’adapter à différents adversaires. Par conséquent, leur jeu avait tendance à être rigide et prévisible.

Fig. 1. Un aperçu de la 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 était adopté plus largement, les chercheurs ont commencé à chercher des moyens d’aller au-delà de la simple reconnaissance de formes 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 en reconnaissant 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 extrêmement bien les formes, mais ils ont souvent du mal à expliquer leur raisonnement ou à gérer des situations inconnues. Cet intérêt renouvelé pour le raisonnement a conduit les chercheurs à se tourner de nouveau 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 termes simples, l’IA neuro-symbolique peut reconnaître des informations, comprendre le contexte et fournir des explications plus claires de ses décisions. Cette approche nous rapproche de la création de systèmes d’IA qui se comportent de manière plus fiable et plus humaine.

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

Les bases du fonctionnement de l’IA neuro-symbolique#

Une architecture neuro-symbolique réunit l’apprentissage et le 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 ensuite chacune de ces couches de plus près.

La couche de perception neuronale#

Le composant de perception neuronale traite des données non structurées, comme des images, des vidéos, du texte 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 formes 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 le sens, les relations ou le contexte.

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

• Réseaux neuronaux convolutifs (CNNs) : il s’agit d’un type de réseau neuronal conçu pour traiter des données organisées en grille, comme les images. Les CNNs utilisent des filtres convolutifs pour parcourir une image et détecter des formes telles que les contours, les textures et les silhouettes. En empilant ces formes, 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 lire les informations strictement dans l’ordre, ils peuvent examiner plusieurs parties des données simultanément et déterminer lesquelles sont les plus importantes. Cela les aide à comprendre le contexte dans le texte, les images 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.
• Réseaux neuronaux récurrents (RNNs) : ce type de modèle est conçu pour analyser des données séquentielles, comme la parole ou les signaux de séries temporelles. Il conserve en mémoire les entrées précédentes, ce qui signifie que ses prédictions peuvent tenir compte du contexte au fil du temps.

En définitive, ces modèles neuronaux extraient et représentent des caractéristiques pertinentes à partir des données brutes. 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 prend les informations produites par la couche de perception neuronale et leur donne du sens à l’aide de la logique. Au lieu de s’appuyer uniquement sur des formes, elle utilise notamment des règles, des graphes de connaissances, des bases de connaissances et des ontologies (descriptions organisées des concepts et de leurs relations). Ces éléments aident le système à comprendre comment les différents éléments s’articulent et quelles actions sont appropriées dans une situation donnée.

Par exemple, dans une voiture autonome, la couche de perception neuronale peut reconnaître un feu rouge dans le flux 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 dans les situations où la sécurité et la responsabilité sont essentielles.

La couche d’intégration#

La couche d’intégration relie la couche de perception neuronale et la couche de raisonnement symbolique, afin de garantir que l’apprentissage et le raisonnement fonctionnent ensemble. Dans un sens, elle convertit les sorties des modèles neuronaux (comme 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 traduit en signaux qui orientent les modèles neuronaux. Cela peut impliquer de mettre en évidence des zones pertinentes d’une image, d’influencer l’attention ou de façonner 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 à partir de données du monde réel. Des techniques telles que les réseaux neuronaux logiques (LNNs) contribuent à rendre cette interaction possible en intégrant directement des contraintes logiques dans les architectures neuronales.

En reliant ainsi perception et raisonnement, l’IA neuro-symbolique peut produire des décisions à la fois précises et plus faciles à interpréter. De nombreux chercheurs considèrent cette approche comme une étape prometteuse vers une IA plus fiable et mieux alignée sur les humains, et potentiellement comme une base pour les progrès futurs 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 comment elle fonctionne, examinons certains de ses cas d’utilisation dans le monde réel.

Pour une conduite plus sûre : de la détection des piétons à la compréhension de leur comportement#

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, les marquages au sol et les panneaux de signalisation.

Même si les modèles d’apprentissage profond peuvent identifier ces objets avec précision, ils ne comprennent pas toujours ce que ces objets signifient dans leur contexte ni comment ils sont liés les uns aux autres dans une situation réelle. Par exemple, un modèle neuronal peut reconnaître un piéton sur un passage piéton, mais ne pas savoir s’il est sur le point de traverser ou s’il est simplement debout et attend.

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

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

En combinant ces deux perspectives, le système neuro-symbolique peut faire plus que simplement détecter un piéton. Il peut produire une prédiction raisonnable quant à la probabilité que le piéton traverse, et expliquer pourquoi il a pris cette décision. Cela permet aux véhicules autonomes d’adopter un comportement plus sûr et plus transparent.

Fig. 3. Prédictions fondées sur le comportement observé des piétons à l’aide de l’IA neuro-symbolique. (Source)

Interprétation logique dans les systèmes de questions-réponses visuelles#

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

Cette approche réunit les grands modèles de langage (LLMs) et les modèles visuels pour effectuer un raisonnement multimodal, en combinant ce que le système voit avec ce qu’il comprend. Par exemple, si un système VQA reçoit une image et la question « 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 effectivement au-dessus de la table dans la scène.

Une étude récente a montré comment l’IA neuro-symbolique peut améliorer le VQA en intégrant perception neuronale et raisonnement symbolique. Dans le système proposé, le réseau neuronal analyse d’abord 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 la question est « Combien de cylindres gris y a-t-il dans la scène ? », la partie neuronale identifie tous les cylindres et leurs couleurs, tandis que la partie symbolique les filtre selon les critères et compte ceux qui conviennent.

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

Ces recherches montrent comment le VQA neuro-symbolique peut aller au-delà de la simple fourniture de réponses. Comme le modèle peut montrer les étapes suivies pour parvenir à une conclusion, il favorise une IA explicable, dans laquelle les systèmes produisent des prédictions et justifient leur raisonnement d’une manière compréhensible pour les humains.

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 renforcées : contrairement aux modèles d’apprentissage profond purs, l’IA neuro-symbolique peut effectuer des tâches nécessitant un raisonnement en plusieurs étapes, de la planification, le respect de règles et la gestion de domaines de connaissances structurées, dans lesquels l’IA symbolique excelle traditionnellement.
• Adaptabilité : ces systèmes sont performants 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 les données, ils comprennent les relations et les formes.
• Robustesse au bruit et à l’ambiguïté : les contraintes logiques peuvent contribuer à prévenir les erreurs lorsque les données sont bruitées, incomplètes ou ambiguës. La couche de raisonnement peut imposer des règles qui orientent ou corrigent les prédictions neuronales.

Malgré son potentiel, l’IA neuro-symbolique continue d’évoluer et s’accompagne de certaines difficultés pratiques. Voici quelques-unes de ses principales limites :

• Intégration complexe : bien que ce cadre hybride offre une forte interprétabilité, la conception d’algorithmes qui fusionnent perception et raisonnement reste difficile.
• Évolutivité : le raisonnement symbolique peut devenir lent ou coûteux en ressources de calcul lorsqu’il s’agit de traiter de grands graphes de connaissances ou des ensembles de règles complexes. Cela peut compliquer le déploiement efficace d’applications en temps réel, comme la conduite autonome, le traitement vidéo ou le raisonnement à grande échelle sur les connaissances.
• Robustesse du raisonnement : si les règles symboliques sont trop rigides, les systèmes peuvent rencontrer des difficultés dans des scénarios réels ambigus ou imprévisibles. Trouver un équilibre entre apprentissage flexible et raisonnement fiable reste un défi actuel.

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 traditionnels d’apprentissage profond, qui reposent principalement sur des formes apprises à partir des données, l’IA neuro-symbolique combine l’apprentissage statistique avec une logique et des connaissances structurées. Plutôt que de remplacer l’apprentissage profond, elle s’appuie sur lui et nous rapproche un peu plus de la création d’une IA capable de comprendre et de raisonner d’une manière plus humaine.

Rejoins notre communauté et explore 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 commence à créer ton projet d’IA de vision !