À retenir
- Mélange l'apprentissage automatique (statistiques) et la logique (règles).
- Améliore la compréhension et la transparence des décisions de l'IA.
- Consomme souvent moins de données que le Deep Learning pur pour certaines tâches complexes.
L'intelligence artificielle neuro-symbolique est une approche hybride qui cherche à combiner les deux grandes familles de l'IA : l'apprentissage profond (réseaux de neurones) et la logique mathématique (systèmes symboliques). Imaginez un système qui possède à la fois l'intuition d'un artiste pour reconnaître des images et la rigueur d'un mathématicien pour résoudre des équations complexes.
Étymologie
Le terme est un mot composé issu du grec neuron (nerf, désignant ici les réseaux de neurones artificiels) et du mot symbole (représentation logique). C'est un calque de l'anglais neurosymbolic, apparu pour désigner la convergence entre l'IA connexionniste (données) et l'IA classique (règles).
Exemples d'usage
- Une voiture autonome qui utilise les réseaux de neurones pour identifier les piétons (vision), mais applique des règles logiques strictes pour respecter le code de la route.
- Un assistant médical qui analyse une radio par apprentissage statistique et justifie son diagnostic en citant des règles médicales précises.
Cas d'usage
Ce concept est particulièrement utile dans les domaines nécessitant une IA explicable (où l'on doit comprendre pourquoi une décision a été prise), comme la finance, la santé ou la cybersécurité. Il intervient aussi dans la robotique pour permettre à une machine de manipuler des objets tout en comprenant des instructions logiques complexes.
Bonnes pratiques
Privilégier cette approche lorsque la quantité de données est limitée mais que les règles métier sont bien connues. Elle permet d'éviter l'effet boîte noire des modèles d'IA classiques en rendant le raisonnement transparent pour l'utilisateur humain.
Synonymes
Antonymes
Conseil
Pour bien comprendre, faites l'analogie avec le cerveau humain : les réseaux de neurones correspondent à nos réflexes et perceptions rapides, tandis que la partie symbolique correspond à notre capacité à suivre une recette ou un manuel de montage.
Questions fréquentes
Pourquoi ne pas utiliser uniquement les réseaux de neurones ?
Les réseaux de neurones sont excellents pour reconnaître des motifs, mais ils peinent souvent avec le raisonnement logique abstrait et nécessitent énormément de données.
Est-ce une technologie récente ?
Le concept existe depuis les débuts de l'IA, mais il connaît un regain d'intérêt massif pour corriger les limites de l'IA actuelle (erreurs logiques, manque de transparence).