Les deux paradigmes

Depuis son avènement l’intelligence artificielle « balançait » entre deux paradigmes majeurs que sont : l’IA symbolique et l’IA connexionniste. Il est en outre largement reconnu que ces deux paradigmes ont des points forts différents et souvent complémentaires [Sun, 97].

2. 1. L’IA symbolique

Dès son avènement, le traditionnel paradigme symbolique [Newell, 76] est un des domaines d’investigation de l’intelligence artificielle, il se définit comme le domaine de développement des modèles qui manipulent des symboles. Le traitement dans de tels

modèles est basé sur une représentation explicite qui comporte des symboles organisés de manière spécifique, et les informations de dépendance sont explicitement représentées à l’aide des symboles et des combinaisons syntaxiques à partir de ces symboles.

2. 1. 1. Représentation et recherche

Deux concepts clefs sont inhérents à l’approche symbolique : l’espace de recherche de la solution et le mode de représentation des données.

En ce qui est du problème de la recherche de la solution, il est convenu que pour résoudre un problème donné, il existe un espace de recherche, cet espace est composé d’états (nœuds), chacun d’entre eux décrit une étape dans la résolution du problème. Des opérateurs sont appliqués pour atteindre un nouvel état à partir de l’état actuel. Les stratégies de recherche adoptées aux débuts de l’IA incluent les stratégies en profondeur d’abord et en largeur d’abord [Newell, 76]. Cette notion d’espace de recherche a été introduite dans tous les champs de l’IA y compris la résolution de problèmes, le traitement de langage naturel, la robotique, …

L’autre concept est la représentation des données, ce qui suppose que la connaissance doit être exprimée sous une forme interne qui faciliterait son utilisation, selon les besoins de la tâche à effectuer.

De multiples modes de représentation ont été investigués durant ces années, la plupart furent utilisés en conjonction avec des algorithmes de recherche. L’un des modes de représentation récents invoque le raisonnement à base de règles, dans ce mode de raisonnement des règles discrètes sont utilisées pour diriger la recherche (inférence). Les règles sont composées d’une partie condition qui spécifie les conditions d’utilisation de la règle et d’une partie conclusion qui définie l’action à entreprendre. Les règles sont modulaires et donc l’ajout ou la suppression de règles n’affecte pas le reste du système. Une des formes usuelles du raisonnement à base de règles sont les systèmes de production dont les systèmes experts qui émergèrent de quelques théories psychologiques dans les années 60 et 70.

Un système expert est un logiciel qui reproduit le comportement d'un expert humain accomplissant une tâche intellectuelle dans un domaine précis. On peut souligner les points suivants :

• les systèmes experts sont généralement conçus pour résoudre des problèmes de

classification ou de décision (diagnostic médical, prescription thérapeutique,

régulation d'échanges boursiers, ...)

• les systèmes experts sont des outils de l'intelligence artificielle, c'est-à-dire qu'on ne les utilise que lorsque aucune méthode algorithmique exacte n'est disponible ou praticable

• un système expert n'est concevable que pour les domaines dans lesquels il existe des experts humains. Un expert est quelqu'un qui connaît un domaine et qui est plus ou moins capable de transmettre ce qu'il sait : ce n'est par exemple pas le cas d'un enfant par rapport à sa langue maternelle.

Un système expert est composé de deux parties indépendantes :

• une base de connaissances elle-même composée d'une base de règles qui modélise la connaissance du domaine considéré et d'une base de faits qui contient les informations concernant le cas que l'on est en train de traiter

• un moteur d'inférences capable de raisonner à partir des informations contenues dans la base de connaissance, de faire des déductions, etc.

Base de règles Base de faits Base de connaissances Moteur d’inférence Utilisateur EXPERT cogniticien

2. 1. 3. L’apprentissage symbolique

L’apprentissage est une des orientations majeures en intelligence artificielle. Mais, en intelligence artificielle, l’apprentissage est difficile en dépit de modes de représentation sophistiqués, ceci est probablement dû au fait qu’à ses débuts l’intelligence artificielle symbolique s’est plutôt centrée autour de la représentation que de l’apprentissage.

Toutefois, quelques développements furent accomplis dans ce sens en particulier depuis la fin des années 80 (voir [Shavlik, 90]). Mais la majorité des algorithmes proposés implantent l’apprentissage au travers de règles simples ou d’arbres de décision [Quinlan, 86]. Ils nécessitent soit le regroupement de tous les exemples en classes distinctes ou même qui se recouvrent (i.e. clustering), soit l’induction de règles de classification qui décrivent la mise en place d’un concept [Michalski, 83]. Plus récemment des algorithmes ont été modifiés pour prendre en considération des données brouillées ou inconsistantes.

2. 1. 4. Avantages et inconvénients

Le principal avantage de l’approche symbolique est son haut niveau d’abstraction, qui permet de décrire la connaissance de manière compréhensive. En particulier les systèmes de production qui comptent parmi eux les systèmes experts, donnent des explications aux réponses que le système produit sous forme de traces des inférences effectuées.

Mais bien que le paradigme symbolique domine l’intelligence artificielle et les sciences cognitives depuis bien longtemps, il fût la cible de nombreuses critiques. Ces critiques concernent largement leur incapacité à gérer les connaissances incomplètes, incorrectes ou incertaines. De plus, un système symbolique est souvent incapable d’apprendre par lui-même.

2. 2. L’IA connexionniste

L’idée de base dans le connexionisme est d’utiliser une interconnexion dense d'éléments de calculs simples. Cette nouvelle approche rencontra à la fois un enthousiasme de la part des déçus de l’IA symbolique mais aussi une grande aversion de la part des ardents défenseurs de l’IA symbolique. Aujourd’hui encore, on peut sentir la division entre ces deux paradigmes de l’IA, toutefois, on voit aussi fleurir des hybridation entre eux.

Les modèles connexionnistes passant pour être une ultime étape vers la capture des propriétés biologiques de l’intelligence.

2. 2. 1. L’apprentissage connexionniste

Les modèles connexionnistes excèllent en apprentissage. Aussi, contrairement à l’IA symbolique qui est axée sur la représentation, les fondements des modèles connexionnistes ont toujours été leur capacité à apprendre. Plusieurs algorithmes sont alors développés le plus connu étant la rétropropagation (voir chapitre III).

2. 2. 2. La représentation des connaissances

Bien qu’il soit relativement difficile d’élaborer des représentations sophistiquées dans les modèles connexionnistes comparativement aux modèles symboliques, il y a eu des développements significatifs dans la représentation des connaissances.

2. 2. 3. Avantages et inconvénients

Les réseaux de neurones sont de bons classifieurs, en particulier, les réseaux de neurones sont des outils performants grâce à leur capacité d’apprentissage, de généralisation et de classification. Toutefois il existe encore des limitations liées à leur style d’apprentissage, c’est la raison pour laquelle plusieurs travaux se sont orientés vers les systèmes hybrides afin de remédier aux inconvénients de ce paradigme améliorant ainsi le taux de reconnaissance et la robustesse du système.

2. 3. L ‘intégration des réseaux de neurones et des systèmes experts

L’évolution importante qui caractérise les systèmes experts est sans contestation leur intégration dans les modèles connexionnistes, la puissance fondamentale de cette hybridation est la complémentarité entre les deux approches. Cette complémentarité est illustrée dans le tableau suivant extrait de [Boz, 97] où les caractéristiques sont notées par une appréciation variant de 1 à 5 :

Systèmes experts Réseaux connexionnistes

Acquisition des connaissances 5 1

Adaptation aux nouveaux problèmes 4 1

Raisonnement de haut niveau 1 5

Raisonnement de bas niveau 3 1

Explicabilité 1 5

Tableau IV. 1 Tableau comparatif entre les réseaux de neurones et les systèmes experts