Un système expert connexionniste est un type de système expert qui utilise des réseaux de neurones artificiels (RNA) pour effectuer des tâches de raisonnement et de prise de décision traditionnellement prises en charge par les systèmes à base de règles. Contrairement aux systèmes experts conventionnels qui reposent sur des règles explicitement codées, les systèmes experts connexionnistes dérivent leurs règles d'inférence des poids et de l'architecture appris par le réseau, leur permettant de traiter des données bruitées, incomplètes ou imprécises. Ces systèmes sont un sous-ensemble de l'intelligence artificielle et intègrent souvent des techniques issues de l'apprentissage automatique et de l'apprentissage profond pour améliorer leur adaptabilité et leurs performances.
Le concept a émergé à la fin des années 1980, alors que les chercheurs cherchaient à combiner les forces des réseaux de neurones, telles que l'apprentissage et la généralisation, avec la transparence et l'explicabilité du raisonnement symbolique. Un article fondateur de Stephen I. Gallant, publié dans le Communications of the ACM en février 1988, a introduit le terme et a démontré comment un réseau de neurones pouvait être entraîné pour agir comme un système expert, générant des règles à travers ses poids de connexion. Ce travail a jeté les bases de développements ultérieurs dans les systèmes intelligents hybrides, qui intègrent des méthodes neuronales et symboliques.
Architecture et mécanismes
Les systèmes experts connexionnistes utilisent généralement un perceptron multicouche (MLP) ou un réseau à propagation avant similaire, où les nœuds d'entrée représentent des caractéristiques ou attributs, les couches cachées capturent des relations non linéaires, et les nœuds de sortie produisent des conclusions ou classifications. Le réseau est entraîné sur un ensemble de données d'exemples, et les poids résultants encodent la base de connaissances. Dans certaines conceptions, la logique floue est incorporée pour gérer des entrées linguistiques ou de forme naturelle, permettant au système de raisonner avec des degrés d'appartenance plutôt qu'avec des valeurs binaires vrai/faux. Par exemple, un perceptron multicouche flou peut traiter directement des termes comme « température élevée » ou « faible risque », ce qui le rend adapté à des domaines avec des critères subjectifs ou imprécis.
La théorie des ensembles approximatifs est une autre technique utilisée pour améliorer l'encodage des connaissances. En analysant les données pour identifier les dépendances et redondances, les ensembles approximatifs peuvent aider à déterminer quels attributs sont les plus pertinents, simplifiant ainsi la structure du réseau et améliorant son interprétabilité. Des algorithmes génétiques peuvent également être employés pour optimiser les poids du réseau ou pour rechercher de meilleures solutions pendant l'entraînement, en particulier dans des espaces de problèmes complexes où les méthodes basées sur le gradient peinent.
Approches hybrides
De nombreux systèmes experts connexionnistes sont hybrides, combinant des réseaux de neurones avec des méthodes de raisonnement symbolique. Cette intégration, souvent appelée système intelligent hybride, vise à tirer parti des capacités d'apprentissage des réseaux de neurones tout en conservant la rigueur logique des systèmes symboliques. Par exemple, un système pourrait utiliser un réseau de neurones pour prétraiter des données brutes et générer des règles candidates, qui sont ensuite affinées et validées par un moteur d'inférence symbolique. De tels hybrides ont été appliqués dans des domaines comme le diagnostic médical, où ils peuvent soutenir la prise de décision clinique en intégrant des données patients avec des connaissances expertes.
Des exemples notables incluent HYCONES, un système expert connexionniste hybride développé au début des années 1990 pour des applications médicales, et des systèmes conçus pour identifier des problèmes de pieds basés sur des schémas de pression sous le pied, comme décrit par Barton et Lees en 1995. Ces systèmes ont démontré l'utilité pratique de combiner l'apprentissage neuronal avec des règles spécifiques au domaine.
Applications
Les systèmes experts connexionnistes ont trouvé des applications dans des domaines tels que la médecine, l'ingénierie et les vols spatiaux. Dans le secteur de la santé, ils sont utilisés pour l'aide à la décision, aidant les cliniciens à interpréter des données diagnostiques complexes. Par exemple, une étude de 2001 menée par Brasil et ses collègues a décrit un système expert hybride pour l'aide à la décision médicale intégrant la complexité et l'informatique cognitive. Dans l'aérospatiale, des chercheurs ont exploré leur utilisation pour des systèmes homme-intelligence artificielle dans de futures missions spatiales habitées, comme noté dans un article en langue chinoise de 2003.
La capacité d'apprendre à partir de données rend ces systèmes particulièrement précieux dans des domaines où les règles sont difficiles à articuler mais où les exemples sont abondants. Ils sont également utilisés dans les systèmes d'aide à la décision clinique pour assister le diagnostic et la planification des traitements.
Avantages et limites
Un avantage clé des systèmes experts connexionnistes est leur robustesse face aux entrées bruitées ou incomplètes, qui dégradent souvent les performances des systèmes à base de règles. Ils peuvent également s'adapter à de nouvelles données grâce au réentraînement, ce qui les rend plus flexibles que des ensembles de règles statiques. Cependant, ils rencontrent des défis en matière d'explicabilité, car les poids appris ne sont pas facilement interprétables par les humains. Cela a conduit à des recherches continues sur des méthodes pour extraire des règles à partir de réseaux entraînés, un sujet exploré par des chercheurs comme Ron Sun dans les années 1990.
Une autre limite est le besoin de données d'entraînement suffisantes et de ressources computationnelles. L'entraînement d'un réseau de neurones peut être chronophage, et la qualité du système dépend fortement de la représentativité de l'ensemble d'entraînement. Malgré ces problèmes, les systèmes experts connexionnistes restent un domaine d'étude pertinent au sein de l'intelligence artificielle, comblant le fossé entre les approches symboliques et subsymboliques.
Voir aussi
Références
- Gallant, Stephen I. (1988). « Connectionist expert systems ». Communications of the ACM, 31(2), 152–169.
- Sun, Ron (1994). Integrating Rules and Connectionism for Robust Commonsense Reasoning. Wiley & Sons.
- Leão Bde F, Reátegui EB (1993). « HYCONES: a hybrid connectionist expert system ». Proc Annu Symp Comput Appl Med Care, 461–465.
- Barton JG, Lees A (1995). « Development of a connectionist expert system to identify foot problems based on under-foot pressure patterns ». Clinical Biomechanics, 10(7), 385–391.
- Brasil LM, de Azevedo FM, Barreto JM (2001). « Hybrid expert system for decision supporting in the medical area ». International Journal of Medical Informatics, 63(1–2), 19–30.