L'IA symbolique

L'IA symbolique, souvent appelée "Good Old-Fashioned AI" (GOFAI), est une branche de l'intelligence artificielle (IA) qui se concentre sur la représentation des connaissances humaines au moyen de règles et de symboles explicites. Cette approche a été le paradigme dominant de la recherche en IA des années 1950 à la fin des années 1980. Contrairement aux méthodes modernes basées sur les données, l'IA symbolique part du principe que l'intelligence peut être obtenue en manipulant des symboles qui représentent des concepts du monde réel, régis par un ensemble de règles logiques. L'idée de base, défendue par des pionniers comme John McCarthy, était de construire des systèmes capables de raisonner sur le monde d'une manière similaire à la logique déductive humaine.

Comment fonctionne l'IA symbolique

Les systèmes d'IA symboliques sont généralement composés de deux éléments principaux : une base de connaissances et un moteur d'inférence.

• Base de connaissances : Une base de données structurée contenant des faits, des concepts et les relations entre eux, le tout codé dans un langage symbolique. Ces connaissances sont souvent gérées manuellement par des experts humains. Un équivalent moderne de ce concept peut être vu dans les graphes de connaissances.
• Moteur d'inférence : Ensemble de règles et d'algorithmes qui appliquent une déduction logique à la base de connaissances pour en tirer de nouvelles informations ou prendre des décisions. Il utilise la logique formelle, telle que IF-THEN pour traiter les demandes et résoudre les problèmes. Ce processus est très transparent, ce qui en fait la pierre angulaire de la politique de l'Union européenne en matière d'information et de communication. L'IA explicable (XAI).

Des langages de programmation tels que Lisp et Prolog ont été développés spécifiquement pour prendre en charge ce style de programmation basé sur des règles.

L'IA symbolique et l'apprentissage automatique

L'IA symbolique est fondamentalement différente du Machine Learning (ML), qui est le fondement de la plupart des applications modernes de l'IA, y compris les modèles avancés de vision par ordinateur (CV) comme Ultralytics YOLO.

La distinction essentielle réside dans la manière dont les connaissances sont acquises :

• L'IA symbolique est une approche descendante. Un expert humain programme explicitement les règles et les connaissances dans le système. Le raisonnement du système est limité à ces connaissances prédéfinies.
• L'apprentissage automatique est une approche ascendante. Les modèles, en particulier ceux qui utilisent l'apprentissage profond et les réseaux neuronaux (NN), apprennent des modèles et des relations de manière implicite en analysant de grandes quantités de données d'entraînement. Par exemple, un modèle YOLO apprend à détecter des objets en s'entraînant sur des milliers d'images étiquetées, et non pas en apprenant les règles explicites qui définissent ce qu'est une "voiture" ou une "personne".

Si les modèles de ML excellent dans le traitement de données complexes et non structurées, leur processus de prise de décision peut être opaque. En revanche, le raisonnement de l'IA symbolique est facilement traçable, ce qui est crucial pour les applications où la responsabilité et l'éthique de l'IA sont primordiales.

Applications et exemples concrets

Bien que moins répandue aujourd'hui, l'IA symbolique a alimenté plusieurs applications importantes et ses principes restent pertinents.

1. Systèmes experts : Ils figurent parmi les applications les plus réussies de l'IA symbolique. Un système expert est conçu pour émuler la capacité de prise de décision d'un expert humain dans un domaine spécifique. Par exemple, MYCIN était un célèbre système expert développé dans les années 1970 pour identifier les bactéries responsables d'infections graves et recommander des antibiotiques. Il utilisait une base de connaissances d'environ 600 règles dérivées d'experts médicaux.
2. Les débuts du traitement du langage naturel (NLP) : Avant l'essor des méthodes statistiques et des grands modèles de langage (LLM), les systèmes de TAL reposaient sur des approches symboliques. Ils utilisaient des grammaires formelles et des règles syntaxiques pour analyser les phrases et comprendre la structure du langage. Les premiers correcteurs grammaticaux automatisés et les systèmes de traduction automatique reposaient sur ces principes.

L'avenir : L'IA hybride

Les limites de l'IA symbolique - en particulier sa fragilité face à des situations nouvelles ou ambiguës et la difficulté d'étendre sa base de connaissances - ont conduit à l'essor de la ML. Cependant, l'avenir réside probablement dans les modèles d'IA hybrides qui combinent les forces des deux approches. En intégrant le raisonnement logique de l'IA symbolique à la puissance de reconnaissance des formes de la ML, les développeurs peuvent créer des systèmes d'IA plus robustes, plus transparents et plus performants. Ces systèmes hybrides visent à exploiter les connaissances structurelles des systèmes symboliques pour améliorer le processus d'apprentissage des modèles de base, un concept exploré dans des domaines tels que l'IA neuro-symbolique. Des plateformes comme Ultralytics HUB rationalisent le déploiement des modèles de ML, qui pourraient un jour intégrer ces techniques hybrides.