Qu'est-ce que Intelligence Artificielle Symbolique C'est-à-dire ?
L'intelligence artificielle symbolique (également connue sous le nom de AI classique ou GOFAI - Good Old-Fashioned Artificial Intelligence) représente l'une des premières approches de l'intelligence artificielle, axée sur la représentation explicite des connaissances à l'aide de symboles et de règles. Cette approche tente de modéliser la pensée et le raisonnement humains par le biais de la logique formelle et de la manipulation de symboles. Contrairement à l'approche moderne de l apprentissage automatique qui apprennent à partir de données, la AI symbolique s'appuie sur des règles et des bases de connaissances codées par l'homme pour résoudre les problèmes. Par exemple, dans un système de AI symbolique conçu pour le diagnostic médical, les connaissances seraient représentées par des règles explicites reliant les symptômes aux conditions possibles, tout comme un médecin pourrait raisonner à travers un processus de diagnostic.
Comprendre l'intelligence artificielle symbolique
La mise en œuvre de AI symbolique est centrée sur la manipulation de symboles et de règles lisibles par l'homme qui représentent des concepts et des relations du monde réel. Ces systèmes font appel à la logique formelle, aux arbres de décision et à l'informatique. systèmes experts pour traiter l'information et prendre des décisions. Cette approche part du principe que l'intelligence humaine peut être réduite à la manipulation de symboles, où les pensées et les processus de raisonnement complexes sont décomposés en opérations symboliques plus simples. Par exemple, dans un traitement du langage naturel un système AI symbolique analyserait les phrases en les décomposant en leurs éléments grammaticaux et en appliquant des règles prédéfinies pour en comprendre le sens.
Les applications pratiques de la AI symbolique ont toujours été importantes dans divers domaines. Dans les systèmes experts, la AI symbolique a été utilisée pour capturer et appliquer l'expertise humaine dans des domaines tels que le diagnostic médical, où des règles et des chemins de décision clairs peuvent être définis. Dans les systèmes de raisonnement automatisés, la AI symbolique permet aux ordinateurs de résoudre des problèmes logiques complexes en appliquant des règles formelles de déduction. Ces systèmes excellent dans les domaines où les problèmes peuvent être bien définis et les règles explicitement énoncées.
La mise en œuvre de systèmes AI symboliques implique une ingénierie des connaissances et une définition des règles minutieuses. Les connaissances des experts doivent être traduites en déclarations logiques formelles et en règles que l'ordinateur peut traiter. Ce processus, connu sous le nom de représentation des connaissances, requiert une expertise significative à la fois dans le domaine modélisé et dans la programmation logique. Les systèmes qui en résultent peuvent expliquer clairement leurs décisions en retraçant les étapes logiques et les règles appliquées, ce qui les rend particulièrement utiles dans les applications où la transparence des décisions est cruciale.
Les développements modernes ont conduit à des approches hybrides qui combinent la AI symbolique et l'apprentissage automatique. Ces systèmes tentent de tirer parti des atouts des deux paradigmes - le raisonnement explicite et l'interprétabilité des systèmes symboliques avec la reconnaissance des formes et les capacités d'apprentissage des réseaux neuronaux. Par exemple, dans les véhicules autonomes, la AI symbolique peut gérer le raisonnement de haut niveau sur les règles de circulation tandis que les réseaux neuronaux traitent les données des capteurs pour la détection d'objets.
L'évolution du AI symbolique continue d'influencer le développement du AI moderne. Bien que les approches purement symboliques aient largement cédé la place aux méthodes d'apprentissage automatique dans de nombreuses applications, les principes de la représentation explicite des connaissances et du raisonnement logique restent pertinents. Les recherches actuelles explorent les moyens d'incorporer le raisonnement symbolique dans la apprentissage profond afin de créer des solutions AI plus robustes et plus faciles à interpréter. Cette intégration vise à remédier à certaines des limites des systèmes purement réseau neuronal de l'approche, comme la nécessité de disposer d'un grand nombre de données. données de formation et la difficulté d'intégrer la connaissance explicite du domaine.
Le domaine est confronté à des défis permanents en ce qui concerne l'adaptation à la complexité et à l'incertitude du monde réel. La nature rigide des représentations symboliques peut rendre difficile le traitement d'informations ambiguës ou incomplètes, et la création manuelle de bases de connaissances peut prendre beaucoup de temps et être sujette à des erreurs. Cependant, la capacité de la AI symbolique à fournir des chemins de raisonnement clairs et à incorporer une connaissance explicite du domaine continue à la rendre précieuse dans des applications spécifiques, en particulier lorsque l'explicabilité et la vérification formelle sont requises.
" Retour à l'index des glossaires