L’intelligence artificielle entre symbolique et génératif : règles de monotonicité et modèles de langage

Room B011/B013

L’intelligence artificielle évolue sur plusieurs axes, dont l’apprentissage symbolique et les grands modèles de langage (LLM). Le web sémantique constitue un cadre structuré permettant de représenter les connaissances de manière formelle et interconnectée grâce à des technologies comme RDF et OWL. Il facilite l’organisation et l’exploitation des données, offrant ainsi des bases solides pour l’automatisation du raisonnement. Les LLM, quant à eux, sont des modèles d’apprentissage entraînés sur de vastes corpus textuels, capables de comprendre et de générer des corpus textuels avec une précision syntaxique et sémantique remarquable. Leur utilisation ouvre de nouvelles perspectives comme l’analyse du langage naturel et la transformation de texte en représentations symboliques.

Le premier axe concerne la découverte automatique de règles de monotonie à partir de données scientifiques. Ces règles, exprimant des relations croissantes ou décroissantes entre des variables, permettent d’incorporer des contraintes physiquement plausibles dans les modèles d’apprentissage. À travers des approches d’apprentissage symbolique, telles que le raisonnement à partir de cas, nous visons à extraire ces connaissances de manière interprétable pour guider la prédiction de propriétés de matériaux.

Le second axe explore l’utilisation des grands modèles de langage (LLM) pour la génération automatique de requêtes SPARQL à partir de questions en langage naturel. Cette tâche, à l’interface entre traitement du langage et web sémantique, repose sur la capacité des LLM à comprendre des structures logiques et à produire des représentations formelles interrogeables sur des bases de connaissances comme DBpedia et Wikidata.

Ces deux travaux s’inscrivent dans une vision commune d’une intelligence artificielle qui combinant des connaissances structurées avec des capacités avancées de raisonnement automatique.