L’IA neuro-symbolique désigne des modèles hybrides d’IA qui combinent des réseaux neuronaux avec une représentation symbolique des connaissances et un raisonnement logique, afin de permettre à la fois la reconnaissance de motifs basée sur l’apprentissage et un raisonnement explicable.
Formellement, les systèmes neuro-symboliques peuvent être définis comme une paire \( (N, S) \), où \( N \) est un réseau neuronal avec des paramètres \( \theta \) pour le traitement de données floues, et \( S \) un système symbolique avec une base de connaissances \( \mathcal{K} \) et des règles logiques \( \mathcal{R} \), qui permettent une inférence déductive.
L’intégration s’effectue par des techniques telles que des contraintes symboliques pendant l’entraînement, des embeddings neuronaux d’expressions symboliques ou des modules logiques différentiables intégrés dans des architectures neuronales.
Cela permet un apprentissage efficace à partir des données tout en préservant l’interprétabilité et la vérifiabilité grâce à la logique symbolique.
Définition :
« L’IA neuro-symbolique est une approche qui combine des méthodes neuronales et symboliques afin d’unir les forces des deux paradigmes – la reconnaissance de motifs basée sur l’apprentissage et le raisonnement logique – dans un même système. »
Source :
Garcez, A. d’Avila, Lamb, L. C., & Gabbay, D. M. (2020). Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning. Frontiers in Artificial Intelligence and Applications.