IA symbolique

L'IA symbolique est une branche de l'intelligence artificielle qui s'appuie sur des représentations de haut niveau, lisibles par l'homme, des problèmes, de la logique et des capacités de recherche pour résoudre des tâches complexes. Souvent appelée « bonne vieille IA » (GOFAI), cette approche tente d'imiter la capacité humaine à raisonner en traitant des symboles (des chaînes de caractères qui représentent des concepts du monde réel) selon des règles explicites. Contrairement à l'apprentissage profond (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 très 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 s'appuient pas sur les réseaux neuronaux que l'on trouve dans l' IA statistique; ils utilisent plutôt un moteur d'inférence pour dériver 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 la déduction logique, le système peut conclure de manière indépendante que « Socrate est mortel ».

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

IA symbolique et IA statistique

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

• L'IA symbolique est descendante 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 fonctionne parfaitement dans des environnements statiques où les règles ne changent pas, mais elle a du mal avec les données bruitées (comme les images non structurées) ou l'ambiguïté.
• L'IA statistique (y compris l' apprentissage automatique) est ascendante et axée sur les données. Des modèles tels que YOLO26 apprennent à reconnaître des modèles en traitant des milliers d'images. Ils sont résistants au bruit et excellents dans les tâches de perception, mais ils ne sont généralement pas capables d'effectuer un raisonnement logique sans composants supplémentaires.

Applications concrètes

Alors que l'apprentissage profond domine les tâches de perception, l'IA symbolique reste essentielle dans les secteurs qui exigent précision et vérifiabilité.

• Systèmes experts dans le domaine de la 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 diagnostiques pour suggérer des traitements. Aujourd'hui, ces couches logiques fonctionnent souvent en parallèle avec l'IA dans les modèles de vision des soins de santé, garantissant ainsi que le diagnostic respecte les protocoles médicaux établis.
• Conformité réglementaire et financière : dans le monde de l' IA financière, les estimations probabilistes sont souvent inacceptables. Les logiciels fiscaux et les vérificateurs de conformité automatisés utilisent la logique symbolique pour garantir que chaque calcul respecte strictement les codes fiscaux gouvernementaux. Une « probabilité de 99 % » est insuffisante pour une déclaration fiscale ; la logique doit être exacte, ce qui est l'un des points forts de la programmation symbolique.

L'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 traite les entrées sensorielles (voir le monde), tandis qu'une couche symbolique traite le raisonnement (comprendre les règles).

Par exemple, vous pouvez utiliser Ultralytics pour detect des objets dans une usine, puis utiliser un script symbolique simple pour appliquer des règles de sécurité basées sur ces détections.

L'exemple suivant illustre un workflow neuro-symbolique de base : le composant neuronal (YOLO26) perçoit l'objet, et le composant symbolique (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 s'efforcent de mettre au point une intelligence artificielle générale (AGI), les limites des modèles purement statistiques deviennent évidentes. Les grands modèles linguistiques (LLM) tels que GPT-4 souffrent souvent d'« hallucinations » car ils prédisent le mot suivant de manière probabiliste plutôt que par un raisonnement logique.

L'intégration du raisonnement symbolique permet à ces modèles d'« ancrer » leurs résultats dans la réalité. Nous observons cette évolution dans les outils qui combinent la compréhension du langage naturel avec des requêtes structurées dans des bases de données ou des solveurs mathématiques. Pour les développeurs qui créent des systèmes complexes, Ultralytics offre l'infrastructure nécessaire pour gérer les ensembles de données et former les modèles de vision qui servent de base sensorielle à ces applications avancées, basées sur la logique .