Systèmes experts : quand l'IA est devenue un business (années 80)

Pendant la majeure partie des années 1970, l’intelligence artificielle était une discipline universitaire aux budgets modestes et aux promesses ambitieuses. Au milieu des années 1980, elle était devenue une industrie de milliards de dollars. La technologie qui a entraîné cette transformation était le système expert, et l’histoire de son essor et de sa chute reste l’un des récits les plus instructifs de l’IA.

Ce qu’étaient les systèmes experts

Un système expert est un programme qui imite la prise de décision d’un spécialiste humain. Il comporte deux éléments centraux :

• Une base de connaissances, des centaines ou des milliers de règles « si-alors » encodant l’expertise du domaine (si le patient a de la fièvre et une raideur de la nuque, envisager une méningite).
• Un moteur d’inférence, un logiciel qui enchaîne les règles pour tirer des conclusions, parfois avec des scores de confiance pour gérer l’incertitude.

L’idée fut formulée par Edward Feigenbaum à Stanford, qui soutenait que « les systèmes intelligents tirent leur puissance du savoir qu’ils possèdent, et non des formalismes et schémas d’inférence spécifiques qu’ils utilisent ». C’était une rupture délibérée avec la recherche antérieure en IA, qui avait tenté de construire des résolveurs de problèmes universels. Les systèmes experts étaient ciblés, pratiques et, surtout, commercialement viables.

Les pionniers

Les premiers systèmes experts notables sont sortis de Stanford dans les années 1970 :

• DENDRAL (à partir de 1965) identifiait des molécules organiques à partir de données spectrographiques, le premier système démontrant que l’encodage de connaissances spécialisées pouvait surpasser les heuristiques générales.
• MYCIN (à partir de 1972) diagnostiquait les infections bactériennes et recommandait des antibiotiques. Jamais déployé cliniquement, il montra que le raisonnement sous incertitude pouvait être formalisé. En tests aveugles, MYCIN égalait ou dépassait la précision de spécialistes des maladies infectieuses.

Le boom

L’explosion commerciale débuta vers 1980, quand Digital Equipment Corporation (DEC) déploya XCON (également appelé R1), un système expert pour configurer les commandes de mini-ordinateurs VAX. Au milieu des années 1980, XCON contenait des milliers de règles et faisait économiser à DEC environ 40 millions de dollars par an.

Des systèmes similaires apparurent dans l’exploration pétrolière, la finance, la manufacture et la logistique. Une nouvelle profession émergea, l’ingénieur de la connaissance, dont le travail consistait à extraire l’expertise de spécialistes humains et à la coder sous forme de règles. Deux tiers des entreprises du Fortune 500 utilisaient des systèmes experts à la fin des années 1980.

Le boom fut amplifié par la compétition internationale. En 1982, le Japon lança le Projet d’ordinateurs de cinquième génération, une initiative gouvernementale de dix ans pour construire des machines capables d’inférence logique et de compréhension du langage naturel. Les gouvernements occidentaux paniquèrent et répondirent avec leurs propres programmes de financement massif.

L’effondrement

À la fin des années 1980, les fissures étaient visibles : extraire des règles des experts était lent et fragile ; les systèmes étaient rigides et échouaient de manière imprévisible aux frontières de leur domaine ; la maintenance devenait ingérable ; et le matériel dédié ne pouvait rivaliser avec des stations de travail de plus en plus puissantes. Le projet japonais se termina sans tenir ses promesses. Le marché des machines Lisp s’effondra. Le second hiver de l’IA était arrivé.

Pourquoi c’est important

Les systèmes experts ont prouvé que l’IA spécifique à un domaine pouvait fournir une vraie valeur commerciale. Mais ils ont aussi démontré les limites de l’IA symbolique : les règles codées à la main ne passent pas à l’échelle face au désordre du monde réel. Quand l’apprentissage automatique est revenu dans les années 1990 et 2000, il a réussi exactement là où les systèmes experts avaient échoué : apprendre des motifs à partir de données plutôt que les encoder manuellement. Les grands modèles de langage actuels sont, en un sens, la réponse au goulot d’étranglement de l’acquisition des connaissances.