Pour le Parlement européen, constitue une intelligence artificielle tout outil utilisé par une machine afin de « reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité ».

Plus précisément, la Commission européenne considère que l’IA regroupe :

• les approches d’apprentissage automatique ;
• les approches fondées sur la logique et les connaissances ; et
• les approches statistiques, l’estimation bayésienne, et les méthodes de recherche et d’optimisation. »

Diverses approches technologiques coexistent actuellement, avec notamment  

• le Machine Learning qui repose sur des méthodes statistiques,  
• l'IA Symbolique (en particulier les Systèmes Experts), qui se fonde sur l'interprétation et la manipulation des symboles.  

‍

Nous allons essayer d’expliquer brièvement la différence entre ces deux approches et dans quel contexte utiliser l’une ou l’autre de ces approches (ou les deux) ?  

‍

Le Machine Learning

‍

‍

Le Machine Learning (avec par exemple les réseaux neuronaux ou l’IA générative telle que ChatGPT) constitue une catégorie de techniques d'apprentissage automatique qui permet aux ordinateurs d’acquérir des connaissances à partir de données.  

Sur des échantillons préalablement qualifiés, le Machine Leaning permet aux ordinateurs de discerner des structures et des relations au sein des données (corrélations), leur permettant ainsi de réaliser des prédictions sur de nouvelles données non entrainées.  

‍

‍

Lorsque l’on dispose d’une grande quantité de données de qualité, déjà labellisées (c’est-à-dire caractérisées pour le facteur que l’on cherche à prédire, par exemple la présence d’une maladie), le Machine Learning est approprié.

Il est capable de repérer dans les données des tendances qui pourraient passer inaperçues à l'observation humaine.

L’inconvénient est que le résultat issu du Machine Learning est peu explicable (effet boîte noire), et coûteux en puissance informatique.

‍

L’IA symbolique

‍

L’IA symbolique repose quant à elle sur l'utilisation d'un système de "symboles", fournissant ainsi une base pour des technologies telles que les Systèmes Experts qui s'appuient sur une série de règles, par exemple.

Lorsque l’on ne dispose pas de données nombreuses et qualifiées pour entraîner des algorithmes de Machine Learning et qu’on dispose de l’expertise humaine pour exprimer des règles, l’IA symbolique est appropriée.

‍

‍

Elle permet, à l’aide de moteurs d’inférence, de répliquer le fonctionnement de la pensée humaine et les déductions qui en découlent. L’IA symbolique est ainsi, par exemple, parfaitement appropriée dans le cas de détection de fraudes, quand on ne dispose pas d’une importante base de données « qualifiée » de fraudeurs dans le passé, mais que des experts savent repérer des comportements « suspects ».

Les deux approches, IA symbolique et Machine Learning, ne doivent pas s’opposer mais se compléter : c’est le neuro-symbolique.

Les systèmes hybrides exploitent les avantages à la fois de l'IA symbolique et du Machine Learning en adoptant une approche combinée :

‍

‍

-> L’IA symbolique est ainsi utilisée pour représenter les connaissances et les règles logiques propres à un domaine spécifique.

-> Ensuite, le Machine Learning améliore les performances de l'IA symbolique, afin de rendre le modèle de décision plus précis et flexibles.

Pour apprendre à une voiture autonome à s’arrêter au feu rouge, on peut lui soumettre des milliers de vidéos de voitures et de feu rouges (Machine Learning), ou alors lui expliquer que quand le feu est rouge, on s’arrête !

‍

Et Kwadaï dans tout ça ?  

Il faut savoir que Kwadaï a été créé grâce à une technologie d’IA symbolique ! Par ailleurs, il propose un moteur d'inférence (K-rules) qui permet de gérer des règles métiers complexes.

Ainsi, Kwadaï vous offre :

-> la possibilité d'accéder aux techniques d'IA symbolique avec K-rules

-> la réalisation de toutes les étapes de 'data preparation' préalable à la mise en œuvre du Machine Learning

C'est un outil qui combine la puissance des données à la simplicité du langage naturel. Alors, prêts à tester ?