L’IA neurosymbolique est un sujet d’actualité dans la recherche sur l’IA qui combat les hallucinations et autres imprécisions en combinant l’apprentissage automatique avec des méthodes exactes basées sur la logique, les règles et les faits. L’un des domaines d’application de l’IA neurosymbolique est la gestion du trafic aérien. Après l’horrible série d’accidents d’avion aux États-Unis, le président Donald J. Trump a déclaré son objectif de renouveler complètement le contrôle du trafic aérien américain. L’IA neurosymbolique jouera-t-elle un rôle dans ce nouveau système ?
Alexander Gebhard Beiser
16 avril 2025
Chinese version | English version
L’IA ne cesse de faire les gros titres sur ses récentes percées, notamment en recevant le prix Nobel de physique 2024 pour ses découvertes fondamentales en matière d’apprentissage automatique avec des réseaux de neurones artificiels et en jouant un rôle central dans le prix Nobel de chimie, son engouement a atteint des sommets sans précédent. La majeure partie de ce battage médiatique peut être attribuée aux techniques sous-jacentes à l’apprentissage automatique, aux réseaux neuronaux, à l’apprentissage profond, au big data et aux grands modèles de langage (LLM). Bien que ces approches donnent d’excellents résultats dans des tâches telles que la reconnaissance d’images ou de la parole, leur principal inconvénient est qu’elles ne sont pas exactes. Pour les LLM tels que ChatGPT, ceci est lié au problème d’hallucination des LLM, où ils présentent des informations comme des faits qui sont, en fait, faux. Ces problèmes suscitent la méfiance à l’égard des systèmes d’IA et compliquent encore leur application dans les systèmes et les secteurs critiques pour la sécurité, tels que la gestion du trafic aérien.
L’IA symbolique et l’IA subsymbolique sont les deux principales branches scientifiques de la recherche sur l’IA. L’une des meilleures façons de les appréhender est de les relier au livre de Kahneman : « Thinking Fast and Slow » (D. Kahneman, 2011).
La pensée rapide, ou pensée de type 1, décrit la manière dont les humains prennent des décisions dans les tâches quotidiennes. Imaginez un banlieusard qui se rend à son travail et qui descend les escaliers d’une station de métro. Un train approche et il doit décider s’il doit courir pour l’attraper ou attendre le suivant. Cette décision doit être prise dans l’instant, car le train n’attendra pas. Cette pensée de type 1 est rapide et intuitive, mais parfois erronée dans le sens où la décision prise n’est pas optimale.
La pensée lente ou pensée de type 2, en revanche, est délibérative. Elle est utilisée pour prendre des décisions en pesant les options les unes par rapport aux autres. Par exemple, un touriste planifie un voyage de vacances en Autriche. Plusieurs options sont envisagées en fonction de la période de l’année et de l’expérience souhaitée : les magnifiques paysages du Tyrol, le ski sur les pentes alpines ou la découverte des hauts lieux culturels de Vienne. Un plan est élaboré en dressant une liste des destinations possibles et en pesant le pour et le contre.
Ce type de réflexion est lent, délibéré et précis.
Quel est le lien avec l’IA ? Les parallèles entre la pensée de type 1 et l’IA subsymbolique, ainsi que la pensée de type 2 et l’IA symbolique, sont frappants : alors que l’IA subsymbolique prend des décisions approximatives basées sur un comportement appris, l’IA symbolique utilise un raisonnement logique et des méthodes dont l’exactitude peut être prouvée.
L’IA subsymbolique utilise des données pour entraîner des réseaux neuronaux ou d’autres techniques d’apprentissage statistique. Prenons l’exemple suivant : L’ensemble de données MNIST contient 70 000 images de chiffres manuscrits compris entre 0 et 9. Étant donné un tel chiffre, la tâche d’une méthode d’IA subsymbolique, telle qu’un réseau neuronal, est de prédire correctement la valeur du chiffre. Le réseau neuronal apprend, par des essais et des erreurs répétés, à classer correctement une telle image.
Les méthodes symboliques, quant à elles, s’appuient sur un raisonnement et des algorithmes dont la correction est prouvée. Ce raisonnement repose sur des règles et des contraintes définies avec précision. Prenons l’exemple d’un contrôleur aérien qui doit séparer les avions les uns des autres en toute sécurité tout en établissant un programme efficace. Les méthodes de l’IA symbolique peuvent aider à concevoir un tel programme. Prenons par exemple l’Answer Set Programming (ASP), une méthode d’IA symbolique basée sur la programmation logique. L’ASP est capable de générer automatiquement un programme à partir d’un ensemble de règles qui définissent le nombre d’avions, la structure de l’espace aérien et les contraintes à prendre en compte.
L’IA neurosymbolique vise à réaliser une symbiose entre l’IA subsymbolique et l’IA symbolique. L’espoir est que l’IA neurosymbolique permettra aux systèmes subsymboliques de raisonner tout en permettant aux systèmes symboliques de gérer les incertitudes. En d’autres termes, il s’agit de les rapprocher du processus de prise de décision d’un être humain.
L’IA neurosymbolique a un potentiel énorme. Forbes a récemment publié une liste de 20 applications pratiques de l’IA neurosymbolique, avec des exemples allant de l’analyse automatisée de documents juridiques à l’amélioration de la sécurité des avions. L’amélioration de la sécurité des avions est également conforme à la feuille de route 2.0 de l’Agence européenne de la sécurité aérienne (AESA) en matière d’intelligence artificielle, dans laquelle l’IA neurosymbolique fait partie de son plan d’intégration de l’IA dans l’aviation.
En Autriche, le Centre pour l’intelligence artificielle et l’apprentissage automatique (CAIML, https://caiml.org/, consulté le 29 mars 2025) et le pôle d’excellence Bilateral AI (BilAI, https://www.bilateral-ai.net/home, consulté le 29 mars 2025) sont à l’œuvre dans le domaine de l’intelligence artificielle et de l’apprentissage automatique.
Photo : Silhouette d’un avion sur fond de coucher de soleil. généré par IA
