Représentation et Raisonnement des Connaissances (KRR)

INTRODUCTION

Bienvenue au Cours 4 : Représentation et Raisonnement des Connaissances (KRR). Dans ce module, nous abordons le défi fondamental de l'Intelligence Artificielle : comment modéliser le monde symboliquement. Il ne suffit pas qu'une machine stocke des données ; elle doit pouvoir raisonner à son sujet. Nous explorerons comment les systèmes d'IA représentent l'information logiquement pour effectuer des inférences, allant au-delà de la simple reconnaissance de formes.

SECTION 1 : Fondements Historiques

Nous parcourrons le paysage technique depuis la logique classique des propositions et la logique propositionnelle et la logique du premier ordre jusqu'aux structures rigides mais puissantes des anciens systèmes experts. Ces systèmes ont fourni les premières machines "intelligentes" capables de déduction logique.

SECTION 2 : Convergence Moderne

Enfin, nous arrivons à la pointe de l'IA moderne, en examinant les graphes de connaissances et la et l'IA neuro-symbolique. Ce domaine émergent vise à fusionner l'explicabilité stricte de la logique avec les capacités d'apprentissage adaptatif des réseaux neuronaux.

Alerte de contexte

Contrairement aux réseaux neuronaux qui fonctionnent comme des "boîtes noires", KRR se concentre sur les modèles "boîtes blanches" où le chemin de raisonnement est explicite, vérifiable et interprétable.

Exemple de syntaxe de logique symbolique

Fait: Parent (Alice, Bob )
Fait: Parent (Bob, Charlie )
Règle: ∀x,y,z (Parent(x, y) ∧Parent(y, z) →Grandparent(x, z))
Inférence: Grandparent (Alice, Charlie )

Étude de cas : Le Diagnostiqueur Médical

Lisez le scénario ci-dessous et répondez aux questions.

Les premiers systèmes d'IA comme MYCIN utilisaient le KRR pour diagnostiquer les infections sanguines. Contrairement au ML moderne qui devine en se basant sur des statistiques, MYCIN utilisait plus de 600 règles dérivées de médecins.

1. Pourquoi l'explicabilité est-elle critique dans un système KRR médical par rapport à un classificateur d'images générique ?

Réponse :
En médecine, les médecins ont besoin d'un chemin vérifiable (la chaîne de règles utilisée) pour faire confiance à un diagnostic. Une prédiction "boîte noire" est inacceptable pour des décisions critiques. Le KRR fournit ce chemin de raisonnement explicite.

2. Comment le système gère-t-il une règle comme "Si la fièvre est élevée, ALORS l'infection est probable" ?

Réponse :
Cette règle est représentée symboliquement (par exemple,

F o è v r é e \to v o a t y i a n p r o b a

ble.

F o è v r é e

est vraie dans le dossier du patient ; si c'est le cas, il affirme

v o a t y i a n p r o b a

comme une nouvelle conclusion.

3. Identifiez les limitations de l'encodage manuel de ces règles (Le goulot d'étranglement de l'acquisition des connaissances).

Réponse :
La principale limitation est le goulot d'étranglement de l'acquisition des connaissances : la difficulté et le temps requis pour que les experts humains articulent toutes leurs connaissances en règles formelles et explicites. Les connaissances du monde réel sont souvent ambiguës et trop vastes pour un encodage manuel.