DATR est un langage déclaratif de représentation des connaissances conçu pour encoder des réseaux d'héritage par défaut. Il a été introduit en 1989 par Roger Evans et Gerald Gazdar à l'Université du Sussex. Le langage est utilisé en linguistique computationnelle pour représenter des connaissances lexicales, telles que les propriétés morphologiques, syntaxiques et phonologiques des mots. DATR est un sous-domaine de l'intelligence artificielle et est notable pour sa sémantique formelle et son support de l'héritage par défaut et multiple.
Contexte historique
DATR a émergé à la fin des années 1980, lorsque les approches symboliques dominaient la recherche en intelligence artificielle. Des institutions telles que le MIT CSAIL, le Stanford AI Lab et l'Université Carnegie Mellon développaient des systèmes de représentation des connaissances et des formalismes basés sur la logique. La recherche au Xerox PARC et aux Bell Labs a contribué aux travaux fondamentaux en langages de programmation et en IA. Plus tard, la Berkeley AI Research et l'Université de Toronto sont devenues des centres pour les approches connexionnistes et statistiques, qui contrastaient avec la tradition symbolique ayant produit DATR.
Syntaxe et sémantique
Dans DATR, une base de connaissances consiste en un ensemble de nœuds, chacun contenant des équations de chemins. Un chemin est une séquence d'atomes, et un nœud peut définir des valeurs pour des chemins. Par exemple, un nœud pour le nom "chien" pourrait spécifier <racine> = "chien" et <pluriel> = "chiens". L'héritage par défaut est réalisé en ordonnant les équations, de sorte que les nœuds plus spécifiques remplacent les nœuds plus généraux. Le langage supporte également l'héritage multiple, où un nœud peut hériter de plusieurs parents. La sémantique formelle de DATR est définie à l'aide d'une construction de point fixe minimal sur un réseau d'héritage global, ce qui garantit un modèle unique pour toute base de connaissances bien formée.
Le langage a une syntaxe simple sans variables. Les chemins sont écrits comme des séquences d'atomes entre crochets angulaires, et les équations utilisent le signe égal. Les nœuds peuvent être définis en listant des équations, et l'héritage est exprimé en référençant d'autres nœuds. DATR supporte également l'héritage orthogonal, où différents chemins peuvent hériter de différents parents indépendamment.
Implémentation
L'implémentation originale de DATR a été écrite en Prolog, et le langage a été conçu pour être facilement intégré dans des systèmes plus vastes de traitement du langage naturel. Une spécification formelle de DATR a été publiée par Evans et Gazdar, fournissant une sémantique dénotationnelle qui mappe les bases de connaissances à des modèles. Cette spécification a permis d'implémenter DATR dans d'autres langages de programmation, et plusieurs versions ultérieures ont été développées à des fins de recherche.
Applications
DATR était principalement utilisé en linguistique computationnelle pour représenter des informations lexicales. Il était un composant central du projet ACQUILEX (1989-1993), qui a construit des bases de connaissances lexicales multilingues pour l'anglais, l'italien, le néerlandais et l'espagnol. Le langage a également été appliqué à la recherche sur la morphologie, la syntaxe et la phonologie, où l'héritage par défaut capture naturellement les régularités et les exceptions. Par exemple, un nœud général pour les noms pourrait définir une forme plurielle par défaut, tandis qu'un nœud spécifique pour "enfant" la remplace par "enfants". L'encodage explicite des connaissances lexicales dans DATR contraste avec les grands modèles de langage modernes, qui apprennent des motifs statistiques à partir de grands corpus. Il diffère également des systèmes de IA générative qui produisent du texte, car DATR est un formalisme déclaratif plutôt qu'un modèle génératif.
Influence et héritage
Bien que DATR ne soit plus largement utilisé, il reste un exemple important de formalisme symbolique de représentation des connaissances. Ses principes d'héritage par défaut et multiple ont influencé les langages de représentation des connaissances et les ontologies ultérieurs. DATR est souvent contrasté avec les approches de apprentissage automatique et de apprentissage profond, qui reposent sur des réseaux de neurones et des transformeurs. Les systèmes d'IA modernes, tels que ceux développés par OpenAI et Google DeepMind, sont basés sur l'apprentissage profond plutôt que sur la représentation symbolique des connaissances. DATR sert ainsi de point de référence historique pour comprendre le passage de l'IA symbolique aux méthodes statistiques et connexionnistes.