Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)
Face à cette tension écologique et économique, une piste hybride prometteuse émerge. Elle consiste à marier l'apprentissage statistique des réseaux neuronaux avec le raisonnement logique symbolique. Ce mélange, appelé IA neuro-symbolique, permettrait aux systèmes de réaliser des tâches avec plus de justesse en consommant beaucoup moins d'électricité.
Image d'illustration Unsplash
Cette méthode n'est pas conçue pour les simples chatbots, mais se destine avant tout aux robots qui interagissent avec le monde physique. En intégrant la vision et le mouvement, elle les rend capables d'exécuter des actions comme manipuler des objets avec dextérité, en limitant les erreurs liées à une vision imparfaite ou à des gestes maladroits.
Les essais, par exemple sur le célèbre puzzle de la Tour de Hanoï, sont éloquents. Le système neuro-symbolique obtient un taux de réussite bien plus élevé que les modèles classiques. Par ailleurs, il nécessite un temps d'apprentissage et une quantité d'énergie bien moindres, jusqu'à 100 fois moins que ce qui est requis par les approches conventionnelles. L'économie est tout simplement énorme.
Cette frugalité énergétique arrive à point nommé, alors que les besoins en puissance de calcul explosent. Remplacer les modèles traditionnels, souvent très demandeurs en ressources, par des alternatives plus sobres pourrait ainsi soulager les réseaux électriques sans pour autant sacrifier les performances.
Les travaux, disponibles sur la plateforme arXiv, laissent entrevoir que cette hybridation pourrait être appliquée à d'autres secteurs. Elle contribuerait alors à diminuer l'empreinte carbone du numérique tout en permettant de nouvelles avancées en robotique et en automatisation.
Le raisonnement symbolique en intelligence artificielle
Le raisonnement symbolique fonctionne en appliquant des règles logiques et des concepts abstraits pour trouver des solutions, un peu à la manière d'un humain qui suit un plan étape par étape. Contrairement à l'apprentissage statistique, qui a besoin d'immenses volumes de données pour faire des prédictions, cette méthode déduit des résultats à partir de principes généraux, ce qui limite le besoin en calculs lourds.
Cette approche se montre très efficace pour des tâches bien structurées, telles que la planification d'actions ou la manipulation d'objets, où les modèles purement statistiques peuvent commettre des fautes. En suivant des règles, par exemple sur la stabilité ou la forme, les systèmes évitent les essais au hasard et atteignent leur but plus directement, ce qui se traduit par une économie d'énergie importante.
Au sein d'une IA hybride neuro-symbolique, le raisonnement symbolique vient compléter les réseaux neuronaux en ajoutant une couche de logique qui oriente les décisions. Cela permet non seulement d'augmenter la précision, mais aussi de rendre le fonctionnement des systèmes plus compréhensible, puisque leurs actions découlent de règles explicites plutôt que de corrélations obscures tirées des données.