Intelligence artificielle symbolique

L’intelligence artificielle symbolique correspond aux techniques d'IA basées sur des représentations « symboliques » (lisibles par l’homme) de haut niveau.

L'IA symbolique a été l'approche dominante de la recherche sur l'intelligence artificielle du milieu des années 1950 (c'est à dire de la création de l'intelligence artificielle) jusqu'à la fin des années 1980.

En intelligence artificielle symbolique, on modélise les raisonnements humains et on les codes sous forme d'algorithme.

On a longtemps cru que tout pourrait être modélisé de façon "explicable" et transmis à des ordinateurs via des algorithmes, représentant de façon "symbolique" la logique humaine.

Cela été notamment le cas des pionniers de l'intelligence artificielle dans les années cinquante qui avaient prévu que l'intelligence artificielle (à l'époque à 100% symbolique) dépasserait l'homme à la fin des années 1960s (soit 15 après la naissance de la discipline).

Cela ne s'est pas produit, comme tout à un chacun le sait;

Cela n'a pas empêché l'intelligence artificielle de se développer en s'appuyant sur des représentations symboliques des raisonnements humains, jusqu'au milieu des années 80.

En 1985, John Haugeland qualifie de GOFAI ("Bonne intelligence artificielle à l'ancienne") l'intelligence artificielle dominante dans son livre, "Artificial Intelligence: The Very Idea", qui explorait les implications philosophiques de la recherche sur l'intelligence artificielle. L'équivalent en robotique est le terme GOFR ("Good Old-Fashioned Robotics").

Concrètement, l'intelligence artificielle consister dans ce que l'on appelle les "moteurs de règles" reposant sur des systèmes à base de if / then / else.

Exemple: SI un adulte possède un encours moyen sur son compte bancaire qui augmente de 500€ tous les mois, ALORS envoie un message l'incitant à ouvrir un PEA, SINON SI l'encours moyen sur son compte bancaire augmente de 200€ tous les mois, ALORS, envoie lui un message l'incitant à effectuer un virement automatique de 100€ vers son PEL, SINON ne fais rien

En language académique, les systèmes experts, qui utilisent un réseau de règles de production, constituent une forme répandue d'IA symbolique. Les règles de production relient les symboles dans une relation similaire à une instruction If-Then. Le système expert traite les règles pour effectuer des déductions et déterminer les informations supplémentaires dont il a besoin, par exemple les questions à poser, à l'aide de symboles lisibles par l'homme.

Parmi les opposants à l’approche symbolique figurent des roboticien tels que Rodney Brooks, qui vise à produire des robots autonomes sans représentation symbolique (ou avec une représentation minimale) et des chercheurs en intelligence informatique, qui appliquent des techniques telles que les réseaux de neurones et l’optimisation pour résoudre des problèmes d’apprentissage automatique. et ingénierie de contrôle.

Théoriquement, il existe des arguments scientifique soutenant cette thèse.

Les machines ont été initialement conçues pour formuler des sorties en fonction des entrées représentées par des symboles. Les symboles sont utilisés lorsque l'entrée est définie et tombe dans la certitude. Mais lorsqu'il y a une incertitude impliquée, par exemple dans la formulation de prédictions, la représentation est effectuée en utilisant la " logique floue ". Ceci peut être vu dans les réseaux de neurones artificiels.

On l'a compris, depuis qu'il existe suffisamment de données et que les ordinateurs sont devenus suffisamment puissants pour permettre au machine learning et au deep learning de dépasser dans des domaines comme la traduction, la reconnaissance d'images, de son, de vidéos, le traitement du langage ou les prévisions économiques, l'intelligence artificielle symbolique n'intéresse plus qu'une minorité de scientifiques.

Pourtant, deux éléments militent pour une réhabilitation de l'intelligence artificielle symbolique:

- le machine learning produit peu d'intelligence au sens humain du terme (capacité à analyser des situations complexes, à réagir à des événements imprévus, à trouver des solutions non conventionnelles, à aller contre le conscensus...)

- le machine learning ne peut apprendre que s'il existe des données et le deep learning ne peut apprendre que s'il existe de grandes quantités de données. Ils sont donc inadaptés lorsqu'il s'agit de reproduire des raisonnements d'experts, qui produisent des volumes de données insuffisants et surtout qui ne les rendent pas publics. L'intelligence artificielle symbolique, peut-elle reproduire ses raisonnements.

La preuve de cette thèse est fournie par le système français "Intelligent agents" qui réalise des audits et définit des stratégies élaborées en parvenant à reproduire 90% des raisonnements d'expert en marketing digital.

Un POC a été mis au point au début de la période de confinement covid 19 en avril 2020 qui était capable de définir des stratégies adaptées à la taille, à l'activité, à la situation financière, au niveau d'exposition à l'international d'une entreprise et ce sur un rapport de 80 pages, au style, non pas d'un robot, mais d'un authentique expert. L'agent Covid 19 est accessible ici.

Vous souhaitez vous former à l'intelligence artificielle symbolique ? C'est à la portée de n'importe quelle personne suffisament motivée pour avoir lu jusqu'au bout le présent article.

Inscrivez-vous dès maintenant à notre cours sur l'intelligence artificielle.

Vous découvrirez

• le niveau réel d'intelligence que l'IA symbolique peut produire
• un modèle de formalisation des connaissances d'un expert, mis au point par le fondateur de 24pm Academy=, le "Rich Explainable Neuron"
• la méthode pas à pas pour produire votre propre modèle d'intelligence artificielle symbolique permettant de produire des analyses réellement intelligentes.

Consultez le programme ici. La modèle du "Rich Explainable Neuron" est élaboré mais peut être assimilé en 2 heures.