L’IA neurosymbolique est un cadre qui combine les principales forces de l’IA symbolique, qui représente la structure, les relations, les règles, les contraintes et la logique décisionnelle explicites de l’entreprise, avec l’IA neuronale, qui alimente des capacités telles que la compréhension du langage, la reconnaissance de formes et la synthèse. Ce cadre s’appuie sur l’expertise du domaine et les règles de l’IA symbolique et sur la capacité de l’IA neuronale à trouver et à apprendre des modèles et des relations complexes trouvés dans de grandes quantités de données. Un modèle conceptuel simple pour décrire cette architecture est le 10-80-10. Les premiers 10 % sont neuronaux, car le LLM aide à interpréter l’intention de l’utilisateur et à la traduire en une question d’entreprise structurée. C’est dans les 80 % du milieu que la fondation d’entreprise défend le raisonnement selon lequel il ne faut pas demander au LLM d’improviser. Le système résout le contexte de l’entreprise et peut invoquer des plans, des politiques, des contraintes, des droits de décision, des prévisions, une analyse causale, une simulation, une optimisation, des règles et des solveurs pour évaluer des scénarios et des compromis. Les 10 % restants sont à nouveau neuronaux, car le LLM explique le résultat dans un langage commercial clair et rend la réponse accessible pour la prise de décision commerciale.
En conséquence, l’IA neurosymbolique peut donner un sens à de grands volumes de données à grande échelle et rappeler des modèles complexes, tout en intégrant un raisonnement structuré et des connaissances contextuelles propres à une organisation. Cela fonde les résultats sur la réalité et réduit considérablement le risque d’hallucinations.
Comprendre la question business dans son contexte
Un élément crucial pour intégrer l’IA neurosymbolique dans la stratégie d’IA plus large d’une entreprise est une base structurée d’entreprise et de modèle de décision qui peut relier les données, les connaissances, les plans, les politiques, les contraintes et le contexte décisionnel. Par exemple, l’Enterprise Knowledge Graph d’o9 Digital Brain fournit une base sémantique structurée et continuellement mise à jour qui organise les informations de l’entreprise et les connecte aux modèles de décision pour des fonctionnalités telles que la prévision, l’optimisation, l’analyse de scénarios et les actions recommandées. Une construction plus rapide devient de plus en plus pertinente avec chaque nouveau modèle frontalier. Le système doit comprendre la question commerciale dans son contexte : l’objectif, la portée de l’entreprise pertinente, les plans et les réalisations actuels, les politiques et les contraintes, les leviers de décision disponibles et qui a le pouvoir d’agir. Une architecture neurosymbolique permet à une grande partie de ce contexte de provenir du modèle d’entreprise lui-même plutôt que d’obliger l’utilisateur à le recréer à chaque invite.
