Un système expert à base de règles if-then constitue la forme la plus basique de l’intelligence artificielle. Avant le machine learning, avant les réseaux de neurones, l’IA reposait sur des moteurs d’inférence capables de produire une sortie structurée à partir d’une entrée, sans apprentissage automatique. Cette distinction, loin d’être académique, est désormais inscrite dans le droit européen.
Inférence sans apprentissage : le critère du règlement européen sur l’IA
Le considérant 12 du règlement européen sur l’IA, adopté en 2024, pose une ligne de démarcation nette. Un logiciel qui exécute uniquement des règles déterministes définies par des personnes physiques (« si A, alors B ») n’est pas un système d’IA au sens du texte. Le critère distinctif retenu est la capacité à inférer une sortie, pas la simple automatisation d’une opération.
A lire aussi : Quels sont les enjeux éthiques de l'IA ?
Ce même considérant reconnaît deux familles de techniques d’inférence : les approches d’apprentissage automatique et les approches logiques ou fondées sur des connaissances représentées symboliquement. La seconde famille correspond aux systèmes experts classiques, ceux qui manipulent des faits et des règles sans jamais voir un jeu de données d’entraînement.
Nous observons ici un point que la plupart des articles grand public ignorent : toute IA ne repose pas sur l’apprentissage à partir de données. Un moteur d’inférence symbolique qui enchaîne des règles logiques pour produire un diagnostic médical ou une recommandation de maintenance entre déjà dans le périmètre réglementaire, à condition que son fonctionnement dépasse le simple automate conditionnel.
Lire également : C'est quoi l'et r chaussette ?
Systèmes experts et IA symbolique : architecture d’une IA élémentaire
Un système expert se compose de trois briques : une base de faits, une base de règles et un moteur d’inférence. La base de faits contient les données du problème courant. La base de règles encode le savoir du domaine sous forme de clauses logiques. Le moteur d’inférence applique ces règles aux faits pour déduire de nouvelles conclusions, en chaînage avant ou arrière.
Cette architecture ne nécessite ni data scientist ni pipeline de données massives. L’expertise humaine est directement codifiée. C’est ce qui rend ces systèmes à la fois robustes (chaque décision est traçable) et fragiles (toute situation non prévue par les règles produit un silence ou une erreur).
- Le chaînage avant part des faits connus et déclenche les règles applicables jusqu’à atteindre une conclusion. Adapté au monitoring industriel ou aux alertes automatiques.
- Le chaînage arrière part d’une hypothèse cible et remonte les règles pour vérifier si les faits la soutiennent. Utilisé dans le diagnostic médical ou la configuration produit.
- Les systèmes hybrides combinent les deux modes et ajoutent parfois des facteurs de certitude pondérés pour gérer l’incertitude, sans recourir à du machine learning.
MYCIN, Dendral, XCON : les systèmes experts des années 1970-1980 illustraient déjà cette logique. Leur fonctionnement reste le socle conceptuel de ce que le règlement européen qualifie d’IA fondée sur des connaissances représentées symboliquement.
IA réactive et mémoire limitée : la frontière avec le machine learning
La taxonomie classique distingue les machines réactives des systèmes à mémoire limitée. Les machines réactives représentent le niveau le plus contraint : elles reçoivent une entrée, produisent une sortie, sans conserver d’état entre deux interactions. Aucun historique, aucune adaptation.
Un programme d’échecs évaluant toutes les positions possibles à chaque coup, sans mémoriser les parties précédentes, entre dans cette catégorie. L’IA réactive ne modifie jamais son comportement en fonction de l’expérience passée. Sa puissance repose entièrement sur la qualité des règles ou de la fonction d’évaluation codée en amont.
Les systèmes à mémoire limitée franchissent un palier : ils conservent temporairement des données contextuelles pour affiner leurs prédictions. C’est le territoire du machine learning supervisé, des réseaux de neurones convolutifs appliqués à la vision, ou des modèles de langage. La quasi-totalité des outils d’intelligence artificielle déployés en entreprise aujourd’hui (ChatGPT, systèmes de recommandation, détection de fraude) relèvent de cette catégorie.
Pourquoi la forme la plus basique de l’IA reste pertinente en entreprise
L’engouement pour l’IA générative et le deep learning masque un fait : les systèmes à base de règles restent déployés dans des secteurs à forte exigence de traçabilité. Banque, aéronautique, santé, nucléaire – partout où un régulateur exige de pouvoir expliquer chaque décision, l’IA symbolique conserve un avantage structurel.
Un réseau de neurones profond produit des résultats souvent supérieurs en précision, mais sa logique interne reste opaque. Le système expert, lui, restitue la chaîne de règles qui a conduit à sa conclusion. Cette propriété, parfois appelée explicabilité native, n’est pas un détail d’implémentation. Elle conditionne la conformité réglementaire et la confiance des utilisateurs métier.
- En intégration dans un SI existant, un moteur de règles s’interface avec des bases de données relationnelles classiques, sans infrastructure GPU ni solutions cloud spécialisées.
- La maintenance repose sur des ingénieurs de la connaissance, pas sur le réentraînement de modèles. Chaque modification de règle est versionnée et auditable.
- Le coût d’entrée est considérablement plus faible qu’un projet de machine learning, ce qui explique que de nombreuses entreprises commencent par là avant d’envisager des solutions d’apprentissage automatique.
Nous recommandons de ne pas opposer IA symbolique et apprentissage automatique comme deux ères successives. Les architectures neuro-symboliques, qui combinent réseaux de neurones et raisonnement logique, représentent une piste active de recherche. La forme la plus basique de l’intelligence artificielle n’est pas un vestige historique : c’est une brique que les systèmes modernes réintègrent pour gagner en robustesse et en explicabilité.
