Système expert
Un système expert est un programme informatique conçu pour simuler les capacités de résolution de problèmes d’un expert humain dans un domaine de connaissance spécifique et restreint. Il vise à reproduire le raisonnement et les prises de décision d’un spécialiste en s’appuyant sur un corpus de connaissances et des mécanismes d’inférence pour fournir des solutions, des diagnostics ou des conseils.
Les concepts fondamentaux sous-tendant les systèmes experts reposent sur une architecture typique comprenant plusieurs composants essentiels. La base de connaissances constitue le cœur du système, stockant les faits, les règles heuristiques, les procédures et les relations spécifiques au domaine d’expertise. Ces connaissances sont souvent représentées sous forme de règles de production du type « SI condition ALORS action/conclusion ». Le moteur d’inférence est le composant logique qui applique les règles de la base de connaissances aux faits présentés par l’utilisateur ou issus d’une base de données pour déduire de nouvelles informations et parvenir à une solution. Il utilise généralement des stratégies de raisonnement comme le chaînage avant, qui part des données initiales pour atteindre un but, ou le chaînage arrière, qui part d’une hypothèse et cherche les faits la validant. Une interface utilisateur permet à l’opérateur humain d’interagir avec le système, de soumettre des problèmes et de recevoir les résultats. Enfin, une mémoire de travail, ou base de faits, conserve les informations spécifiques au problème en cours de résolution. L’acquisition et la formalisation de l’expertise humaine, souvent réalisée par un ingénieur cogniticien, sont cruciales pour la construction d’une base de connaissances pertinente et efficace.
L’importance et la pertinence des systèmes experts résident dans leur capacité à capturer, préserver et diffuser une expertise humaine qui peut être rare, coûteuse ou sur le point de disparaître, par exemple en cas de départ à la retraite d’un spécialiste. Ils contribuent à améliorer la qualité et la cohérence des décisions en appliquant systématiquement un ensemble de règles éprouvées, réduisant ainsi la variabilité due aux facteurs humains tels que la fatigue ou le stress. Les systèmes experts peuvent automatiser des tâches complexes nécessitant une expertise pointue, libérant ainsi les experts humains pour des problèmes plus inédits ou stratégiques. Leur impact est significatif dans de nombreux domaines, où ils servent d’outils d’aide à la décision, notamment dans des situations critiques ou urgentes, et peuvent également être utilisés comme outils de formation pour les novices en leur fournissant des explications sur le raisonnement suivi.
Les applications pratiques des systèmes experts sont nombreuses et variées. En médecine, des systèmes comme MYCIN ont été développés pour aider au diagnostic des infections sanguines et à la prescription d’antibiotiques, tandis que CADUCEUS (anciennement INTERNIST-I) couvrait un large spectre de la médecine interne. Dans le secteur financier, ils sont utilisés pour l’évaluation du risque de crédit, la détection des fraudes sur les transactions, ou encore comme assistants pour le conseil en investissement. L’industrie manufacturière bénéficie de systèmes experts pour le diagnostic de pannes sur des équipements complexes, le contrôle qualité en temps réel, et la planification optimisée de la production ; un exemple célèbre est XCON, utilisé par Digital Equipment Corporation pour configurer les systèmes informatiques VAX selon les besoins des clients. En géologie, PROSPECTOR a aidé à l’identification de gisements minéraux. Le domaine juridique les emploie pour l’assistance à la recherche documentaire et l’analyse préliminaire de cas. En agriculture, ils peuvent guider le diagnostic de maladies des plantes ou optimiser les stratégies de fertilisation. Même dans le support client, des systèmes experts, parfois sous forme de chatbots évolués, aident à résoudre les problèmes techniques des utilisateurs.
Il existe différentes nuances et interprétations du terme système expert. Il est important de les distinguer de l’intelligence artificielle générale ; les systèmes experts sont des formes d’intelligence artificielle « étroite », spécialisée dans un domaine précis et ne possédant pas de conscience ou de compréhension du monde au sens large. Bien qu’ils soient souvent des composantes de systèmes d’aide à la décision (SAD), les systèmes experts se concentrent plus spécifiquement sur la modélisation et la reproduction du raisonnement expert, tandis que les SAD peuvent inclure une plus grande variété d’outils analytiques. Au fil du temps, une évolution s’est produite vers des systèmes hybrides qui combinent les approches des systèmes experts classiques, basés sur des règles, avec d’autres techniques d’IA, comme l’apprentissage machine pour l’acquisition ou l’affinage des connaissances, ou les réseaux de neurones pour la reconnaissance de motifs. Une autre variation concerne les systèmes basés sur des règles, qui sont les plus classiques, et les systèmes de raisonnement à partir de cas (Case-Based Reasoning), qui résolvent de nouveaux problèmes en trouvant et en adaptant des solutions à des problèmes similaires rencontrés par le passé.
Plusieurs concepts sont étroitement liés aux systèmes experts. Le terme « système à base de connaissances » (Knowledge-Based System ou KBS) est souvent utilisé comme synonyme, bien que certains considèrent qu’il s’agit d’une catégorie légèrement plus large. L’intelligence artificielle (IA) est le champ disciplinaire englobant les systèmes experts. L’ingénierie des connaissances est le processus de construction des systèmes experts, incluant l’élicitation, la formalisation et la représentation des connaissances. Le moteur d’inférence et la base de connaissances sont des composants architecturaux clés déjà mentionnés. L’apprentissage machine (Machine Learning) est un autre domaine de l’IA qui peut être utilisé pour générer des règles pour un système expert ou pour développer des systèmes qui apprennent à partir de données sans programmation explicite des règles, offrant une alternative pour certaines tâches. Le raisonnement à partir de cas (CBR) est une approche spécifique de système expert. En termes d’antonymes conceptuels, on pourrait opposer les systèmes experts au calcul algorithmique pur, où la solution est déterminée par un algorithme explicite sans modélisation d’une expertise humaine heuristique. On peut aussi les distinguer de certains systèmes d’apprentissage profond dits « boîte noire », dont le processus de décision est difficilement explicable, contrairement aux systèmes experts classiques qui peuvent souvent justifier leurs conclusions.
L’origine des systèmes experts remonte aux années 1960 et 1970, avec l’émergence de programmes pionniers tels que DENDRAL, qui interprétait les données de spectrométrie de masse pour identifier des molécules organiques, et MYCIN. Les années 1980 ont marqué « l’âge d’or » des systèmes experts, caractérisé par un fort engouement commercial, le développement de nombreux systèmes dans divers domaines et l’apparition d’outils de développement dédiés appelés « shells » de systèmes experts. Cependant, les années 1990 ont vu un certain ralentissement, parfois qualifié d' »hiver de l’IA », en partie à cause des limitations rencontrées, des coûts de développement élevés et des attentes parfois démesurées. Malgré cela, les systèmes experts n’ont pas disparu ; ils ont continué à évoluer, s’intégrant davantage avec d’autres technologies comme le web, les bases de données relationnelles et d’autres techniques d’IA. Aujourd’hui, bien que moins médiatisés que des approches comme l’apprentissage profond, les principes et les techniques des systèmes experts demeurent pertinents et sont souvent incorporés, parfois de manière transparente, dans de nombreux systèmes d’information et applications modernes.
Les systèmes experts présentent un ensemble d’avantages significatifs. Ils permettent de capturer et de préserver une expertise précieuse, la rendant disponible en permanence (24h/24, 7j/7) et en plusieurs lieux simultanément. Ils assurent une grande cohérence dans les décisions en appliquant de manière uniforme les règles codifiées, et peuvent traiter rapidement des problèmes pour lesquels ils ont été formés. Une caractéristique importante est leur capacité, dans une certaine mesure, à expliquer leur ligne de raisonnement, ce qui peut renforcer la confiance de l’utilisateur et faciliter la détection d’erreurs. Ils sont également utiles pour la formation des novices. Cependant, les systèmes experts comportent aussi des inconvénients et des limitations. L’acquisition des connaissances auprès des experts humains est un processus long, difficile et coûteux, souvent désigné comme le « goulet d’étranglement » de l’ingénierie des connaissances. Les systèmes experts manquent généralement de « bon sens » commun et peinent à gérer des situations imprévues ou des connaissances incomplètes, ambiguës ou contradictoires, bien que des mécanismes de gestion de l’incertitude (coefficients de vraisemblance, logique floue) aient été développés. Leur expertise est très spécialisée, ce qui les rend « fragiles » en dehors de leur domaine de compétence étroit. La maintenance et la mise à jour de la base de connaissances peuvent s’avérer complexes et coûteuses, surtout dans des domaines qui évoluent rapidement. Ils ne possèdent pas la créativité, l’intuition ou la capacité d’adaptation des experts humains face à des problèmes radicalement nouveaux. De plus, contrairement aux systèmes d’apprentissage machine, les systèmes experts classiques n’apprennent pas de nouvelles connaissances de manière autonome à partir de l’expérience. Leur développement est souvent mieux adapté aux domaines où l’expertise est bien structurée et formalisable. Les défis persistants incluent la validation et la vérification rigoureuses des bases de connaissances, leur intégration harmonieuse avec les systèmes d’information existants au sein des organisations, et l’acceptation par les utilisateurs finaux et les experts humains dont ils sont censés assister ou émuler le travail.