5. Quatre grandes familles d’approches

5. Quatre grandes familles d’approches

5.1 Approche symbolique

L’approche symbolique représente les connaissances explicitement au moyen de symboles, de faits, de règles et de structures manipulables. Par exemple, une mesure de 38 °C est une valeur numérique; l’énoncé « le patient a de la fièvre » est une interprétation symbolique utilisable dans une règle.

Les systèmes experts, la démonstration de théorèmes, la logique et la recherche dans un espace d’états appartiennent à cette famille. Ses forces sont la traçabilité et l’explicabilité : on peut inspecter les connaissances et le chemin de raisonnement. Ses limites apparaissent lorsque les connaissances sont difficiles à formaliser, incomplètes, ambiguës ou bruitées.

Cette approche est centrale dans IFT-2003 parce qu’elle permet d’étudier explicitement la représentation des problèmes, la logique, le raisonnement et la résolution de problèmes.

5.2 Réseaux de neurones

Les réseaux neuronaux s’inspirent de manière très simplifiée du fonctionnement biologique. Au lieu d’encoder toutes les connaissances sous forme de règles, ils apprennent des paramètres à partir de données. La connaissance acquise demeure donc largement implicite dans les poids et les interactions du réseau.

Ils sont particulièrement efficaces pour reconnaître des structures complexes : chiffres manuscrits, objets dans des images, régularités dans des observations ou séquences linguistiques. Leur essor a été favorisé à la fois par l’augmentation de la puissance de calcul et par l’abondance des données et traces numériques rendues disponibles par Internet. Leur efficacité dépend toutefois de la quantité, de la qualité et de la représentativité des données. Leur principale faiblesse, par contraste avec le symbolique, est souvent l’explicabilité : une bonne prédiction n’est pas nécessairement accompagnée d’une justification intelligible.

Il faut distinguer reconnaissance et compréhension explicite. Un réseau peut classer correctement une image en comparant des régularités apprises sans disposer d’un concept lisible de l’objet ni pouvoir nommer les raisons de sa décision. Cette différence motive les travaux sur l’interprétabilité.

5.3 Approches génétique et émergente

Les algorithmes génétiques font évoluer une population de solutions en s’inspirant de la sélection, du croisement et de la mutation. Ils explorent ainsi de vastes espaces de solutions, notamment pour des problèmes d’optimisation combinatoire comme le voyageur de commerce.

Le mécanisme ne teste pas nécessairement chaque combinaison. Il conserve et transforme plutôt des candidats prometteurs d’une population à la suivante. Cette exploration peut découvrir une très bonne solution à coût raisonnable, mais elle peut aussi ne jamais visiter l’optimum global.

Les approches émergentes produisent un comportement global à partir d’interactions locales simples. Les automates cellulaires et certains systèmes multiagents en sont des exemples.

Dans un système multiagent, les agents sont des entités ou programmes en interaction. Ils peuvent employer des méthodes différentes — symboliques, neuronales, probabilistes ou hybrides — tandis que le comportement d’ensemble émerge de leur coordination.

Ces méthodes offrent une exploration flexible lorsque la solution ne se construit pas facilement par une suite de règles déterministes. Elles peuvent toutefois demander beaucoup de calcul et ne garantissent pas nécessairement une solution optimale.

5.4 Modèles probabilistes

Les modèles probabilistes représentent explicitement l’incertitude et les dépendances entre variables. Un réseau bayésien, par exemple, permet de mettre à jour des croyances à partir d’observations.

Dans un diagnostic, cette approche ne remplace pas une information manquante par une certitude inventée : elle estime plutôt la probabilité de plusieurs hypothèses à partir de symptômes partiels et de tests. La qualité du résultat dépend alors de la pertinence des dépendances modélisées et des probabilités utilisées.

Ces méthodes conviennent au diagnostic médical, au filtrage de pourriels, à la détection d’anomalies et à la prise de décision sous information partielle. Leur valeur tient à leur capacité à raisonner lorsque le monde n’est ni parfaitement connu ni parfaitement observable. Elles exigent cependant des probabilités, des données ou des hypothèses suffisamment fiables.

5.5 Comparaison synthétique