Symbolic AI

L’IA symbolique est une branche de l’intelligence artificielle qui s’appuie sur des représentations de haut niveau et lisibles par l’humain des problèmes, ainsi que sur la logique et des capacités de recherche, pour résoudre des tâches complexes. Souvent appelée « IA à l’ancienne » (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 — conformément à des règles explicites. Contrairement à l’apprentissage profond (DL) moderne, qui apprend des modèles à partir de grandes quantités de données, l’IA symbolique est programmée manuellement avec des connaissances spécifiques et des contraintes logiques, ce qui la rend particulièrement efficace pour les problèmes nécessitant un strict respect des règles et une prise de décision transparente.

Les mécanismes 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 de neurones présents 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 peut stocker les faits « Socrate est un homme » et la règle « Tous les hommes sont mortels ». En appliquant une déduction logique, le système peut conclure de manière autonome que « Socrate est mortel ».

Cette structure explicite permet d’atteindre un haut niveau d’IA explicable (XAI). Comme le système suit une chaîne logique claire de type « SI-ALORS », les ingénieurs peuvent retracer précisément la raison d’une décision donnée. Cela contraste fortement avec la nature de « boîte noire » de nombreux modèles d’IA générative, dont le processus de raisonnement interne est souvent opaque.

IA symbolique ou IA statistique#

Il est essentiel de distinguer l’IA symbolique du paradigme dominant actuel, l’IA statistique.

• L’IA symbolique est descendante et fondée 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 fonctionne parfaitement dans des environnements statiques où les règles ne changent pas, mais rencontre des difficultés face aux données bruitées, comme les images non structurées, ou à l’ambiguïté.
• L’IA statistique (y compris l’apprentissage automatique) est ascendante et fondée sur les données. Des modèles comme YOLO26 apprennent à reconnaître des modèles en traitant des milliers d’images. Ils sont robustes face au bruit et excellents pour les tâches de perception, mais n’ont généralement pas la capacité d’effectuer un raisonnement logique sans composants supplémentaires.

Applications concrètes#

Bien que l’apprentissage profond domine les tâches de perception, l’IA symbolique reste essentielle dans les secteurs qui exigent précision et auditabilité.

• Systèmes experts dans le secteur de la santé : Les premières formes d’IA en médecine étaient des systèmes experts symboliques. Ces systèmes utilisent une base de connaissances médicales et un ensemble de règles diagnostiques pour suggérer des traitements. Aujourd’hui, ces couches logiques fonctionnent souvent avec des modèles de vision d’IA dans le secteur de la santé, afin de garantir qu’un diagnostic respecte les protocoles médicaux établis.
• Conformité réglementaire et financière : Dans le domaine de l’IA dans la finance, les estimations probabilistes sont souvent inacceptables. Les logiciels fiscaux et les outils automatisés de vérification de la conformité utilisent la logique symbolique pour garantir que chaque calcul respecte strictement les codes fiscaux gouvernementaux. Une « probabilité de 99 % » ne suffit pas pour une déclaration fiscale ; la logique doit être exacte, ce qui constitue un atout de la programmation symbolique.

L’essor de l’IA neuro-symbolique#

Une tendance émergente puissante est l’IA neuro-symbolique, qui combine la puissance perceptive des réseaux de neurones avec la puissance de raisonnement de la logique symbolique. Dans ces systèmes hybrides, un modèle de vision par ordinateur gère les entrées sensorielles, c’est-à-dire la perception du monde, tandis qu’une couche symbolique gère le raisonnement, c’est-à-dire la compréhension des règles.

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

L’exemple suivant présente un flux de travail neuro-symbolique de base : le composant neuronal (Ultralytics YOLO26) perçoit l’objet, tandis que 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.")

Perspectives d’avenir#

Alors que les chercheurs cherchent à atteindre l’intelligence artificielle générale (AGI), les limites des modèles purement statistiques deviennent évidentes. Les grands modèles de langage (LLMs) comme GPT-4 souffrent souvent d’« hallucinations », car ils prédisent probabilistiquement le mot suivant au lieu de raisonner logiquement.

L’intégration du raisonnement symbolique permet à ces modèles d’ancrer leurs résultats dans les faits. Nous observons cette évolution dans des outils qui combinent la compréhension du langage naturel avec des requêtes structurées vers des bases de données ou des solveurs mathématiques. Pour les développeurs qui créent des systèmes complexes, l’Ultralytics Platform fournit l’infrastructure nécessaire pour gérer les jeux de données et entraîner les modèles de vision qui servent de fondation sensorielle à ces applications avancées fondées sur la logique.