Donnons un sens à l'innovation

La représentation des connaissances et le raisonnement (Knowledge Representation and Reasoning KRR) d’une part, et l’apprentissage (Machine Learning ML) d’autre part sont deux domaines importants de l’intelligence artificielle (IA) qui se sont développés largement indépendamment, en particulier depuis près de 30 ans. Et ce, même si le cerveau humain met en œuvre à la fois des capacités réactives immédiates basées sur l’apprentissage et des capacités réflexives pour appréhender de nouvelles situations.

Même si l’induction mode d’inférence central en apprentissage est une figure de raisonnement, curieusement les recherches dans les deux domaines sont restées largement séparées. Il existe plusieurs problématiques d’apprentissage (regroupement, classification, régression, apprentissage par renforcement, apprentissage de concepts, fouille de données, …), et plusieurs types d’approche (apprentissage statistique, apprentissage profond et réseaux de neurones, séparateurs à grande marge, arbres de décision, transduction, apprentissage relationnel et programmation logique inductive, apprentissage analogique, …).

D’autres paradigmes apparentés à l’apprentissage (ensembles approximatifs (‘’rough sets’’), analyse formelle de concepts, méthodes neuro-floues, …) ont des liens avec la formalisation logique. Par ailleurs, le raisonnement à partir de données, souvent basé sur la similarité, de la catégorisation à l’interpolation, à l’extrapolation, au raisonnement à partir de cas, entretient des relations encore largement à explorer et à préciser avec l’apprentissage.

Les sujets d’intérêt à la frontière entre raisonnement et apprentissage sont nombreux. Mentionnons notamment l’usage de « background knowledge », l’explicabilité des résultats des méthodes d’apprentissage, le résumé de données, le fonctionnement conjoint et cohérent de modules d’apprentissage et de raisonnement (raisonnement à partir de connaissances extraites de données), apprentissage de formalismes à base de logiques pondérées (e.g., logique de Markov et logique possibiliste, programmes logiques probabilistes, logiques multivaluées, logiques à priorités), ou encore des problématiques comme l’apprentissage à partir de données incertaines ou incomplètes, ou à partir de petites quantités de données, l’explicitation d’équivalents logiques de d’estimateurs, de classifieurs (des intégrales généralisées de Choquet ou de Sugeno aux réseaux de neurones).

Ce groupe de travail vise à contribuer à un rapprochement, à une meilleure compréhension mutuelle, et sans doute à terme, à un enrichissement des méthodes, et à une vision unifiée des problèmes d’apprentissage et de raisonnement permettant une meilleure synergie entre ces domaines. Le groupe de travail « Apprentissage et Raisonnement » (GT-AR) a pour objectif de réunir un groupe de chercheurs spécialistes d’un des deux domaines et sérieusement intéressés par l’autre,

• Dans le but de s’intéresser à tous les « points de jointure » qui peuvent exister entre les deux domaines.
• Il ne privilégiera aucune approche particulière en KRR ou ML. Approches « numérique » et « symboliques » seront également considérées.
• Il s’intéressera en particulier aux bases conceptuelles et théoriques des approches de façon à comprendre la spécificité des problématiques et leurs éventuelles complémentarités.