Knowledge Representation
Knowledge Representation (KR), ou Représentation des Connaissances en français, est un domaine de l’intelligence artificielle (IA) et de l’informatique cognitive qui se consacre à l’étude et à la conception de formalismes permettant de symboliser des informations, des faits, des règles et des relations sur le monde d’une manière exploitable par un ordinateur pour résoudre des problèmes complexes, effectuer des raisonnements logiques, prendre des décisions et interagir de manière intelligente. Il s’agit essentiellement de trouver des moyens de rendre la connaissance explicite et manipulable par des systèmes informatiques.
Les concepts fondamentaux de la KR reposent sur l’idée qu’une représentation efficace doit posséder certaines propriétés. Premièrement, elle doit être capable de capturer la structure pertinente du domaine de connaissance concerné. Deuxièmement, elle doit permettre l’inférence, c’est-à-dire la déduction de nouvelles connaissances à partir de celles déjà représentées. Troisièmement, elle doit être suffisamment efficace sur le plan computationnel pour que les processus de raisonnement puissent s’exécuter dans un temps raisonnable. Les principes essentiels incluent la nécessité d’une sémantique claire (le sens des symboles doit être bien défini), la distinction entre la base de connaissances (les connaissances spécifiques) et le moteur d’inférence (le mécanisme de raisonnement général), et la recherche d’un équilibre entre expressivité (la capacité à représenter des connaissances complexes) et traitabilité (la complexité algorithmique du raisonnement). On distingue souvent la connaissance déclarative (savoir que quelque chose est vrai) de la connaissance procédurale (savoir comment faire quelque chose), la KR se concentrant traditionnellement davantage sur la première.
L’importance de la Knowledge Representation est capitale dans le domaine de l’intelligence artificielle et au-delà. Sans une méthode pour représenter la connaissance, une machine ne peut pas raisonner, planifier ou comprendre le monde de manière significative. Elle est le fondement des systèmes d’IA dits « symboliques » ou « basés sur la connaissance ». La KR permet aux systèmes informatiques de dépasser le simple traitement de données brutes pour manipuler des concepts abstraits, des relations causales, des intentions et des croyances. Son impact se mesure dans la capacité des systèmes à expliquer leurs raisonnements (explicabilité), à intégrer des connaissances expertes dans des domaines spécifiques, et à construire des modèles du monde plus robustes et flexibles. Elle est essentielle pour créer des agents intelligents capables d’opérer dans des environnements complexes et dynamiques.
Les applications pratiques de la Knowledge Representation sont nombreuses et variées. Historiquement, les systèmes experts ont été l’une des premières applications majeures, capturant les connaissances d’experts humains (par exemple, en diagnostic médical comme MYCIN, ou en configuration de systèmes informatiques) sous forme de règles ou de faits pour fournir des conseils ou des solutions. Dans le traitement du langage naturel (NLP), la KR est utilisée pour représenter la sémantique des mots et des phrases, permettant une compréhension plus profonde du texte. Le Web Sémantique utilise des langages de KR comme RDF (Resource Description Framework) et OWL (Web Ontology Language) pour structurer les données sur le Web afin qu’elles soient compréhensibles et utilisables par les machines. D’autres applications incluent la planification en robotique (représenter l’état du monde, les actions possibles et leurs effets), les systèmes de recommandation (représenter les préférences des utilisateurs et les caractéristiques des items), la bioinformatique (modéliser les voies métaboliques ou les interactions géniques), et les bases de données intelligentes qui permettent des requêtes plus complexes basées sur la signification des données.
Il existe différentes nuances et perspectives sur la KR. La distinction la plus fondamentale est peut-être celle entre les approches symboliques et les approches connexionnistes (ou sub-symboliques). Les approches symboliques, comme la logique (logique propositionnelle, logique du premier ordre, logiques descriptives), les réseaux sémantiques, les frames (cadres) et les systèmes à base de règles, utilisent des symboles explicites pour représenter des entités et des relations discrètes. Les approches connexionnistes, typiquement incarnées par les réseaux de neurones profonds, représentent la connaissance de manière distribuée et implicite dans les poids des connexions neuronales, apprenant à partir de grandes quantités de données. Bien que ces approches aient été historiquement opposées, la recherche actuelle explore activement des approches hybrides combinant les forces des deux. Une autre nuance concerne le type de connaissance représentée : faits certains, connaissances incertaines ou probabilistes, connaissances temporelles, spatiales, ou encore méta-connaissances (connaissances sur la connaissance elle-même).
Plusieurs concepts sont étroitement liés à la Knowledge Representation. L’Ontologie, en informatique, est une spécification formelle et explicite d’une conceptualisation partagée ; elle définit un ensemble de concepts, de propriétés et de relations dans un domaine particulier, servant souvent de structure pour une base de connaissances KR. L’Ingénierie des Connaissances (Knowledge Engineering) est le processus d’acquisition, de structuration et de formalisation des connaissances pour les intégrer dans un système informatique, s’appuyant fortement sur les techniques de KR. Le Raisonnement Automatique (Automated Reasoning) est le domaine qui développe les algorithmes (moteurs d’inférence) permettant de déduire de nouvelles informations à partir des connaissances représentées. D’autres termes liés incluent la Logique Formelle, les Bases de Données Sémantiques, et la Modélisation Conceptuelle. En contraste, des termes comme « données brutes » ou « information non structurée » peuvent être vus comme des antonymes relatifs, désignant ce que la KR cherche à organiser et à rendre signifiant.
L’origine de la Knowledge Representation remonte aux débuts de l’intelligence artificielle dans les années 1950 et 1960, avec les travaux pionniers de John McCarthy (qui a inventé le terme « Artificial Intelligence » et développé Lisp et la logique situationnelle), Marvin Minsky (frames), et Allen Newell et Herbert Simon (Logic Theorist, General Problem Solver). Les premières approches étaient fortement influencées par la logique formelle et la psychologie cognitive. Les années 1970 et 1980 ont vu l’essor des systèmes experts et le développement de formalismes comme les réseaux sémantiques et les systèmes à base de règles. La fin du 20ème siècle et le début du 21ème ont été marqués par le développement du Web Sémantique et des logiques descriptives, ainsi que par les défis persistants liés à la représentation du bon sens et à l’acquisition des connaissances. L’émergence récente du deep learning a quelque peu éclipsé la KR symbolique, mais un intérêt renouvelé se manifeste pour intégrer les approches symboliques afin d’améliorer l’explicabilité, la robustesse et la capacité de raisonnement des systèmes d’IA modernes.
La Knowledge Representation présente des avantages significatifs. Elle permet de rendre la connaissance explicite, inspectable et modifiable. Elle fournit une base solide pour le raisonnement logique et déductif, et facilite l’explication des décisions prises par un système d’IA. Elle favorise également la réutilisation et le partage des connaissances entre différents systèmes ou applications. Cependant, la KR fait face à des défis et limitations importants. L’un des principaux obstacles est le « goulet d’étranglement de l’acquisition des connaissances » (knowledge acquisition bottleneck) : extraire, formaliser et encoder la connaissance, en particulier celle des experts humains ou le bon sens commun, est un processus difficile, coûteux en temps et sujet aux erreurs. Les systèmes basés sur la KR peuvent être « fragiles » (brittle), échouant de manière imprévisible lorsqu’ils rencontrent des situations non explicitement prévues dans leur base de connaissances. La mise à l’échelle (scalability) du raisonnement sur de très grandes bases de connaissances peut poser des problèmes de performance (traitabilité). Enfin, représenter efficacement des connaissances nuancées, incertaines, contextuelles ou le vaste corpus du bon sens reste un défi majeur pour la recherche en KR.