|
AI symbolique:raisonnement avec symboles
AI symbolique, également connu sous le nom de bon AI à l'ancienne (GoFai) , est l'approche classique de l'intelligence artificielle. Il a dominé le domaine des années 1950 à la fin des années 1980 et est toujours pertinent aujourd'hui. Voici une ventilation:
Idée de base: L'IA symbolique représente les connaissances et l'intelligence à travers des symboles et règles . Ces symboles peuvent représenter des objets, des concepts, des relations ou toute autre entité significative.
Pensez-y comme:
* algèbre: En utilisant des variables (symboles) et des équations (règles) pour résoudre les problèmes.
* échecs: Représenter les pièces comme symboles et utiliser des règles pour déterminer les mouvements juridiques.
Caractéristiques clés:
* Représentation des connaissances explicites: La connaissance est explicitement codée sous forme de symboles et de règles.
* raisonnement basé sur les règles: Les systèmes utilisent un raisonnement logique et des règles prédéfinies pour manipuler les symboles et tirer des inférences.
* Approche descendante: Commence par des concepts de haut niveau et les décompose en règles plus petites et gérables.
Exemples de systèmes d'IA symboliques:
* Systèmes experts: Capturez et appliquez les connaissances des experts humains dans des domaines spécifiques (par exemple, diagnostic médical).
* Langages de programmation logique: Comme Prolog, utilisez la logique formelle pour représenter les connaissances et résoudre des problèmes.
* Systèmes de traitement du langage naturel précoce (NLP): Utilisé des représentations symboliques du langage pour comprendre et générer du texte.
Forces de Ai symbolique:
* explicabilité: Les processus de raisonnement sont transparents et facilement compris.
* raisonnement avec incertitude: Peut gérer des informations incertaines à l'aide de méthodes probabilistes.
* adapté aux problèmes bien définis: Efficace dans les domaines avec des règles et des représentations claires.
Limites de l'IA symbolique:
* goulot d'étranglement d'acquisition de connaissances: Encodant manuellement les connaissances est longue et difficile.
* Brittleness: Les systèmes peuvent être facilement dupés par des entrées inattendues ou de légères variations des données.
* raisonnement de bon sens: Lutte avec des tâches qui nécessitent du bon sens ou des connaissances réelles.
AI symbolique par rapport aux autres approches d'IA:
* Connectionist Ai (réseaux de neurones): Contrairement à l'IA symbolique, l'IA connexionniste repose sur l'apprentissage des données plutôt que des règles explicites.
* Systèmes AI hybrides: Combinez des éléments des approches symboliques et connexions pour tirer parti de leurs forces.
pertinence aujourd'hui:
Bien que l'IA symbolique ne soit pas le paradigme dominant, il est loin d'être obsolète. Il reste précieux dans des domaines tels que:
* raisonnement et planification: Robotique, jeu, le théorème automatisé prouvant.
* Représentation des connaissances: Web sémantique, ontologies, graphiques de connaissances.
* Systèmes AI hybrides: Combiner le raisonnement symbolique avec l'apprentissage en profondeur pour des capacités améliorées.
L'IA symbolique fournit un cadre puissant pour représenter logiquement les connaissances et le raisonnement. Bien qu'il ait des limites, ses forces continuent d'en faire une approche pertinente et précieuse dans diverses applications d'IA.
|
