Dendral était un système expert précoce et influent, développé au Université de Stanford au milieu des années 1960. Il était conçu pour aider les chimistes organiciens à interpréter les données de spectrométrie de masse afin de déduire la structure moléculaire de composés inconnus. Le projet, officiellement connu sous le nom de Projet Dendral, est largement reconnu comme l'une des premières applications réussies de l'intelligence artificielle à un problème scientifique réel, établissant des concepts fondamentaux pour le raisonnement basé sur des règles et l'ingénierie des connaissances.
Le système a été créé par une équipe dirigée par l'informaticien Edward Feigenbaum et le généticien Joshua Lederberg, avec des contributions clés du chimiste Carl Djerassi. Le développement a commencé vers 1965, et la première version fonctionnelle, appelée Dendral 1, a été achevée en 1966. Le nom « Dendral » dérive de « Dendritic Algorithm », reflétant son objectif de générer des structures arborescentes de configurations moléculaires possibles.
Heuristic DENDRAL et raisonnement basé sur des règles
L'innovation centrale de Dendral était son utilisation de règles heuristiques pour élaguer le vaste espace de recherche des structures moléculaires possibles. Étant donné une formule moléculaire et des données de spectre de masse, le système générait tous les isomères structuraux plausibles, puis appliquait un ensemble de règles dérivées de chimistes experts pour éliminer ceux incompatibles avec les preuves spectrales. Cette approche, plus tard appelée paradigme « générer-et-tester », est devenue une caractéristique des systèmes experts.
Le programme Heuristic DENDRAL, développé à la fin des années 1960, encodait les règles de fragmentation spectrale de masse du chimiste Carl Djerassi. Ces règles capturaient comment les molécules se brisent sous impact électronique, permettant au système de prédire quels fragments apparaîtraient dans un spectre. En comparant les fragments prédits aux pics observés, Dendral pouvait classer les structures candidates et proposer la plus probable.
Meta-DENDRAL et apprentissage automatique
Un composant ultérieur, Meta-DENDRAL, étendait le système pour apprendre de nouvelles règles de fragmentation à partir de données. Au lieu de se fier uniquement à une expertise codée à la main, Meta-DENDRAL analysait des ensembles de composés connus et leurs spectres pour induire automatiquement des règles sur les schémas de rupture de liaisons. Cela représentait une forme précoce de apprentissage automatique, spécifiquement l'apprentissage inductif de règles, et démontrait comment les systèmes d'IA pouvaient affiner leurs propres bases de connaissances.
Les travaux de Meta-DENDRAL, publiés au début des années 1970, ont influencé les recherches ultérieures sur l'acquisition automatisée de connaissances et ont contribué au développement du système de diagnostic médical MYCIN, également de Stanford. MYCIN, construit par le groupe de Feigenbaum, a adopté l'architecture basée sur des règles pionnière de Dendral.
Impact et héritage
Le succès de Dendral a établi plusieurs principes clés dans l'intelligence artificielle : l'importance des connaissances spécifiques au domaine, l'utilité de la recherche heuristique et la valeur d'une collaboration étroite entre experts du domaine et informaticiens. Il a également contribué à définir le domaine de l'ingénierie des connaissances, où l'expertise humaine est codifiée en règles lisibles par machine.
Le projet a duré plus de deux décennies, avec des versions utilisées par des chimistes à Stanford et dans d'autres institutions. Bien que la chimie computationnelle moderne ait largement remplacé les systèmes basés sur des règles par des algorithmes plus sophistiqués, Dendral reste un jalon dans l'histoire de l'IA. Il est souvent cité comme le premier système expert, précédant le terme lui-même, et sa méthodologie a influencé des systèmes ultérieurs dans des domaines allant de la médecine à l'ingénierie.
Architecture technique
L'architecture de Dendral comprenait trois modules principaux : un générateur de plans, un générateur de structures et un prédicteur. Le générateur de plans utilisait le spectre de masse pour proposer un ensemble de sous-structures plausibles ou de « bonnes listes » de fragments candidats. Le générateur de structures, basé sur un algorithme de théorie des graphes, énumérait tous les graphes moléculaires possibles cohérents avec la formule moléculaire et les sous-structures proposées. Le prédicteur simulait ensuite le spectre de masse pour chaque candidat en utilisant les règles de fragmentation, comparant le spectre prédit au spectre observé.
Cette conception modulaire permettait des améliorations progressives. Les premières versions utilisaient une énumération exhaustive, mais l'ajout de règles heuristiques réduisait considérablement le nombre de candidats, rendant le système pratique pour des molécules jusqu'à environ 20 atomes. Le système fonctionnait sur des ordinateurs centraux de l'époque, tels que le PDP-6 et plus tard le DEC-10, et était écrit en Lisp, un langage favorisé par les premiers chercheurs en IA.
Contexte historique
Dendral a émergé pendant une période de croissance rapide de la recherche en intelligence artificielle, en parallèle avec les travaux au Xerox PARC, au MIT CSAIL et à l'université Carnegie-Mellon. Son accent sur la résolution de problèmes scientifiques le distinguait de la recherche en IA plus abstraite, démontrant que l'IA pouvait fournir des résultats tangibles dans des domaines spécialisés. Le projet a reçu un financement des National Institutes of Health et de la National Science Foundation, reflétant son attrait interdisciplinaire.
À la fin des années 1970, l'influence de Dendral avait diminué à mesure que de nouvelles coquilles de systèmes experts, telles que EMYCIN, fournissaient des outils plus généraux pour construire des systèmes basés sur des règles. Cependant, son héritage persiste dans les applications modernes de l'IA, en particulier dans des domaines comme la IA générative et le apprentissage profond, où les connaissances spécifiques au domaine et le raisonnement structuré restent importants. Le projet Dendral est également notable pour son utilisation précoce de techniques similaires à la augmentation de données, car il générait des spectres synthétiques pour tester ses règles.
Aujourd'hui, Dendral est rappelé comme un effort pionnier qui a comblé la chimie et l'informatique, posant les bases de décennies de recherche en IA. Son histoire est souvent enseignée dans les cours d'IA comme un exemple de la façon dont l'expertise du domaine et la pensée algorithmique peuvent se combiner pour résoudre des problèmes complexes.