ia_symbolique_vs_machine_learning

IA symbolique vs Machine Learning appliqué au TALN

Depuis sa création en tant que discipline universitaire en 1995, l’Intelligence Artificielle (IA) a été divisée en deux camps : l'IA symbolique et le machine learning. Alors que l'IA symbolique a été privilégiée les premières décennies, le machine learning est très à la mode depuis quelques années. Essayons donc de comprendre chacune de ces approches et leurs principales différences lorsqu'elles sont appliquées au traitement automatique du langage naturel (TALN).

Qu’est-ce que le Machine Learning ?

D’après Wikipedia, le machine learning est une application de l’intelligence artificielle où « les algorithmes et les modèles statistiques sont utilisés par les systèmes informatiques pour effectuer une tâche spécifique, sans utiliser d’instructions explicites, en se basant plutôt sur des modèles et des inférences. (…) Les algorithmes de machine learning construisent un modèle mathématique basé sur des échantillons de données, appelés « training sets », afin d’établir des prédictions ou de prendre des décisions sans être explicitement programmées pour effectuer la tâche ».

Pour faire simple, le machine learning utilise un algorithme permettant aux ordinateurs d’apprendre à résoudre des problèmes et d’acquérir des connaissances. En observant et en recherchant des modèles dans les données, et en utilisant des boucles de rétroaction pour contrôler et améliorer leurs prévisions, les ordinateurs apprennent automatiquement, sans intervention ou assistance humaine. Alors que l’homme serait submergé par ces masses de données, l’apprentissage automatique (ou machine learning) prospère. Il est capable de faire évoluer sa compréhension, afin de prendre de meilleures décisions sur la base des exemples qui lui ont été fournis.

Le machine learning appliqué au TALN

Le machine learning peut être appliqué à de nombreuses disciplines, l’une d’elle est le Traitement Automatique du Langage Naturel (TALN), qui est utilisé dans les chatbots conversationnels dotés d’une IA.
Voici comment le machine learning fonctionne dans ce cas précis : la personne qui supervise le bot, généralement appelée Botmaster, alimente le moteur avec autant de données pertinentes que possible. Le bot collecte les questions posées par des utilisateurs et décide automatiquement de la réponse à apporter pour chaque requête. Le Botmaster doit ensuite examiner ces réponses et indiquer manuellement quelles réponses sont correctes et lesquelles ne le sont pas. C’est ainsi que la machine apprend à fournir la bonne réponse à une requête utilisateur.
Comme vous pouvez l’imaginer, c’est un travail extrêmement chronophage car il existe de nombreuses façons de poser ou de formuler la même question. Si vous tenez compte du fait qu’une base de connaissances contient en moyenne 300 intentions, vous pouvez estimer à quel point la maintenance d’une telle base de connaissances peut être répétitive lorsqu’on utilise le machine learning.

Ne vous méprenez pas, nous considérons tout de même que le machine learning est un outil particulièrement efficace dans bien d’autres disciplines de l’IA, telles que la reconnaissance d’images ou la reconnaissance vocale. En ce qui concerne le TALN, nous sommes fermement convaincus que le machine learning n’est pas la meilleure technologie à utiliser.

TAL_définition

Qu’est-ce que l’IA symbolique ?

Contrairement au Machine Learning, l’intelligence artificielle symbolique s’appuie sur un système de “règles”. Ces règles sont construites par les humains puis intégrées aux machines afin de guider leur prise de décision autonome.

Le moteur n’improvise donc pas par lui-même, il agit en fonction des enseignements qu’il a reçus.

L’approche symbolique appliqué au TALN

L’une des nombreuses utilisations de l’intelligence artificielle symbolique est le traitement automatique du langage naturel pour les chatbots conversationnels. Avec cette approche, également appelée « approche déterministe », l’idée est d’apprendre à une machine à comprendre le langage humain, de la même manière que nous, les humains, avons appris à lire et à écrire. Pour ce faire, nous sommes allés à l’école et nous avons appris à structurer le langage à l’aide de règles de grammaire, de conjugaison et de vocabulaire. C’est exactement ce que font les ingénieurs linguistes : ils utilisent des règles, un lexique et de la sémantique afin d’apprendre au moteur d’un bot comment comprendre une langue.

Grâce à l’IA symbolique, tout est visible, compréhensible et explicable, ce qui conduit à ce que l’on appelle une « boîte transparente » par opposition à la « boîte noire » créée par le machine learning.

Par conséquent, le travail du Botmaster est complètement différent lorsqu’il utilise l’IA symbolique en comparaison avec le machine learning. Avec l’IA symbolique, il se concentre sur l’écriture de nouveaux contenus pour la base de connaissances, plutôt que sur la reformulation de contenus existants. Il dispose également d’une transparence totale sur la manière de régler le moteur lorsqu’il ne fonctionne pas correctement, car il peut comprendre pourquoi une décision spécifique a été prise. Le Botmaster dispose donc de tous les outils afin de corriger les erreurs du moteur.

Pour résumer, l’une des principales différences entre le machine learning et l’approche symbolique traditionnelle est la manière dont l’apprentissage se fait. Avec l’apprentissage automatique (ou machine learning), l’algorithme apprend des règles en établissant des corrélations entre les entrées et les sorties. Avec l’approche symbolique, les règles sont créées via une intervention humaine, puis codées en dur dans un programme statique.

Si le machine learning peut apparaître comme une approche révolutionnaire au premier abord, son manque de transparence et la grande quantité de données nécessaires pour que son système apprenne seul, sont ses deux principaux défauts. Les entreprises réalisent maintenant combien il est important d’avoir une IA transparente, non seulement pour des raisons éthiques, mais également pour des raisons opérationnelles, et c’est pourquoi l’approche déterministe (ou symbolique) redevient populaire.

Vous souhaitez en savoir plus sur notre technologie et nos dernières avancées en termes de traitement automatique du langage ? Consultez nos pages dédiées !

DÉCOUVRIR LA TECHNOLOGIE INBENTA 

Portrait d'Estelle
Estelle Verani