Raisonnement symbolique : comment une machine raisonne-t-elle avec des faits et des règles ?
Le raisonnement symbolique est une approche de l’intelligence artificielle qui représente les connaissances à l’aide de symboles explicites.
Ces symboles peuvent représenter :
- des personnes ;
- des objets ;
- des catégories ;
- des faits ;
- des relations ;
- des règles ;
- des contraintes ;
- des événements.
Le système utilise ensuite des mécanismes logiques pour produire de nouvelles conclusions.
Exemple :
Tous les formateurs sont des personnes.
Marie est une formatrice.Le système peut en déduire :
Marie est une personne.Le raisonnement symbolique consiste à manipuler des représentations explicites afin de produire des conclusions contrôlables.
Il constitue le fondement des systèmes experts et de nombreuses méthodes de représentation des connaissances.
Ce que vous allez comprendre
À la fin de cet article, vous saurez :
- définir le raisonnement symbolique ;
- distinguer faits, règles et conclusions ;
- comprendre la déduction, l’induction et l’abduction ;
- comprendre le rôle de la logique ;
- identifier les avantages et limites de l’approche symbolique ;
- comprendre les relations avec les ontologies et les graphes ;
- relier le raisonnement symbolique aux LLM et aux systèmes neuro-symboliques.
Qu’est-ce qu’un symbole ?
Un symbole représente un élément du domaine.
Exemples :
Mariereprésente une personne précise.
Formateurreprésente une catégorie.
animereprésente une relation.
Formation SEOreprésente une formation particulière.
Une affirmation peut être représentée ainsi :
Marie → anime → Formation SEOLe système manipule les symboles selon des règles définies.
Les faits
Un fait est une affirmation considérée comme vraie dans le contexte du système.
Exemples :
Marie est une formatrice.Formation SEO avancé exige le niveau intermédiaire.Entreprise Alpha est située à Toulouse.Incident 458 concerne le routeur X200.Un fait peut être :
- permanent ;
- temporaire ;
- certain ;
- probable ;
- associé à une source ;
- limité à une période.
Les règles
Une règle exprime une relation logique entre des conditions et une conclusion.
SI une personne est formatrice
ALORS cette personne est une personne.SI une formation exige un niveau
ET si un participant possède ce niveau
ALORS le participant est éligible.SI un incident bloque totalement le service
ET si aucune solution de contournement n’existe
ALORS l’incident est critique.Les règles rendent le raisonnement explicite.
Les conclusions
Une conclusion est produite en appliquant une règle à des faits.
Faits
Marie est une formatrice.Règle
Toute formatrice est une personne.Conclusion
Marie est une personne.La conclusion peut ensuite devenir un nouveau fait utilisé par d’autres règles.
La déduction
La déduction part de règles générales et de faits particuliers.
Tous les véhicules électriques utilisent une batterie.
Le modèle E200 est un véhicule électrique.Conclusion :
Le modèle E200 utilise une batterie.Si les prémisses sont vraies et si la règle est correcte, la conclusion est logiquement valide.
La déduction est très utilisée dans les systèmes symboliques.
L’induction
L’induction part de plusieurs observations pour proposer une règle générale.
Observations :
Incident A avec voyant rouge : perte de synchronisation.
Incident B avec voyant rouge : perte de synchronisation.
Incident C avec voyant rouge : perte de synchronisation.Hypothèse :
Un voyant rouge indique généralement une perte de synchronisation.La conclusion inductive n’est pas certaine.
Un nouvel incident peut contredire la règle.
L’apprentissage automatique utilise largement des formes de généralisation inductive.
L’abduction
L’abduction cherche l’explication la plus plausible d’une observation.
Observation :
La connexion est absente.Connaissances :
Une perte de synchronisation peut provoquer une absence de connexion.
Une panne de ligne peut provoquer une absence de connexion.
Une mauvaise configuration peut provoquer une absence de connexion.Hypothèses :
Perte de synchronisation
Panne de ligne
Mauvaise configurationLe système doit comparer les explications possibles.
L’abduction est importante pour :
- le diagnostic ;
- l’enquête ;
- l’analyse de causes ;
- l’interprétation de symptômes.
Déduction, induction et abduction
| Type | Point de départ | Résultat |
|---|---|---|
| Déduction | Règle générale et faits | Conclusion logique |
| Induction | Cas observés | Règle probable |
| Abduction | Observation | Explication possible |
La logique propositionnelle
La logique propositionnelle représente des affirmations pouvant être vraies ou fausses.
Exemple :
A : Le voyant est rouge.
B : La connexion est absente.
C : Vérifier la synchronisation.Règle :
SI A ET B ALORS CCette logique convient aux situations simples.
Elle devient limitée lorsqu’il faut représenter des personnes, objets ou relations variables.
La logique des prédicats
La logique des prédicats permet de représenter des objets et des relations.
Exemple :
Formateur(Marie)signifie :
Marie est une formatrice.Anime(Marie, FormationSEO)signifie :
Marie anime la formation SEO.Règle :
Formateur(x) → Personne(x)Le symbole x représente n’importe quel objet satisfaisant la condition.
Si :
Formateur(Marie)alors :
Personne(Marie)Les opérateurs logiques
ET
Toutes les conditions doivent être vraies.
SI le voyant est rouge
ET si la connexion est absente
ALORS vérifier la synchronisation.OU
Au moins une condition doit être vraie.
SI le client est bloqué
OU si une donnée critique est perdue
ALORS augmenter la priorité.NON
Une condition doit être fausse.
SI aucun litige n’est ouvert
ALORS la relance est autorisée.IMPLIQUE
Une condition entraîne une conclusion.
Formation avancée → possède un prérequis.ÉQUIVAUT À
Deux expressions décrivent le même concept.
Exemple :
Incident critiquepeut être défini comme :
Incident bloquant sans solution de contournement.Cette équivalence doit être utilisée avec prudence.
Les quantificateurs
Pour tout
Toute formation avancée possède un prérequis.Il existe
Il existe au moins un formateur capable d’animer cette session.Les quantificateurs permettent d’exprimer des règles générales ou des obligations d’existence.
Le raisonnement par chaînage
Chaînage avant
Le système part des faits et applique les règles disponibles.
Faits
↓
Règles
↓
Nouvelles conclusionsChaînage arrière
Le système part d’une conclusion à vérifier et recherche les conditions nécessaires.
Hypothèse
↓
Conditions
↓
Faits à vérifierCes mécanismes sont expliqués en détail dans la page consacrée aux systèmes experts.
Les contraintes
Une contrainte indique ce qui doit être vrai pour que le modèle reste cohérent.
Exemple :
Une date de fin ne peut pas précéder une date de début.Une session doit correspondre à exactement une formation.Une personne ne peut pas être simultanément une organisation.Les contraintes peuvent servir à détecter des erreurs dans une base de connaissances.
L’inférence dans une ontologie
Une ontologie informatique peut définir :
Formateur est une sous-classe de Personne.Marie est une instance de Formateur.Le raisonneur peut conclure :
Marie est une Personne.Autre exemple :
Toulouse est située en Haute-Garonne.
Haute-Garonne est située en Occitanie.Si la relation est située dans est transitive, le système conclut :
Toulouse est située en Occitanie.L’inférence dans un graphe de connaissances
Un graphe de connaissances contient des relations.
Marie → travaille pour → Entreprise Alpha
Entreprise Alpha → située à → ToulouseUne règle peut permettre de conclure :
Marie travaille pour une organisation située à Toulouse.Le graphe fournit les faits.
Les règles fournissent le mécanisme de raisonnement.
Le monde ouvert et le monde fermé
Cette distinction est importante.
Hypothèse du monde fermé
Ce qui n’est pas présent est considéré comme faux.
Exemple :
Si la base ne mentionne pas que Marie possède la compétence SEO, le système considère qu’elle ne la possède pas.
Cette approche est fréquente dans les bases de données traditionnelles.
Hypothèse du monde ouvert
L’absence d’information ne signifie pas que l’affirmation est fausse.
Si la base ne mentionne pas la compétence SEO de Marie, le système conclut seulement :
Information inconnue.Cette approche est fréquente dans les ontologies et le Web sémantique.
La distinction évite de confondre :
- faux ;
- inconnu ;
- non vérifié.
L’incertitude
Les connaissances ne sont pas toujours certaines.
Exemple :
Un voyant rouge peut indiquer une perte de synchronisation.La relation est probable, mais non obligatoire.
Plusieurs méthodes peuvent représenter l’incertitude :
- niveau de confiance ;
- probabilité ;
- logique floue ;
- statut d’hypothèse ;
- classement des explications ;
- validation humaine.
La logique floue
La logique classique utilise souvent des valeurs binaires :
Vrai
FauxLa logique floue permet des degrés.
Exemple :
Température élevée : 0,8La température n’est pas simplement élevée ou non élevée. Elle peut l’être à un certain degré.
Cette approche convient aux notions comme :
- chaud ;
- rapide ;
- risqué ;
- urgent ;
- proche ;
- important.
Les avantages
Explicabilité
Le système peut montrer les règles utilisées.
Contrôle
Les règles peuvent être vérifiées par des experts.
Cohérence
Des contraintes peuvent détecter les erreurs.
Réutilisation
Les mêmes règles peuvent être appliquées à plusieurs cas.
Traçabilité
Les conclusions peuvent être reliées à leurs prémisses.
Intégration
Le raisonnement peut être combiné à des ontologies, graphes et bases de données.
Les limites
Rigidité
Une règle explicite gère difficilement une situation imprévue.
Coût de modélisation
Les connaissances doivent être formalisées.
Complexité
Le nombre de règles peut devenir très important.
Sensibilité au contexte
Une règle apparemment générale peut dépendre de nombreuses conditions.
Difficulté avec le langage naturel
Le langage est ambigu et variable.
Difficulté avec la perception
Reconnaître une image, un son ou une émotion est souvent mieux traité par des approches statistiques.
Raisonnement symbolique et apprentissage automatique
| Raisonnement symbolique | Apprentissage automatique |
|---|---|
| Utilise des règles explicites | Apprend des régularités |
| Représente des concepts définis | Utilise des représentations numériques |
| Facilite l’explication | Gère bien les données complexes |
| Nécessite une modélisation | Nécessite des données |
| Gère les contraintes | Gère les variations |
| Raisonne selon des règles | Produit des probabilités |
Les deux approches répondent à des besoins différents.
Raisonnement symbolique et LLM
Un LLM peut produire une réponse qui ressemble à un raisonnement.
Cependant, il ne garantit pas :
- l’application stable d’une règle ;
- l’absence de contradiction ;
- la validité logique ;
- la traçabilité complète ;
- la reproductibilité.
Le raisonnement symbolique peut compléter le LLM.
Architecture hybride
Question utilisateur
↓
LLM
↓
Identification des concepts et faits
↓
Ontologie ou graphe
↓
Moteur de règles
↓
Conclusion
↓
LLM
↓
Réponse en langage naturelCette architecture combine :
- compréhension du langage ;
- connaissances structurées ;
- règles contrôlées ;
- explication lisible.
Exemple hybride de conformité
Question :
Ce contrat peut-il être validé ?
Le LLM extrait :
Type de contrat
Montant
Pays
Durée
ClausesLe moteur applique :
SI le montant dépasse le seuil
ALORS validation juridique obligatoire.SI le pays appartient à une zone à risque
ALORS contrôle supplémentaire.Le système produit une conclusion structurée.
Le LLM la reformule et cite les règles utilisées.
Le raisonnement neuro-symbolique
Le terme neuro-symbolique désigne les approches combinant :
- modèles statistiques ou neuronaux ;
- symboles ;
- règles ;
- graphes ;
- contraintes logiques.
L’objectif est de réunir :
- la souplesse de l’apprentissage ;
- la capacité à traiter le langage ;
- la précision des règles ;
- l’explicabilité.
Les architectures modernes peuvent utiliser :
- un LLM pour extraire les faits ;
- un graphe pour organiser les connaissances ;
- un moteur logique pour vérifier les règles ;
- un LLM pour générer la réponse.
Exemple pratique
Imaginons un système de recommandation de formation.
Faits
Marie possède le niveau débutant.
Formation intermédiaire exige le niveau débutant.
Formation avancée exige le niveau intermédiaire.Règles
SI un participant possède le niveau requis
ALORS il est éligible à la formation.SI une formation développe un niveau
ALORS le participant peut acquérir ce niveau après validation.Raisonnement
Marie est éligible à la formation intermédiaire.Après validation :
Marie possède le niveau intermédiaire.Donc :
Marie devient éligible à la formation avancée.Le système construit un parcours à partir des faits et des règles.
Comment concevoir un raisonnement symbolique ?
1. Définir les conclusions attendues
Exemples :
- éligible ;
- non conforme ;
- critique ;
- compatible ;
- recommandé ;
- à vérifier.
2. Identifier les faits nécessaires
Quels éléments permettent de produire la conclusion ?
3. Formaliser les règles
Chaque règle doit être précise.
4. Identifier les exceptions
Les règles générales ne suffisent pas toujours.
5. Définir les priorités
Que faire lorsque plusieurs règles s’appliquent ?
6. Tester les cas limites
Il faut inclure les situations ambiguës.
7. Vérifier les explications
Chaque conclusion doit pouvoir être justifiée.
8. Organiser la maintenance
Les règles et définitions doivent évoluer.
Erreurs fréquentes
Confondre corrélation et règle logique
Une association fréquente n’est pas nécessairement une règle certaine.
Utiliser des règles trop générales
Le contexte doit être précisé.
Oublier les exceptions
Une règle peut produire des erreurs importantes.
Considérer l’absence comme une preuve
Une information absente peut simplement être inconnue.
Ne pas gérer les contradictions
Deux faits peuvent être incompatibles.
Multiplier les règles sans structure
Une grande base de règles devient difficile à maintenir.
Utiliser un LLM comme moteur logique fiable
Un LLM peut produire un raisonnement plausible mais incorrect.
Ne pas conserver les prémisses
Une conclusion doit pouvoir être expliquée.
À retenir
- Le raisonnement symbolique utilise des représentations explicites.
- Les faits décrivent la situation.
- Les règles relient des conditions à des conclusions.
- La déduction produit une conclusion logique.
- L’induction propose une règle à partir d’observations.
- L’abduction recherche une explication possible.
- Le chaînage avant part des faits.
- Le chaînage arrière part d’une hypothèse.
- Les contraintes permettent de vérifier la cohérence.
- L’absence d’information ne signifie pas toujours que l’affirmation est fausse.
- Le raisonnement symbolique est explicable mais peut être rigide.
- Les architectures neuro-symboliques combinent règles, graphes et modèles neuronaux.
Vérifiez votre compréhension
Qu’est-ce qu’un raisonnement symbolique ?
Une méthode qui manipule des concepts, faits et règles explicites pour produire des conclusions.
Quelle différence existe-t-il entre déduction et induction ?
La déduction applique une règle générale à un cas. L’induction propose une règle générale à partir de plusieurs cas.
Qu’est-ce que l’abduction ?
La recherche de l’explication la plus plausible d’une observation.
Quelle différence existe-t-il entre monde ouvert et monde fermé ?
Dans un monde fermé, ce qui n’est pas présent est considéré comme faux. Dans un monde ouvert, cela peut simplement être inconnu.
Pourquoi le raisonnement symbolique est-il explicable ?
Parce que les faits et les règles ayant conduit à la conclusion sont représentés explicitement.
Pourquoi le combiner avec un LLM ?
Pour associer compréhension du langage et application contrôlée de règles.
Questions fréquentes
Le raisonnement symbolique est-il dépassé ?
Non. Il reste utile lorsque les règles, les contraintes et l’explicabilité sont importantes.
Un LLM réalise-t-il un raisonnement symbolique ?
Pas nécessairement. Il peut produire des séquences ressemblant à un raisonnement sans appliquer un moteur logique formel.
Une ontologie peut-elle raisonner seule ?
L’ontologie fournit les connaissances formelles. Un raisonneur applique les mécanismes d’inférence.
Peut-on représenter l’incertitude ?
Oui, avec des probabilités, niveaux de confiance, logiques floues ou statuts d’hypothèse.
Le raisonnement symbolique nécessite-t-il une programmation ?
La conception peut commencer sans code. L’implémentation nécessite ensuite un outil ou un moteur adapté.
Qu’est-ce qu’un système neuro-symbolique ?
Un système combinant apprentissage neuronal et représentations symboliques.
Continuer le parcours
Étape précédente
Système expert : définition et fonctionnement
Étape suivante
La prochaine étape consiste à comprendre comment l’ingénierie des connaissances complète les modèles de langage et les architectures RAG.
➡️ Knowledge Engineering, RAG et LLM : quelles relations ?