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 par le biais de règles et de symboles explicites. Cette approche a été le paradigme dominant dans la recherche en IA des années 1950 à la fin des années 1980. Contrairement aux méthodes modernes axées sur les données, l'IA symbolique fonctionne selon le principe que l'intelligence peut être atteinte en manipulant des symboles qui représentent des concepts du monde réel, régis par un ensemble de règles logiques. L'idée centrale, 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.

Fonctionnement de l'IA symbolique

Les systèmes d'IA symbolique 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, tous encodés dans un langage symbolique. Ces connaissances sont souvent organisées manuellement par des experts humains. Un équivalent moderne de ce concept peut être observé dans les graphes de connaissances.
• Moteur d'inférence : Un ensemble de règles et d'algorithmes qui appliquent la déduction logique à la base de connaissances pour dériver de nouvelles informations ou prendre des décisions. Il utilise la logique formelle, telle que IF-THEN pour traiter les requêtes et résoudre les problèmes. Ce processus est très transparent, ce qui en fait une pierre angulaire de IA explicable (XAI).

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

IA symbolique vs. Apprentissage automatique

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

La principale distinction 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 (RN), apprennent implicitement les modèles et les relations en analysant de grandes quantités de données d'entraînement. Par exemple, un modèle YOLO apprend à effectuer la détection d'objets en étant entraîné sur des milliers d'images étiquetées, et non en se voyant indiquer les règles explicites de ce qui constitue une « voiture » ou une « personne ».

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

1. Systèmes experts : Ils ont été 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 système expert célèbre développé dans les années 1970 pour identifier les bactéries causant des infections graves et recommander des antibiotiques. Il utilisait une base de connaissances d’environ 600 règles dérivées d’experts médicaux.
2. Premiers traitements du langage naturel (NLP) : Avant l'essor des méthodes statistiques et des grands modèles de langage (LLM), les systèmes de NLP reposaient sur des approches symboliques. Ils utilisaient des grammaires formelles et des règles de syntaxe pour analyser les phrases et comprendre la structure du langage. Les premiers correcteurs grammaticaux automatisés et les systèmes de traduction automatique ont été construits 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 de mettre à l'échelle sa base de connaissances) ont conduit à l'essor de l'apprentissage automatique. Cependant, l'avenir réside probablement dans des 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 de formes de l'apprentissage automatique, les développeurs peuvent créer des systèmes d'IA plus robustes, transparents et performants. Ces systèmes hybrides visent à exploiter les connaissances structurelles des systèmes symboliques pour améliorer le processus d'apprentissage des modèles de fondation, un concept exploré dans des domaines comme l'IA neuro-symbolique. Des plateformes comme Ultralytics HUB rationalisent le déploiement des modèles d'apprentissage automatique, qui pourraient un jour intégrer ces techniques hybrides.