MYCIN était un programme précoce d'intelligence artificielle développé au début des années 1970 à l'université Stanford pour aider les médecins à diagnostiquer et traiter les infections bactériennes graves, telles que la bactériémie et la méningite. Il utilisait un moteur d'inférence à chaînage arrière et une base de connaissances d'environ 600 règles de production pour raisonner sur les données des patients et recommander des antibiotiques, avec des dosages ajustés en fonction du poids corporel. Le nom dérivait du suffixe « -mycine » courant dans de nombreux antibiotiques. MYCIN est largement considéré comme un système expert fondateur, l'informaticien Allen Newell le qualifiant de « grand-père de tous - celui qui a lancé le domaine ».
MYCIN a été écrit en Lisp comme thèse de doctorat d'Edward Shortliffe, sous la direction de Bruce G. Buchanan, Stanley N. Cohen et d'autres. Il est issu du Stanford Heuristic Programming Project, qui a également contribué à d'autres systèmes d'IA précoces. Le programme a démontré que des connaissances spécifiques à un domaine, clairement séparées des procédures d'inférence, pouvaient produire un raisonnement de haute performance dans un contexte médical.
Méthode
MYCIN fonctionnait en interrogeant le médecin à travers une série de questions simples par oui/non ou textuelles. À la fin de la session, il fournissait une liste classée des bactéries potentiellement responsables, chacune avec un niveau de confiance, le raisonnement derrière chaque diagnostic et un traitement antibiotique recommandé. Le système pouvait également répondre à des questions de suivi du médecin, comme pourquoi il avait posé une question particulière, comment il était arrivé à une conclusion, ou pourquoi il n'avait pas envisagé certains facteurs.
La base de connaissances était constituée de règles encodées par des experts, chacune représentant un fait inférentiel individuel. À l'époque, aucun autre programme d'IA ne contenait autant de connaissances spécifiques à un domaine, clairement séparées de son moteur d'inférence. Le moteur d'inférence utilisait un chaînage arrière, partant d'une hypothèse cible et remontant les règles pour trouver des preuves à l'appui.
Des études menées par les développeurs ont montré que les performances de MYCIN n'étaient que minimalement affectées par des perturbations des mesures d'incertitude associées aux règles individuelles. Cela suggérait que la puissance du système provenait davantage de sa représentation des connaissances et de son raisonnement que des détails numériques de son modèle d'incertitude. Certains observateurs ont fait valoir que des statistiques bayésiennes classiques auraient dû être utilisées, mais les développeurs ont répondu que cela aurait exigé soit des hypothèses irréalistes d'indépendance probabiliste, soit un nombre irréalisable d'estimations de probabilités conditionnelles de la part des experts.
Facteurs de certitude
MYCIN utilisait un modèle de facteurs de certitude pour combiner les preuves issues de plusieurs règles. Chaque règle pouvait conclure une hypothèse avec un poids compris entre -1 et +1, où -1 représentait « faux », +1 représentait « vrai » et 0 représentait « incertain ». Lorsque deux règles ou plus aboutissaient à des conclusions sur le même paramètre, MYCIN combinait leurs facteurs de certitude à l'aide d'une formule spécifique.
La formule de combinaison a été conçue pour posséder plusieurs propriétés souhaitables. Combiner une valeur inconnue avec n'importe quoi laissait celle-ci inchangée. Combiner vrai avec n'importe quoi sauf faux donnait vrai, et de même pour faux. Combiner vrai et faux aboutissait à une erreur de division par zéro. Combiner +x et -x donnait inconnu. Combiner deux positifs donnait un positif plus grand, et combiner un positif et un négatif donnait une valeur intermédiaire.
Des études ultérieures ont montré que le modèle des facteurs de certitude pouvait être interprété dans un sens probabiliste, bien qu'elles aient également mis en évidence des problèmes avec les hypothèses implicites. Cependant, la structure modulaire du système s'est avérée influente, conduisant au développement de modèles graphiques tels que les réseaux bayésiens.
Contextes
Un contexte dans MYCIN déterminait quels types d'objets pouvaient être raisonnés. Les contextes étaient similaires aux variables en Prolog ou aux variables d'environnement dans les systèmes d'exploitation. Ils permettaient au système d'organiser les connaissances sur différents aspects d'un cas médical, tels que le patient, la culture ou l'organisme identifié.
Héritage
MYCIN a conduit au développement d'EMYCIN (« essential MYCIN »), un shell de système expert qui pouvait acquérir des connaissances, raisonner et expliquer les résultats sans les connaissances médicales spécifiques. EMYCIN a été décrit comme « EMYCIN = Prolog + incertitude + questions + explications + contextes - variables ». Il permettait aux développeurs de construire des systèmes experts dans d'autres domaines en remplaçant la base de connaissances médicale.
L'influence de MYCIN s'est étendue au-delà de son application immédiate. Il a démontré le potentiel des systèmes à base de règles pour l'apprentissage automatique et le raisonnement, et son approche de la représentation des connaissances a influencé les travaux ultérieurs en intelligence artificielle et dans les systèmes experts. Une introduction à MYCIN apparaît au chapitre 16 du livre Paradigms of Artificial Intelligence Programming (PAIP).
Malgré son succès technique, MYCIN n'a jamais été largement déployé en pratique clinique, en partie à cause de préoccupations légales et éthiques concernant les recommandations médicales générées par ordinateur. Néanmoins, il reste une référence dans l'histoire de l'IA, illustrant à la fois les forces et les limites des premiers systèmes experts.