IA connexionniste et symbolique : quelles différences ?

Jan 19, 2023 | IA/Data Science

Plus 80% des organisations data-centric font le constat que l’intelligence artificielle (IA) amène chaque jour davantage de valeur dans de nombreux métiers, tels que le marketing, la relation client, la logistique, la finance, la planification des interventions, la sécurité et bien d’autres fonctions supports.

Avec l’ambition de faire preuve d’exemplarité en matière de systèmes décisionnels explicables de bout-en-bout, les organisations placent la data et l’IA au cœur de leur modèle d’innovation.

[Livre Blanc] Intelligence Artificielle : réussir son architecture de fusion et décision

Les différents types d’intelligence artificielle

Faciliter l’accès des métiers aux données de l’entreprise, réduire le risque de non-détection d’évènements redoutés, améliorer la disponibilité de systèmes critiques, assurer un haut niveau de sécurité active d’information pour les systèmes autonomes, réconcilier de gros volumes de données hétérogènes et multi-sources dans le but de remonter des signaux faibles non perceptibles humainement… sont d’autant d’enjeux business qui motivent la mise en place de plateformes d’IA.

La mise en place de ces plateformes est très généralement guidée par l’approche que l’on souhaite donner aux algorithmes d’apprentissage profond (Deep Learning) dans leur capacité à prendre en compte la gradualité des frontières tout en limitant la complexité des modèles construits. DataValue Consulting vous propose un panorama des différents types d’IA.

IA symbolique

Ce type d’IA simule un raisonnement humain en explorant un ensemble de règles et de faits prédéfinis à l’avance traduisant les solutions à un problème donné. 

La mise en œuvre d’un système d’IA symbolique répond à une alternative aux approches basées sur la possibilité d’apprendre à partir de peu de données, le caractère interprétable des modèles et le caractère explicable des décisions.

L’abduction : le raisonnement de l’IA est inféré selon une formule logique établie en fonction d’une base de connaissance des faits établis et connus.
Les arbres causaux : l’IA infère selon une formalisation « floue » des explications qui induisent aux faits établis et connus. On élabore un système d’argumentation abstrait qui lie des observations à des faits.

IA connexionniste

L’approche connexionniste d’une forme d’IA lui confère la capacité à apprendre diverses représentations des données. Cette approche est à la base des réseaux de neurones formels mis en œuvre dans le principe du deep learning.

L’IA connexionniste retranscrit les phénomènes mentaux par le biais de réseaux de neurones formels, ce qui n’est pas le cas de l’IA symbolique. Le système d’IA connexionniste est sous la forme de modèles basés sur un réseau d’ensembles d’unités d’exécution d’information superposées en couches. À l’image du cerveau humain, ce réseau traite l’information à travers des modèles de propagation d’activations de ces unités (les synapses) qui s’actionnent au-delà d’un certain seuil.

L’intelligence artificielle hydride 

En combinant des modèles d’IA connexionnistes avec ceux symboliques, nous sommes convaincus du renforcement du caractère expressif et explicable de bout en bout du système d’IA hybride résultant. Plus généralement sous la forme d’un système multi-agents (SMA), le modèle d’IA hybride ouvre des perspectives d’exploitation stratégique de jumeaux numériques (Digital Twins) pour l’innovation et la R&D.

En effet, disposer d’une réplique numérique d’un système complexe couplée à un réseau d’IA hybrides expressifs et explicables dédié, permet de :

Accélérer la découverte d’information ou de signature (feature) nouvelle non perceptible humainement,
Bâtir des prévisions de tendance d’évolution et des comportements ou des modes opératoires,
Comprendre finement les systèmes industriels et informatiques et leurs usages,
Renforcer la proposition de valeur auprès de clients.

Chez DataValue Consulting, nous accompagnons des organisations dans la construction de stratégies de jumelage numérique qui accélèrent leur projet de transformation digitale. De nombreux cas d’usage sont envisagés dans divers secteurs d’activité tels que :

Le retail (grande distribution) : cas de construction d’informations virtuelles qui décrit en totalité une chaîne de valeur de l’activité, du niveau micro au niveau macro.
La détection de fraude (banque, finance, assurance) : cas de prévention de risques lié entre autres, au financement du terrorisme, à la côte d’insolvabilité de demandeur de crédit… grâce aux moteurs d’IA couplés au dispositif de traitement automatique des transactions.
La maintenance prédictive (industrie) : cas de couplage d’algorithmes de monitoring dans des modèles multiphysiques.
La planification de sous-réseau d’un maillage d’unités : cas du pilotage de la flexibilité électrique dans un réseau de distribution d’électricité ; cas de la couverture de réseau de télécommunication.

Et bien d’autres cas d’usage de jumelage numérique.

La mise en œuvre d’un système d’intelligence artificielle

Fort de retours d’expérience sur plusieurs dizaines de cas concrets de projets d’IA, couplés à des résultats de travaux de veille technologique et scientifique active menés au sein de son Lab’Innovation, DataValue Consulting propose une méthodologie de mise en œuvre de système d’IA qui allie les principes structurels de mise en qualité de données avec ceux de l’ingénierie d’extraction des connaissances.

Elle tire son fondement d’enjeux de terrain dont en voici les plus importants, outre ceux réglementaires :

Élaborer un modèle formel de raisonnement d’experts métiers pour permettre son développement informatique dans une démarche agile, tout en garantissant une explicabilité et une interprétabilité de bout en bout in fine.
Assurer de poser les bases technologiques nécessaires au pilotage proactif des états du raisonneur artificiel dans un projet de mise en œuvre d’un système d’IA.

Notre méthodologie de construction d’une base de connaissance pour une IA expressive et explicable se décline en 5 grandes étapes :

Identifier le périmètre : établir la pertinence des évènements redoutés, évaluer l’interaction avec l’environnement.
Recenser les déclarations : proposer une catégorisation des modes de raisonnement d’experts du domaine
Choisir l’approche du raisonneur : évaluer l’approche par abduction et par arbres causaux selon la logique d’experts.
Établir une modélisation formelle : réconcilier le schéma du modèle de données avec celui du raisonnement d’experts.
Coder intelligemment les règles : élaborer un moteur d’inférence dans un environnement de programmation modulaire en agile.

Retrouvez toute la méthodologie détaillée dans le livre blanc : Intelligence Artificielle : réussir son architecture de fusion et décision