L'IA symbolique

Principes fondamentaux

Le fondement de l'IA symbolique repose sur l'hypothèse du système de symboles physiques, qui postule qu'un comportement intelligent peut être obtenu par la manipulation de structures de symboles. Les composants clés comprennent :

• Représentation des connaissances : Encodage des connaissances humaines et de l'expertise du domaine dans un langage formel qu'un ordinateur peut traiter. Il peut s'agir de règles logiques (déclarations "si" et "alors"), de réseaux sémantiques, de cadres ou de graphes de connaissances. Un exemple bien connu est le projet Cyc, qui vise à codifier les connaissances du sens commun.
• Moteur de raisonnement : Mécanisme d'inférence qui applique des règles logiques à la base de connaissances pour en tirer de nouvelles conclusions, résoudre des problèmes ou prendre des décisions. Cela implique souvent des techniques de logique formelle, telles que la déduction et l'induction, mises en œuvre à l'aide de langages tels que Prolog.
• Algorithmes de recherche : Méthodes d'exploration de l'espace des solutions possibles ou des chemins de raisonnement, cruciales pour des tâches telles que la planification et la résolution de problèmes.

Distinction par rapport à l'apprentissage automatique

L'IA symbolique contraste considérablement avec l'IA statistique et les approches ML comme l'apprentissage profond (DL), qui dominent l'IA moderne, en particulier dans des domaines comme la vision par ordinateur (VA). Alors que des modèles comme Ultralytics YOLO excellent dans les tâches perceptives telles que la détection d'objets et la classification d'images en apprenant des caractéristiques directement à partir des données, l'IA symbolique s'appuie sur des connaissances explicitement programmées. Cela rend les systèmes d'IA symbolique intrinsèquement plus interprétables et explicables(Explainable AI (XAI)), car leurs étapes de raisonnement peuvent être retracées. Cependant, ils ont souvent du mal à gérer l'ambiguïté, l'incertitude et l'apprentissage à partir de données brutes et non structurées, là où les modèles ML sont généralement plus performants.

Applications et exemples

L'IA symbolique a été le paradigme dominant pendant une grande partie de l'histoire de l'IA et a connu du succès dans divers domaines :

1. Systèmes experts : Ces systèmes encapsulent les connaissances d'experts humains pour fournir des conseils ou résoudre des problèmes dans des domaines spécifiques. Un premier exemple célèbre est Mycin, conçu pour diagnostiquer les infections bactériennes. Les systèmes modernes basés sur des règles sont toujours utilisés dans des domaines tels que l 'IA en finance pour la conformité réglementaire ou la souscription automatisée.
2. Traitement du langage naturel (NLP) : Les premiers systèmes de TAL s'appuyaient fortement sur des règles symboliques pour analyser les structures des phrases (syntaxe) et en comprendre le sens(analyse sémantique). Bien que le TAL moderne utilise largement des méthodes statistiques et de grands modèles de langage (LLM), les techniques symboliques peuvent encore être utiles pour des tâches spécifiques ou dans des systèmes hybrides.
3. Planification et ordonnancement : L'IA symbolique est bien adaptée aux tâches nécessitant une planification complexe, telles que l'optimisation logistique, la planification des chemins robotiques et les systèmes d'ordonnancement automatisés. La planification par l'IA reste un domaine de recherche actif.
4. Vérification formelle : Utilisée en génie logiciel et en conception de matériel pour prouver mathématiquement l'exactitude des systèmes par rapport à des spécifications formelles.

Points forts et limites

Points forts :

• Explicabilité : Les étapes du raisonnement sont transparentes et traçables.
• Intégration des connaissances : Permet l'incorporation directe de l'expertise humaine et des règles du domaine.
• Précision : Peut gérer efficacement les tâches nécessitant un raisonnement logique précis.

Limites :

• Fragilité : Les systèmes peuvent échouer de façon inattendue lorsqu'ils sont confrontés à des situations qui sortent de leurs règles prédéfinies.
• Goulot d'étranglement de l'acquisition des connaissances : L'encodage manuel de bases de connaissances complètes est difficile et prend beaucoup de temps.
• Gestion de l'incertitude : Difficultés avec le raisonnement probabiliste et les données bruyantes ou incomplètes par rapport aux méthodes statistiques.
• Évolutivité : La complexité du raisonnement peut croître de façon exponentielle avec la taille de la base de connaissances.

L'avenir : Approches hybrides

Bien que l'IA purement symbolique soit confrontée à des défis, ses forces en matière de raisonnement et d'explicabilité sont précieuses. La recherche actuelle se concentre sur des approches hybrides, souvent appelées IA neuro-symbolique, qui visent à combiner les capacités de reconnaissance des formes des réseaux neuronaux avec le raisonnement logique des systèmes symboliques. Des organisations comme l'Allen Institute for AI (AI2) et des communautés de recherche comme l'AAAI explorent ces intégrations, ce qui pourrait déboucher sur des systèmes d'IA plus robustes, plus polyvalents et plus fiables. La gestion de la complexité de ces systèmes hybrides pourrait bénéficier de plateformes comme Ultralytics HUB pour le suivi des expériences et le déploiement des modèles.