Aujourd’hui, l’intelligence artificielle concerne principalement les réseaux neuronaux artificiels et l’apprentissage profond. Mais il n’en a pas toujours été ainsi. En fait, pendant la majeure partie de ses six décennies d’existence, le domaine a été dominé par l’intelligence artificielle symbolique, également connue sous les noms d' »IA classique », d' »IA basée sur des règles » et de « bonne vieille IA ».
L’IA symbolique implique l’intégration explicite de connaissances et de règles de comportement humain dans les programmes informatiques. Cette pratique s’est révélée très prometteuse dans les premières décennies de la recherche sur l’IA. Mais ces dernières années, alors que les réseaux neuronaux, également connus sous le nom d’IA relationnelle, ont pris de l’ampleur, l’IA symbolique est tombée en désuétude.
Le rôle des symboles dans l’intelligence artificielle
Les symboles sont des choses que nous utilisons pour représenter d’autres choses. Les symboles jouent un rôle essentiel dans le processus de pensée et de raisonnement humain. Si je vous dis que j’ai vu un chat dans un arbre, votre esprit va rapidement évoquer une image.
Nous utilisons tout le temps des symboles pour définir des choses (chat, voiture, avion, etc.) et des personnes (enseignant, policier, vendeur). Les symboles peuvent représenter des concepts abstraits (transaction bancaire) ou des choses qui n’existent pas physiquement (page web, billet de blog, etc.). Ils peuvent également décrire des actions (en cours) ou des états (inactifs). Les symboles peuvent être organisés en hiérarchies (une voiture est composée de portes, de fenêtres, de pneus, de sièges, etc.) Ils peuvent également être utilisés pour décrire d’autres symboles (un chat aux oreilles pelucheuses, un tapis rouge, etc.).
Pouvoir communiquer par des symboles est l’une des principales choses qui nous rendent intelligents. C’est pourquoi les symboles ont également joué un rôle crucial dans la création de l’intelligence artificielle.
Les premiers pionniers de l’IA croyait que « chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence peut en principe être décrit avec une telle précision qu’une machine peut être fabriquée pour le simuler ». C’est pourquoi l’IA symbolique a pris le devant de la scène et est devenue le point central des projets de recherche. Les scientifiques ont développé des outils pour définir et manipuler les symboles.
De nombreux concepts et outils que vous trouvez en informatique sont le résultat de ces efforts. Les programmes d’IA symbolique sont basés sur la création de structures et de règles de comportement explicites.
Un exemple d’outils d’IA symbolique est la programmation orientée objet. Les langages de programmation orientée objet vous permettent de définir des classes, de spécifier leurs propriétés et de les organiser dans des hiérarchies. Vous pouvez créer des instances de ces classes (appelées objets) et manipuler leurs propriétés. Les instances de classe peuvent également effectuer des actions, également connues sous le nom de fonctions, méthodes ou procédures. Chaque méthode exécute une série d’instructions basées sur des règles qui peuvent lire et modifier les propriétés de l’objet courant et d’autres objets.
Grâce à la POO, vous pouvez créer des programmes d’IA symboliques étendus et complexes qui effectuent diverses tâches.
Les avantages et les limites de l’AI symbolique
L’intelligence artificielle symbolique a montré les premiers progrès à l’aube de l’IA et de l’informatique. Vous pouvez facilement visualiser la logique des programmes basés sur des règles, les communiquer et les dépanner.
L’intelligence artificielle symbolique est très pratique pour les situations où les règles sont très claires, et vous pouvez facilement obtenir des informations et les transformer en symboles. En fait, les systèmes basés sur des règles représentent encore aujourd’hui la plupart des programmes informatiques, y compris ceux utilisés pour créer des applications d’apprentissage approfondi.
Mais l’IA symbolique commence à se briser lorsque vous devez faire face au désordre du monde. Par exemple, considérez vision par ordinateur, la science qui permet aux ordinateurs de donner un sens au contenu des images et des vidéos. Supposons que vous ayez une photo de votre chat et que vous vouliez créer un programme capable de détecter les images qui le contiennent. Vous créez un programme basé sur des règles qui prend de nouvelles images en entrée, compare les pixels à l’image originale du chat, et répond en disant si votre chat est dans ces images.
Cela ne fonctionnera que si vous fournissez une copie exacte de l’image originale à votre programme. Une image légèrement différente de votre chat donnera une réponse négative. Par exemple, si vous prenez une photo de votre chat sous un angle légèrement différent, le programme échouera.
Une solution consiste à prendre des photos de votre chat sous différents angles et à créer de nouvelles règles pour votre application afin de comparer chaque entrée avec toutes ces images. Même si vous prenez un million de photos de votre chat, vous ne pourrez pas prendre en compte tous les cas possibles. Un changement des conditions d’éclairage ou de l’arrière-plan de l’image modifiera la valeur du pixel et entraînera l’échec du programme. Vous aurez besoin de millions d’autres images et de règles pour celles-ci.
Et si vous vouliez créer un programme capable de détecter n’importe quel chat ? Combien de règles devriez-vous créer pour cela ?
L’exemple du chat peut paraître idiot, mais c’est le genre de problèmes avec lesquels les programmes d’IA symbolique ont toujours été aux prises. Vous ne pouvez pas définir de règles pour les données désordonnées qui existent dans le monde réel. Par exemple, comment pouvez-vous définir les règles pour un auto-conduite pour détecter tous les piétons différents auxquels elle pourrait être confrontée ?
En outre, certaines tâches ne peuvent pas être traduites en règles directes, notamment la reconnaissance vocale et le traitement du langage naturel.
Plusieurs efforts ont été déployés pour créer des systèmes d’IA symbolique complexes qui englobent les multitudes de règles de certains domaines. Appelés systèmes experts, ces modèles d’IA symbolique utilisent des connaissances et des règles codées en dur pour s’attaquer à des tâches compliquées telles que le diagnostic médical. Mais ils exigent un effort considérable de la part des experts de domaine et des ingénieurs en logiciels et ne fonctionnent que dans des cas d’utilisation très restreints. Dès que vous aurez généralisé le problème, il y aura une explosion de nouvelles règles à ajouter (vous vous souvenez du problème de la détection des chats ?), qui nécessiteront plus de travail humain. Comme le soulignent certains scientifiques de l’IA, Les systèmes d’IA symboliques ne sont pas à l’échelle.
Réseaux de neurones vs IA symbolique
Les réseaux neuronaux sont presque aussi vieux que l’IA symbolique, mais ils ont été largement rejetés parce qu’ils étaient inefficaces et nécessitaient des ressources de calcul qui n’étaient pas disponibles à l’époque. Au cours de la dernière décennie, grâce à la grande disponibilité des données et à la puissance de traitement, l’apprentissage approfondi a gagné en popularité et a dépassé les systèmes d’IA symbolique.
L’avantage des réseaux neuronaux est qu’ils peuvent traiter des données désordonnées et non structurées. Prenons l’exemple du détecteur de chat. Au lieu de travailler manuellement sur les règles de détection des pixels des chats, vous pouvez former un algorithme d’apprentissage profond sur de nombreuses images de chats. Le réseau de neurones développe alors un modèle statistique pour les images de chats. Lorsque vous lui fournissez une nouvelle image, il renvoie la probabilité qu’elle contienne un chat.
L’apprentissage profond et les réseaux de neurones excellent exactement dans les tâches auxquelles l’IA symbolique est confrontée. Ils ont créé une révolution dans les applications de vision par ordinateur telles que la reconnaissance faciale et la détection du cancer. L’apprentissage approfondi a également permis de faire des progrès en matière de les tâches liées à la langue.
Les réseaux neuronaux profonds sont également très adaptés pour l’apprentissage par renforcement, des modèles d’IA qui développent leur comportement par de nombreux essais et erreurs. C’est le type d’IA qui maîtrise les jeux compliqués tels que Go, StarCraft et Dota.
Mais les avantages de l’apprentissage profond et des réseaux de neurones ne sont pas sans compromis. L’apprentissage approfondi comporte plusieurs défis de taille et les inconvénients par rapport à l’IA symbolique. Notamment, les algorithmes d’apprentissage profond sont opaques, et le fait de savoir comment ils fonctionnent perplexe même leurs créateurs. Et il est très difficile de communiquer et de dépanner leur fonctionnement interne.
Les réseaux neuronaux sont également très gourmands en données. Et contrairement à l’IA symbolique, les réseaux neuronaux n’ont aucune notion de symboles et de représentation hiérarchique de la connaissance. Cette limitation rend très difficile l’application des réseaux neuronaux à des tâches qui requièrent de la logique et du raisonnement, comme la science et la les mathématiques du lycée.
L’état actuel de l’IA symbolique
Certains pensent que l’IA symbolique est morte. Mais cette hypothèse ne pourrait pas être plus éloignée de la vérité. En fait, les systèmes d’IA basés sur des règles sont toujours très importants dans les applications actuelles. De nombreux scientifiques de renom pensent que le raisonnement symbolique restera une composante très importante de l’intelligence artificielle.
Plusieurs efforts sont actuellement déployés pour combiner les réseaux de neurones et l’IA symbolique. L’un de ces projets est le Neuro-Symbolic Concept Learner (NSCL), un système d’IA hybride développé par le MIT-IBM Watson AI Lab. Le NSCL utilise à la fois des programmes basés sur des règles et des réseaux de neurones pour résoudre des problèmes visuels de questions-réponses. Contrairement aux modèles purement basés sur les réseaux de neurones, l’IA hybride peut apprendre de nouvelles tâches avec moins de données et est explicable. Et contrairement aux modèles purement symboliques, le NSCL n’a pas de mal à analyser le contenu des images.
Peut-être qu’à l’avenir, nous inventerons des technologies d’IA qui pourront à la fois raisonner et apprendre. Mais pour l’instant, l’IA symbolique est la principale méthode pour traiter les problèmes qui nécessitent une pensée logique et une représentation des connaissances.
Cet article a été publié à l’origine par Ben Dickson le TechTalksLe rapport de la Commission européenne sur les technologies de l’information et de la communication (TIC), une publication qui examine les tendances en matière de technologie, la manière dont elles affectent notre façon de vivre et de faire des affaires, et les problèmes qu’elles résolvent. Mais nous abordons également le côté maléfique de la technologie, les implications plus sombres des nouvelles technologies et ce à quoi nous devons faire attention. Vous pouvez lire l’article original ici.
Couverture de la Corona
Lisez notre couverture quotidienne sur la façon dont l’industrie technologique réagit au coronavirus et abonnez-vous à notre bulletin hebdomadaire Coronavirus in Context.
Pour des conseils et des astuces sur le travail à distance, consultez nos articles sur les quarts de croissance ici ou suivez-nous sur Twitter.
