Symbolic AI

L'IA symbolique est une branche de l'intelligence artificielle qui s'appuie sur des représentations de problèmes, de logique et de capacités de recherche de haut niveau et lisibles par l'humain pour résoudre des tâches complexes. Souvent appelée "Good Old-Fashioned AI" (GOFAI), cette approche tente d'imiter la capacité humaine à raisonner en traitant des symboles — des chaînes de caractères représentant des concepts du monde réel — selon des règles explicites. Contrairement au Deep Learning (DL) moderne qui apprend des modèles à partir de vastes quantités de données, l'IA symbolique est programmée manuellement avec des connaissances spécifiques et des contraintes logiques, ce qui la rend extrêmement efficace pour les problèmes nécessitant le strict respect de règles et une prise de décision transparente.

Link to this sectionLa mécanique du raisonnement symbolique#

Au cœur de l'IA symbolique se trouve la manipulation de symboles à l'aide de la logique. Ces systèmes ne reposent pas sur les réseaux neuronaux que l'on trouve dans l'IA statistique ; ils utilisent plutôt un moteur d'inférence pour déduire de nouveaux faits à partir de bases de connaissances existantes. Par exemple, un système symbolique pourrait stocker les faits "Socrate est un homme" et la règle "Tous les hommes sont mortels". En appliquant une déduction logique, le système peut conclure indépendamment que "Socrate est mortel".

Cette structure explicite permet des niveaux élevés d'IA explicable (XAI). Comme le système suit une chaîne logique "SI-ALORS" claire, les ingénieurs peuvent tracer exactement pourquoi une décision spécifique a été prise. Cela contraste fortement avec la nature de "boîte noire" de nombreux modèles d'IA générative, où le processus de raisonnement interne est souvent opaque.

Link to this sectionIA symbolique vs IA statistique#

Il est crucial de différencier l'IA symbolique du paradigme dominant actuel, l'IA statistique.

• L'IA symbolique est descendante (top-down) et basée sur des règles. Elle excelle dans le raisonnement abstrait, la planification et la manipulation de structures définies, telles que les équations algébriques ou les graphes de connaissances. Elle est parfaite dans des environnements statiques où les règles ne changent pas, mais elle éprouve des difficultés avec des données bruitées (comme des images non structurées) ou l'ambiguïté.
• L'IA statistique (y compris le Machine Learning) est ascendante (bottom-up) et axée sur les données. Des modèles comme YOLO26 apprennent à reconnaître des motifs en traitant des milliers d'images. Ils sont robustes face au bruit et excellents pour les tâches de perception, mais manquent généralement de capacité à effectuer un raisonnement logique sans composants supplémentaires.

Link to this sectionApplications concrètes#

Bien que le deep learning domine les tâches de perception, l'IA symbolique reste essentielle dans les secteurs exigeant précision et auditabilité.

• Systèmes experts en santé : Les premières formes d'IA en médecine étaient des systèmes experts symboliques. Ces systèmes utilisent une base de données de connaissances médicales et un ensemble de règles de diagnostic pour suggérer des traitements. Aujourd'hui, ces couches logiques fonctionnent souvent aux côtés de modèles de vision d'IA en santé, garantissant qu'un diagnostic respecte les protocoles médicaux établis.
• Conformité réglementaire et financière : Dans le monde de l'IA en finance, les suppositions probabilistes sont souvent inacceptables. Les logiciels fiscaux et les vérificateurs de conformité automatisés utilisent la logique symbolique pour s'assurer que chaque calcul respecte strictement les codes fiscaux gouvernementaux. Une "probabilité de 99 %" est insuffisante pour une déclaration de revenus ; la logique doit être exacte, ce qui constitue une force de la programmation symbolique.

Link to this sectionL'essor de l'IA neuro-symbolique#

Une tendance émergente puissante est l'IA neuro-symbolique, qui combine la puissance de perception des réseaux neuronaux avec la puissance de raisonnement de la logique symbolique. Dans ces systèmes hybrides, un modèle de vision par ordinateur gère l'entrée sensorielle (voir le monde), tandis qu'une couche symbolique gère le raisonnement (comprendre les règles).

Par exemple, tu pourrais utiliser Ultralytics YOLO26 pour détecter des objets dans une usine, puis utiliser un script symbolique simple pour appliquer des règles de sécurité basées sur ces détections.

L'exemple suivant démontre un flux de travail neuro-symbolique de base : le composant neuronal (YOLO26) perçoit l'objet, et le composant symbolique (logique Python) applique une règle.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

Link to this sectionPerspectives d'avenir#

Alors que les chercheurs progressent vers l'Intelligence Artificielle Générale (AGI), les limites des modèles purement statistiques deviennent évidentes. Les modèles de langage étendus (LLM) comme GPT-4 souffrent souvent d'"hallucinations" parce qu'ils prédisent le mot suivant de manière probabiliste plutôt que de raisonner logiquement.

Intégrer le raisonnement symbolique permet à ces modèles d'"ancrer" leurs sorties dans des faits. Nous observons cette évolution dans des outils qui combinent la compréhension du langage naturel avec des requêtes de bases de données structurées ou des solveurs mathématiques. Pour les développeurs qui construisent des systèmes complexes, la Plateforme Ultralytics offre l'infrastructure nécessaire pour gérer les jeux de données et entraîner les modèles de vision qui servent de fondation sensorielle à ces applications avancées basées sur la logique.