Raisonnement Non Monotone
Le raisonnement non monotone est une forme de raisonnement où l’acquisition de nouvelles informations peut entraîner la rétractation ou la modification de conclusions précédemment établies. Contrairement au raisonnement monotone, où l’ensemble des conclusions ne fait que croître avec l’ajout de nouvelles prémisses, le raisonnement non monotone permet à un système de réviser ses croyances à la lumière de nouvelles évidences, même si celles-ci contredisent les inférences antérieures. Ce type de raisonnement est fondamental pour modéliser la manière dont les humains et les systèmes intelligents tirent des conclusions plausibles en l’absence d’informations complètes.
Plusieurs concepts fondamentaux et principes essentiels sous-tendent le raisonnement non monotone. Au cœur se trouve la propriété de non-monotonicité elle-même : si un ensemble de conclusions C est dérivé d’une base de connaissances KB, il n’est pas garanti que C restera valide si KB est étendue avec une nouvelle information I. Formellement, l’ensemble des conséquences de KB n’est pas nécessairement un sous-ensemble des conséquences de KB union I. Ce principe reflète la nature provisoire et révisable des conclusions dans de tels systèmes. Le raisonnement par défaut (default reasoning) est un aspect clé, permettant de tirer des conclusions typiques ou probables en l’absence d’information contraire. Par exemple, on suppose par défaut que les oiseaux volent, sauf si l’on sait que l’oiseau en question est un pingouin. L’hypothèse du monde clos (Closed-World Assumption, CWA) est un autre principe souvent utilisé, stipulant que tout ce qui n’est pas explicitement connu pour être vrai est supposé être faux. De même, la négation par l’échec (Negation as Failure, NAF) est un mécanisme où l’échec à prouver une proposition conduit à conclure sa négation. Ces mécanismes permettent de gérer l’incertitude et l’information incomplète inhérentes à de nombreux problèmes du monde réel.
L’importance du raisonnement non monotone réside principalement dans sa capacité à rapprocher le raisonnement artificiel du raisonnement humain de sens commun. Les humains ajustent constamment leurs conclusions en fonction de nouvelles données. En intelligence artificielle (IA), cette capacité est cruciale pour développer des systèmes capables d’opérer dans des environnements dynamiques et incertains. Le raisonnement non monotone est pertinent pour la planification, où les plans doivent être révisés face à des événements imprévus ; pour le diagnostic, où les hypothèses initiales peuvent être invalidées par de nouveaux tests ; pour le traitement du langage naturel, où les interprétations peuvent changer avec le contexte ; et pour la gestion des bases de connaissances, où les informations peuvent être mises à jour ou corrigées. Son impact se manifeste par des systèmes d’IA plus flexibles, adaptatifs et robustes, capables de gérer l’ambiguïté et l’incomplétude de l’information.
Les applications pratiques du raisonnement non monotone sont variées. Un exemple classique est celui de l’oiseau Tweety : si nous savons que « Tweety est un oiseau » et que « les oiseaux volent généralement », nous concluons que « Tweety vole ». Si nous apprenons ensuite que « Tweety est un pingouin » (et que les pingouins ne volent pas), nous devons rétracter la conclusion initiale. Dans le diagnostic médical, un médecin peut initialement supposer une maladie courante sur la base de symptômes initiaux, mais réviser ce diagnostic si des analyses de laboratoire fournissent des informations contradictoires ou plus spécifiques. En planification robotique, un robot peut élaborer un chemin pour atteindre une destination, mais si un obstacle inattendu apparaît, le plan initial devient invalide et doit être recalculé. Les systèmes de gestion de la vérité (Truth Maintenance Systems, TMS) sont des implémentations concrètes qui maintiennent la cohérence d’un ensemble de croyances en enregistrant les justifications de chaque croyance et en les révisant lorsque de nouvelles informations sont ajoutées. Les bases de données déductives utilisent souvent la négation par l’échec pour inférer des informations non explicitement stockées.
Le terme « raisonnement non monotone » recouvre différentes nuances et formalismes logiques développés pour le capturer. La Logique par Défaut (Default Logic), proposée par Raymond Reiter, utilise des « règles par défaut » pour exprimer des généralisations typiques. La Circonscription (Circumscription), développée par John McCarthy, est une méthode qui minimise l’extension de certains prédicats, formalisant l’idée que les choses sont aussi normales que possible. La Logique Autoépistémique de Robert Moore modélise les croyances d’un agent sur ses propres croyances. Les logiques modales non monotones utilisent des opérateurs modaux (comme « il est possible que » ou « il est cru que ») pour capturer la nature révisable des conclusions. La Programmation Logique avec Négation par l’Échec (par exemple, Prolog) est un paradigme de programmation qui implémente une forme de raisonnement non monotone. Chacun de ces formalismes offre une perspective et un mécanisme d’inférence distincts, avec ses propres forces et faiblesses pour modéliser différents aspects du raisonnement en présence d’informations incomplètes.
Plusieurs concepts sont étroitement liés au raisonnement non monotone. Le Raisonnement Défaisable (Defeasible Reasoning) est souvent utilisé comme synonyme, soulignant que les conclusions peuvent être « défaites » par de nouvelles informations. La Révision des Croyances (Belief Revision) étudie comment un agent rationnel devrait changer ses croyances lorsqu’il reçoit de nouvelles informations qui peuvent être contradictoires avec ses croyances actuelles ; les postulats AGM (Alchourrón, Gärdenfors, Makinson) sont fondamentaux dans ce domaine. Le Raisonnement Abductif, qui consiste à trouver la meilleure explication à des observations, partage avec le raisonnement non monotone la gestion de l’incertitude et la sélection d’hypothèses plausibles. Le Raisonnement de Sens Commun (Commonsense Reasoning) est l’objectif plus large que de nombreux formalismes de raisonnement non monotone cherchent à atteindre, car le sens commun humain est intrinsèquement non monotone. À l’opposé, le Raisonnement Monotone, incarné par la logique classique (comme la logique propositionnelle ou la logique du premier ordre), est un antonyme direct : une fois qu’une conclusion est prouvée, elle reste vraie quelles que soient les nouvelles informations ajoutées, tant qu’elles ne contredisent pas les prémisses initiales.
L’origine du raisonnement non monotone remonte à la fin des années 1970 et au début des années 1980, période durant laquelle les chercheurs en intelligence artificielle ont pris conscience des limitations des logiques classiques pour représenter le raisonnement humain quotidien. Des figures pionnières comme John McCarthy, Marvin Minsky (dans ses travaux sur les « frames » et les valeurs par défaut), Raymond Reiter, Drew McDermott et Jon Doyle (avec les TMS) ont publié des articles fondateurs qui ont lancé ce champ de recherche. Leur motivation était de développer des formalismes logiques capables de gérer l’information incomplète, les exceptions aux règles générales, et la révision des conclusions. Ces travaux ont été stimulés par le besoin de construire des systèmes d’IA plus intelligents et adaptatifs. Depuis lors, le domaine a évolué, avec le développement de sémantiques plus raffinées, l’étude de ses propriétés computationnelles, et son intégration progressive dans des applications d’IA plus complexes.
Le concept de raisonnement non monotone présente des avantages significatifs mais aussi des inconvénients et des défis. Parmi les avantages, sa capacité à modéliser des inférences plausibles en l’absence d’informations complètes est primordiale, permettant aux systèmes d’agir de manière plus flexible et intelligente dans des environnements incertains. Il offre un cadre plus réaliste pour comprendre et simuler le raisonnement humain, qui est rarement basé sur des informations complètes et immuables. Cependant, le raisonnement non monotone pose plusieurs défis. La complexité computationnelle des formalismes non monotones est souvent élevée, rendant leur implémentation efficace difficile. Il n’existe pas de sémantique unifiée unique qui soit universellement acceptée pour toutes les formes de raisonnement non monotone, ce qui peut rendre le choix du formalisme approprié pour un problème spécifique délicat. Un autre défi est le problème des extensions multiples : certains formalismes peuvent admettre plusieurs ensembles de conclusions mutuellement incompatibles mais internement cohérents à partir d’une même base de connaissances (par exemple, dans la logique par défaut). La sensibilité à l’ordre d’arrivée des informations peut également être une préoccupation dans certains systèmes. Enfin, la gestion des paradoxes, comme le paradoxe du ticket de loterie (où il est rationnel de croire pour chaque ticket qu’il ne gagnera pas, mais irrationnel de croire qu’aucun ticket ne gagnera), illustre les subtilités et les difficultés inhérentes à la formalisation du raisonnement révisable. Malgré ces défis, le raisonnement non monotone demeure un domaine de recherche actif et essentiel pour le progrès de l’intelligence artificielle.