IA symbolique

L'IA symbolique, souvent appelée "Good Old-Fashioned AI" (GOFAI), est une branche de l'intelligence artificielle (IA) qui s'appuie sur l'utilisation d'une technologie de pointe. l'intelligence artificielle (IA) qui s'appuie sur des sur des représentations de haut niveau, lisibles par l'homme, des problèmes et des règles explicites pour traiter l'information. Contrairement aux approches modernes modernes fondées sur les données qui apprennent des modèles à partir d'énormes ensembles de données, l'IA symbolique repose sur le principe selon lequel l'intelligence peut être obtenue par la manipulation d'un ensemble de données. l'intelligence peut être obtenue par la manipulation de symboles à l'aide de règles logiques. Ce paradigme a dominé la recherche en IA des années 1950 aux années 1980, sous l'impulsion de pionniers tels que John McCarthy, et reste très pertinent aujourd'hui Aujourd'hui, il reste très pertinent dans les applications qui exigent un respect strict des contraintes logiques et une interprétabilité claire.

Composantes essentielles des systèmes symboliques

Les systèmes d'IA symboliques imitent le raisonnement humain en traitant des connaissances explicitement définies. Ils se composent généralement de deux composants architecturaux principaux :

• Base de connaissances : Référentiel centralisé contenant des faits et des informations sur le monde, souvent structuré sous la forme d'une base de données. souvent structuré comme un graphe de connaissances ou un ensemble de IF-THEN les déclarations. Cette base de données représente le "quoi" de l'intelligence du système.
• Moteur d'inférence : unité de traitement qui applique des règles logiques à la base de connaissances pour en déduire de nouvelles informations ou prendre des décisions. de nouvelles informations ou prendre des décisions. En utilisant le raisonnement déductif, le moteur navigue à travers les symboles pour parvenir à une conclusion, en veillant à ce que le résultat soit mathématiquement prouvé sur la base des données d'entrée.

Cette structure permet un degré élevé d'IA explicable (XAI). d'IA explicable (XAI), car le processus de de décision du système peut être retracé étape par étape à travers les règles qu'il a appliquées.

IA symbolique et IA statistique

Pour comprendre le paysage moderne de l'IA, il est essentiel de distinguer l'IA symbolique de l'IA statistique.

• L'IA symbolique adopte une approche descendante. Les programmeurs codent explicitement les règles du système. Elle Elle excelle dans le raisonnement abstrait, les mathématiques et la planification, mais se heurte à l'ambiguïté et aux données désordonnées non structurées, comme les pixels bruts ou le son. comme les pixels bruts ou l'audio.
• L'IA statistique, qui comprend l'apprentissage automatique (ML) et Deep Learning (DL), utilise une approche ascendante. Des modèles tels que réseaux neuronaux convolutifs (CNN) apprennent des modèles implicitement à partir de données d'entraînement plutôt que de recevoir des instructions sur la manière de les reconnaître.

Pendant qu'un YOLO11 est excellent pour la détection d'objets détection d'objets en apprenant à partir de milliers d'images d'images, un système purement symbolique échouerait dans cette tâche parce qu'il est impossible d'écrire manuellement des règles pour toutes les variations visuelles possibles d'un objet. variations visuelles possibles d'un objet.

Applications concrètes

Malgré l'essor des réseaux neuronaux, l'IA symbolique est encore largement utilisée, souvent en conjonction avec d'autres méthodes.

1. Systèmes experts : Il s'agit des premiers produits d'IA commercialisés avec succès, conçus pour émuler la capacité de prise de décision d'un expert humain. la capacité de prise de décision d'un expert humain. Des systèmes comme MYCIN utilisaient des centaines de règles pour diagnostiquer les infections bactériennes. bactériennes. Aujourd'hui, une logique similaire alimente moteurs de règles métier dans les secteurs de la finance et de l'assurance pour déterminer automatiquement l'éligibilité à un prêt.
2. Robotique et planification : Dans le domaine de la robotique et des véhicules autonomes véhicules autonomes et la robotique, la planification de haut niveau est souvent symbolique. Alors qu'un réseau neuronal peut gérer la perception de la route, un planificateur symbolique utilise logique pour décider d'actions telles que "si le feu est rouge, arrêtez-vous" ou "cédez le passage aux piétons", en veillant à ce que les contraintes de sécurité soient respectées. les contraintes de sécurité soient respectées.
3. Traitement du langage naturel (NLP) : Les débuts traitement du langage naturel (NLP) s'appuyait fortement sur des règles de grammaire symboliques. Les systèmes modernes tels que les les grands modèles de langage (LLM) sont statistiques, mais les tendances récentes en matière d'IA neuro-symbolique l 'IA neuro-symbolique visent à combiner la fluidité des LLM avec la fiabilité factuelle de la logique symbolique afin de réduire les coûts de traitement. avec la fiabilité factuelle de la logique symbolique afin de réduire les hallucinations. hallucinations.

Flux de travail hybrides neuro-symboliques

L'une des façons les plus puissantes d'utiliser l'IA symbolique aujourd'hui est de la combiner avec des modèles statistiques. Cette approche permet de tirer parti des capacités de perception de l'apprentissage profond et du raisonnement logique des systèmes symboliques.

Par exemple, vous pouvez utiliser un modèle statistique pour detect objets, puis appliquer des règles symboliques pour agir sur ces détections. détection.

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

Avantages et limites

Le principal avantage de l'IA symbolique est sa transparence. Dans des secteurs comme la santé ou la finance, où l'éthique de l l 'éthique de l'IA et la conformité réglementaire sont primordiales, la de vérifier les règles qui sous-tendent une décision est inestimable. En outre, les systèmes symboliques n'ont pas besoin de quantités de big data pour fonctionner ; ils ont seulement besoin d'un ensemble de règles.

Cependant, le "goulot d'étranglement de l'acquisition des connaissances" constitue une limitation importante. L'encodage manuel de toutes les connaissances dans les règles prend du temps et est fragile. Le système ne peut pas apprendre de ses erreurs ou s'adapter à de nouveaux environnements sans intervention humaine, ce que l'on appelle le problème du cadre. Cette rigidité est la raison pour laquelle la recherche moderne en IA modernes favorisent fortement les approches hybrides qui intègrent réseaux neuronaux pour l'apprentissage et la logique symbolique pour le raisonnement.