L'intégration neuro-symbolique combine les réseaux neuronaux apprenants avec les systèmes d'IA symboliques explicables afin de tirer parti des forces des deux paradigmes.
Les réseaux neuronaux traitent les données brutes et apprennent des motifs, tandis que les systèmes symboliques représentent et traitent les connaissances sous forme de règles, de logique ou de graphes de connaissances.
Grâce à cette intégration, les modèles peuvent à la fois généraliser à partir de données d'exemple et utiliser des représentations de connaissances complexes et structurées.
Cela permet une meilleure interprétabilité, transférabilité et comblement des lacunes de connaissances.
Les applications pratiques se trouvent dans des domaines tels que la démonstration automatique, le traitement du langage naturel et la robotique basée sur la connaissance.