Un système expert est un programme informatique conçu pour imiter la capacité de prise de décision d'un expert humain dans un domaine restreint de l'intelligence artificielle, généralement en appliquant une base de règles encodées à des faits fournis par un utilisateur via un moteur d'inférence. Les systèmes experts ont été l'application la plus significative commercialement de l'IA symbolique et ont stimulé une vague majeure d'investissements d'entreprise en IA à la fin des années 1970 et dans les années 1980.
Architecture
Un système expert typique sépare une base de connaissances, une collection de faits du domaine et de règles si-alors fournies par des spécialistes humains, d'un moteur d'inférence, qui applique un raisonnement logique, généralement par chaînage avant ou arrière, pour dériver des conclusions ou des recommandations. Les systèmes experts se sont appuyés sur des techniques de raisonnement pionnières développées par Allen Newell et Herbert Simon dans les années 1950, adaptant des méthodes générales de résolution de problèmes pour encoder une expertise étroite et spécifique au domaine. De nombreux systèmes incluaient également des fonctions d'explication capables de montrer aux utilisateurs la chaîne de règles utilisée pour atteindre une conclusion, une forme précoce de ce qui est aujourd'hui discuté sous le nom d'IA explicable, ainsi que des facteurs de confiance pour gérer l'incertitude que la logique pure ne pouvait pas bien exprimer.
Exemples notables
Les premiers systèmes marquants comprenaient DENDRAL, développé à Stanford à partir du milieu des années 1960 pour déduire la structure moléculaire à partir de données de spectrométrie de masse, et MYCIN, développé dans les années 1970 pour recommander des traitements antibiotiques en fonction des symptômes des patients et des résultats de laboratoire ; MYCIN aurait surpassé les médecins juniors lors de certaines évaluations, bien qu'il n'ait jamais été déployé cliniquement en raison de préoccupations de responsabilité et d'intégration. Dans l'industrie, le système XCON de Digital Equipment Corporation, déployé à partir de 1980, configurait les commandes d'ordinateurs et a été crédité d'économiser des dizaines de millions de dollars par an à l'entreprise, devenant une preuve largement citée de la valeur commerciale.
Le boom des années 1980
Le succès de XCON a contribué à déclencher un boom plus large des systèmes experts dans les années 1980, alors que les entreprises investissaient massivement dans des cabinets de conseil spécialisés en « IA » et dans du matériel dédié aux machines Lisp, optimisé pour le traitement symbolique. Le projet japonais des systèmes de cinquième génération, lancé en 1982, visait à construire des machines massivement parallèles de programmation logique, en partie autour d'un raisonnement de type système expert, stimulant des investissements concurrentiels des États-Unis et de l'Europe.
Déclin et second hiver de l'IA
Les systèmes experts se sont révélés coûteux à construire et, plus crucialement, coûteux à maintenir : les bases de règles devenaient difficiles à gérer à mesure que les domaines s'étendaient, les interactions entre règles devenaient difficiles à prédire, et les systèmes géraient mal les situations nouvelles en dehors de leurs connaissances encodées. Le marché du matériel spécialisé pour machines Lisp s'est effondré lorsque des stations de travail généralistes moins chères ont rattrapé leurs performances à la fin des années 1980. Ces échecs ont contribué au second hiver de l'IA, un recul marqué du financement et de l'intérêt commercial pour l'IA qui a duré jusqu'au début des années 1990, reflétant l'effondrement antérieur du financement documenté dans le rapport Lighthill de 1973.
Héritage
Les systèmes experts ont établi des pratiques qui persistent dans l'IA moderne : l'encodage structuré des connaissances du domaine, l'explication des sorties du système, et les couches de validation basées sur des règles encore utilisées dans certains pipelines déployés. Leurs descendants conceptuels incluent les systèmes modernes de graphes de connaissances et les garde-fous basés sur des règles, superposés aux sorties moins prévisibles des grands modèles de langage. Contrairement aux systèmes modernes de apprentissage automatique qui apprennent des motifs à partir de données, les systèmes experts reposaient entièrement sur une expertise encodée manuellement, une limitation qui a motivé le virage plus large vers des approches statistiques à partir des années 1990.