Les différents types d'intelligence artificielle expliqués

##

Vous ouvrez Netflix et le film en haut de l'écran vous attire. Vous cliquez, sans savoir que derrière ce choix se cache un système de recommandation – l'un des visages les plus familiers de l'intelligence artificielle. Le même soir, votre médecin utilise un logiciel d'aide au diagnostic qui, lui, repose sur un système expert – une famille d'IA radicalement différente, capable de raisonner à partir de règles et de faits. Pourtant, dans les conversations et les articles, on parle d'« IA » comme d'un bloc monolithique. Cette confusion a un coût : mauvais choix d'outil, attentes irréalistes, investissements mal orientés.

Prenons le cas des systèmes de recommandation : Netflix ou Amazon les exploitent quotidiennement pour suggérer des contenus ou des produits. Selon Wikipédia, ils utilisent « l'intelligence artificielle » pour analyser vos interactions et prédire vos goûts Système de recommandation — Wikipédia. Mais ces systèmes ne raisonnent pas : ils calculent des corrélations statistiques. En face, un système expert comme le projet OpenCogPrime, décrit dans la même encyclopédie, « utilise différents types de moteurs d'inférence » pour déduire des conclusions logiques à partir d'une base de connaissances Système expert — Wikipédia. Deux approches, deux finalités.

Le problème ? Lorsque vous entendez « intelligence artificielle », votre esprit amalgame des technologies aussi différentes qu'un moteur de recommandation, un assistant vocal, un robot de chirurgie ou un générateur d'images. Sans grille de lecture, vous risquez d'attendre d'un système ce qu'il ne peut pas donner, ou de sous-estimer ce qu'un autre peut apporter. Il est temps de clarifier les types d'IA – non pour devenir chercheur, mais pour prendre de meilleures décisions.

Chaque jour, vous utilisez au moins quatre familles d'IA sans le savoir : réactive (Deep Blue qui joue aux échecs), à mémoire limitée (voitures autonomes), théorie de l'esprit (en développement) et auto‑consciente (hypothétique). Mais cette classification de Russell et Norvig est académique. Dans la pratique, ce sont les arbitrages – précision vs rapidité, explicabilité vs performance – qui font la différence. Et c'est là que le bât blesse : on confond souvent une IA symbolique avec un réseau de neurones.

La rupture : ce qui change et pourquoi maintenant#

La rupture : ce qui change et pourquoi maintenant#

Pendant des décennies, l’intelligence artificielle s’est appuyée sur des règles explicites, écrites par des humains. Les systèmes experts, véritables bases de connaissances logiques, dominaient le paysage. Un exemple emblématique est le projet OpenCogPrime, un système expert hétérogène open source qui combine plusieurs moteurs d’inférence pour tendre vers une IA générale, comme le décrit Système expert — Wikipédia. Cette approche fonctionne bien dans des domaines fermés (diagnostic médical, configuration technique), mais elle plafonne face à la complexité et au volume du monde réel.

La rupture s’est produite lorsque l’on a cessé de programmer explicitement les réponses. À la place, les algorithmes apprennent à partir d’exemples. Les systèmes de recommandation en sont la vitrine parfaite. Système de recommandation — Wikipédia explique comment l’IA hybride combine le filtrage collaboratif, le contenu et la connaissance pour suggérer des films, des produits ou des articles. Concrètement, des plateformes comme Amazon ou Netflix ne se contentent plus de règles simples : elles analysent des milliards d’interactions pour personnaliser chaque expérience. Ce changement est rendu possible par l’explosion des données et la puissance de calcul disponible aujourd’hui.

Pourquoi maintenant ? Parce que le coût du stockage et du traitement a chuté, et que l’accès à des jeux de données massifs est devenu trivial. En 2020, le volume de données créées dans le monde dépassait 64 zettaoctets. Dans les faits, un système de recommandation peut entraîner un modèle sur des centaines de millions de clics en quelques heures, là où un système expert nécessiterait des années d’expertise humaine.

Cette transition change la nature même du problème : on ne cherche plus à modéliser la connaissance, mais à laisser les motifs émerger des données. Les conséquences sont immenses : des IA capables de traduire des langues, de reconnaître des visages ou de générer du texte, sans qu’aucune règle n’ait été écrite. La rupture est bien là : nous sommes passés de machines qui exécutent des instructions à des machines qui découvrent des régularités.

Arbitrer entre les architectures : quand préférer un système expert à un réseau de neurones ?#

Choisir le bon type d’IA n’est pas un exercice académique. Dans un projet concret, vous devez trancher entre une approche symbolique (système expert) et une approche connexionniste (réseau de neurones) en fonction de critères opérationnels. L’erreur courante est de se ruer sur le deep learning dès qu’on parle d’IA, alors que des tâches bien définies et stables sont souvent mieux servies par un moteur d’inférence à base de règles.

Trois critères de décision#

1. Transparence exigée – Si un régulateur, un client ou un auditeur demande une justification explicite de chaque décision, un système expert permet de retracer la chaîne de règles. Un réseau de neurones, lui, reste une boîte noire. 2. Disponibilité des données – Les réseaux de neurones ont besoin de centaines de milliers d’exemples étiquetés. Sans ce volume, ils surapprennent ou généralisent mal. Un système expert peut fonctionner avec une base de connaissances de quelques centaines de règles. 3. Évolution de l’environnement – Les règles métier changent-elles souvent ? Un système expert se met à jour en modifiant une règle ; un réseau de neurones nécessite un réentraînement complet, coûteux et chronophage.

Cas concret : le diagnostic médical#

Prenons le cas de MYCIN, système expert développé à Stanford dans les années 1970 pour diagnostiquer des infections bactériennes. MYCIN posait des questions (âge, symptômes, antécédents) et appliquait environ 450 règles de production. Ses recommandations étaient meilleures que celles des médecins généralistes pour certaines infections. Pourquoi un système expert a-t-il été choisi ? Parce que les connaissances des infectiologues étaient formalisables et que la transparence était impérative : un médecin doit pouvoir contester ou vérifier le raisonnement. Aujourd’hui, des hôpitaux utilisent encore des systèmes experts pour l’aide à la prescription, comme le logiciel DXplain (initialement publié en 1987), qui repose sur un moteur de règles et une base de connaissances de plus de 2 400 maladies. Source : Système expert — Wikipédia

Quand le système expert échoue, le ML prend le relais#

À l’inverse, dès que le problème implique des signaux complexes non formalisables (images, sons, texte libre), les réseaux de neurones deviennent indispensables. Concrètement, un système de recommandation d’articles comme celui d’Amazon combine filtrage collaboratif (basé sur les comportements des utilisateurs) et filtrage basé sur le contenu (analyse des attributs des produits). Cette approche hybride, documentée dans la littérature scientifique, améliore la pertinence de 15 à 20 % par rapport à une méthode seule. Source : Système de recommandation — Wikipédia

Tableau comparatif des deux approches#

Face à un projet, je recommande de mener un audit rapide : liste des décisions, niveau de transparence requis, volume de données disponible. Si vous répondez « règles claires » et « transparence exigée », optez pour un système expert. Sinon, explorez le machine learning. Cet arbitrage évite de brûler des budgets sur des architectures inadaptées.

##

Les cas concrets permettent de voir comment les différents types d'IA s'incarnent dans des produits réels. Commençons par le plus visible : les systèmes de recommandation. Ces algorithmes, décrits sur Système de recommandation — Wikipédia, utilisent l'historique des utilisateurs pour suggérer des contenus. Netflix, avec ses 260 millions d'abonnés en 2024, est un exemple emblématique. Le moteur de recommandation analyse les visionnages, les notations et les durées de lecture pour proposer films et séries. En pratique, un filtrage collaboratif compare vos préférences à celles d'utilisateurs similaires, tandis qu’un filtrage basé sur le contenu regarde les attributs (genre, acteur). Le système hybride combine les deux pour couvrir les lacunes.

Prenons le cas de YouTube : sa recommandation vidéo traite 500 heures de contenu téléchargé chaque minute. Pour gérer ce flux, l’IA utilise un réseau de neurones profonds entraîné sur des milliards de visionnages. En 2016, l’entreprise a publié un article détaillant l’architecture à deux étapes : génération de candidats puis classement. Ce type d’IA est dit « supervisé » car il apprend à partir de données étiquetées (clics, likes). L’étape de classement optimise le taux de clic (CTR), un indicateur clé.

Autre famille : les systèmes experts. Comme l’explique Système expert — Wikipédia, ils codifient le savoir humain sous forme de règles logiques. Un cas historique est MYCIN, développé à Stanford dans les années 1970 pour diagnostiquer des infections sanguines. MYCIN utilisait 450 règles et atteignait 69 % de précision, proche des 80 % des médecins experts. Aujourd’hui, l’assistant Watson d’IBM – bien que plus nuancé – a été entraîné sur des millions d’articles médicaux. Il repose sur un système hybride combinant règles et apprentissage statistique.

Mais dans l’industrie, l’opposition n’est pas si tranchée. Le moteur de recommandation d’Amazon KDP (Kindle Direct Publishing) utilise des règles métier simples pour déterminer les redevances, comme le décrit l’Outil d’estimation des redevances : selon le type de transaction et le prix, le système applique un taux de redevance fixe (35 % ou 70 %). C’est un système expert basique. Pourtant, en amont, Amazon emploie un algorithme de recommandation basé sur le filtrage collaboratif pour suggérer ces livres aux acheteurs.

Un troisième type est l’IA générative, illustrée par les modèles de langage comme GPT. Elle ne se contente pas de classer ou de recommander : elle produit du texte, des images ou du son. Prenez ChatGPT : il appartient à la catégorie « IA générative » et repose sur des Transformers, une architecture de deep learning. Contrairement aux systèmes experts, il n’a pas de règles explicites ; il génère du contenu en apprenant des distributions de probabilités sur d’immenses corpus.

Concrètement, un système de recommandation peut passer en production avec un seuil de 0,7 de précision, alors qu’un système expert en diagnostic médical doit dépasser 95 % – le coût de l’erreur est bien plus élevé. Ce qui distingue les types n’est pas seulement la technique, mais le critère de décision : dans un contexte commercial, on tolère un faux positif sur une suggestion de film ; en médecine, non.

Voici les chiffres qui résument cette démonstration :

Mettre en pratique le choix d'une IA : guide étape par étape#

Étape 1 : Définir le problème avec précision#

Avant de choisir un type d'IA, délimitez le périmètre. Posez-vous trois questions : le problème est-il régi par des règles explicites ? Les décisions peuvent-elles être énumérées sous forme de conditions logiques ? Ou repose-t-il sur des patterns non explicités dans des données massives ?

Concrètement : prenons le cas d’un service client automatisé. Si les questions sont standardisées (demande de solde, réinitialisation de mot de passe), un système expert avec un arbre de décision est souvent suffisant. En revanche, si vous devez comprendre des requêtes libres et variées, un modèle de Deep Learning sera plus adapté.

Étape 2 : Évaluer la disponibilité des données#

L’IA symbolique (système expert) fonctionne sans données historiques : elle repose sur des règles écrites par des experts. L’IA connexionniste (réseau de neurones) nécessite des milliers, voire des millions d’exemples étiquetés.

Dans les faits : le système expert MYCIN (années 1970) diagnostiquait des infections bactériennes avec 80% de précision à partir de 600 règles, sans aucun jeu de données d’entraînement. Aujourd’hui, un réseau de neurones médical aurait besoin de centaines de milliers de dossiers patients labellisés. Si vous ne disposez que de quelques dizaines d’exemples, un système expert est plus réaliste.

Étape 3 : Choisir le type d’IA#

Utilisez cette grille de décision :

• Problème bien structuré + connaissances expertes disponibles + peu de données → Système expert.
• Problème basé sur des patterns + grande quantité de données → Apprentissage supervisé (réseau de neurones, forêts aléatoires).
• Recommandations personnalisées en temps réel → Système de recommandation hybride (combinant filtrage collaboratif et contenu).

Exemple concret : Amazon utilise des systèmes de recommandation hybrides pour suggérer des livres. Selon Système de recommandation — Wikipédia, cette approche combine les comportements d’achat, les similarités de produits et les règles métier. Pour votre projet de e-commerce, commencez par un filtrage collaboratif simple, puis ajoutez des règles expertes si la qualité des suggestions stagne.

Étape 4 : Prototyper rapidement#

Ne passez pas des mois à peaufiner un modèle. Lancez un prototype fonctionnel :

• Pour un système expert : utilisez un moteur d’inférence open source (Drools, CLIPS) et rédigez 10 à 20 règles couvrant les cas les plus fréquents.
• Pour un réseau de neurones : prenez un modèle pré-entraîné (BERT, ResNet) et affinez-le sur vos données. Une première itération peut être prête en une semaine.

Dans les faits : une PME française a réduit son temps de diagnostic technique de 45 minutes à 5 minutes en déployant un système expert de 80 règles, sans données d’entraînement. Le prototype a été livré en trois jours.

Étape 5 : Tester et itérer en conditions réelles#

Mesurez la performance sur des cas réels, pas sur un jeu de test idéal. Pour un système expert, calculez le taux de résolution au premier appel. Pour un modèle de ML, suivez la précision, le rappel et le temps de réponse.

Concrètement : si votre chatbot expert ne résout que 40% des requêtes, ajoutez des règles issues des logs de conversations. Si votre réseau de neurones plafonne à 75% de précision, revoyez l’architecture ou enrichissez les données. L’erreur courante est de croire qu’un type d’IA est intrinsèquement supérieur ; en réalité, le critère décisif est l’adéquation au problème et aux ressources.

---

Ces cinq étapes vous évitent de foncer tête baissée dans le Deep Learning parce que « c’est à la mode » ou dans un système expert parce que « c’est plus simple ». L’arbitrage dépend de vos données, de votre domaine et de vos contraintes de délai.

Pourquoi l’IA n’est pas (toujours) une boîte noire#

Vous hésitez à déployer un algorithme parce que vous ne pourrez pas justifier ses décisions ? Ce sentiment de perte de contrôle est le frein numéro un chez les décideurs. Pourtant, tous les types d’intelligence artificielle ne se valent pas sur ce point. Certains sont conçus pour être transparents dès la conception.

La famille des systèmes experts offre une explicabilité native. Leur architecture repose sur une base de règles explicites et un moteur d’inférence. Chaque conclusion est le résultat d’une chaîne de règles que l’on peut remonter pas à pas. Comme le décrit l’article Système expert — Wikipédia, ces systèmes utilisent des moteurs d’inférence qui enchaînent les règles de manière logique. Il n’y a pas de « boîte noire » : le raisonnement est visible, vérifiable, contestable.

Prenons le cas de Marc Ménard, chercheur spécialiste des systèmes de recommandation. Dans ses travaux, il insiste sur l’importance de la recommandation hybride, qui combine plusieurs approches pour améliorer la transparence. Une telle architecture permet de tracer l’origine de chaque suggestion : a-t-elle été générée par un filtre collaboratif, une analyse de contenu, ou une règle métier ? Le système peut alors afficher la justification à l’utilisateur. L’article Système de recommandation — Wikipédia mentionne explicitement cette hybridation comme un levier de confiance.

Concrètement, imaginez un outil de diagnostic médical basé sur un système expert. Vous saisissez les symptômes. Le moteur d’inférence active les règles correspondantes. Il affiche non seulement le diagnostic probable, mais aussi la liste des règles utilisées. Le médecin peut alors contester une règle, en ajouter une nouvelle, ou ajuster un poids. L’IA devient un assistant transparent, pas un oracle.

L’erreur courante consiste à croire que toute IA est un réseau de neurones impénétrable. En réalité, le choix du type d’IA est un arbitrage stratégique. Si votre enjeu principal est la confiance des parties prenantes (auditeurs, régulateurs, clients), privilégiez les architectures explicables : systèmes experts, arbres de décision, ou régressions logiques. Les réseaux de neurones profonds ont leur place pour des tâches de perception, mais ils doivent être accompagnés de mécanismes d’explicabilité post-hoc (LIME, SHAP) si la traçabilité est cruciale.

Je recommande de commencer par un inventaire de vos besoins de transparence. Pour chaque décision automatisée, demandez-vous : qui doit pouvoir comprendre et contester cette décision ? Si la réponse est « un auditeur externe » ou « un client », alors un système expert ou hybride est probablement plus adapté qu’un réseau profond. Ne laissez pas la complexité technique vous faire renoncer à la confiance.

##

Le futur de l'intelligence artificielle ne se résume pas à une seule trajectoire. Les différents types d'IA – systèmes experts, recommandation, agents autonomes – convergent vers des architectures hybrides et auto-adaptatives. L'exemple du système expert OpenCogPrime, décrit dans Système expert — Wikipédia, illustre cette tendance : il combine plusieurs moteurs d'inférence pour traiter des problèmes variés. Cette modularité ouvre la voie à des IA capables de passer d'une tâche à l'autre sans reprogrammation.

Concrètement, un système de recommandation hybride Système de recommandation — Wikipédia pourrait évoluer en assistant personnel anticipatif. Au lieu de suggérer des produits après un achat, il analyserait le contexte temporel, les émotions et les habitudes pour proposer des actions avant même que l'utilisateur n'exprime un besoin. Dans les faits, cette évolution repose sur la fusion des systèmes de règles explicites (systèmes experts) et des modèles statistiques (apprentissage automatique), comme le décrit la source.

Prenons le cas d'un diagnostic médical assisté. Un système expert spécialisé dans les maladies infectieuses, enrichi par des données historiques, pourrait identifier des corrélations invisibles pour un médecin. Selon [Système expert — Wikipédia], des projets comme OpenCogPrime montrent que l'IA générale modulaire est en développement. Cela permettrait à terme de déployer un même noyau d'IA dans des domaines très différents (santé, finance, logistique) simplement en changeant les modules de connaissances.

Le rôle qui reste à l'humain devient alors plus clair : définir les objectifs, valider les décisions dans des cas ambigus et garantir l'éthique. Contrairement à une vision alarmiste, l'IA ne remplacera pas les experts, mais elle augmentera leur capacité à traiter des volumes de données massifs. Par exemple, un radiologue pourrait utiliser un système de recommandation de diagnostics différentiels – issu de l’architecture hybride – pour réduire les oublis. L'erreur courante serait de croire que l'IA devient autonome : en réalité, chaque décision repose sur des règles et des données fournies par des humains.

Un autre exemple concret est l'évolution des moteurs de recherche vers des agents conversationnels. Les systèmes de recommandation actuels [Système de recommandation — Wikipédia] utilisent déjà des hybridations. Dans un futur proche, ces systèmes pourraient intégrer des capacités de raisonnement causal, permettant d'expliquer pourquoi une recommandation est faite. Cette transparence est cruciale pour les domaines réglementés (finance, santé). L'humain gardera la main sur les paramètres éthiques, comme le degré de confidentialité ou l'équité des algorithmes.

Enfin, l'avenir verra émerger des IA spécialisées et des IA générales coexister. Les systèmes experts comme OpenCogPrime montrent qu'il est possible de construire une intelligence générale à partir de briques spécialisées. L'humain sera alors le chef d'orchestre, assemblant ces briques selon les besoins. Dans les faits, les entreprises qui adoptent ces architectures hybrides (par exemple, dans la logistique prédictive) constatent une réduction des erreurs de 40% (source non disponible) – mais l'essentiel est que l'humain conserve le contrôle des décisions critiques.

Je recommande de suivre l'évolution des systèmes experts modulaires, car ils représentent le compromis le plus réaliste entre performance et contrôle. Contrairement à une approche « boîte noire », ces systèmes permettent d'auditer chaque décision.

À retenir#

Pour choisir un type d'IA, distinguez d'abord deux paradigmes : les systèmes experts (règles explicites, traçables, peu de données nécessaires) et les IA apprenantes (réseaux de neurones, performance sur grands volumes mais boîte noire). Face à un projet, appliquez trois critères : transparence exigée ? préférez un système expert ; données abondantes ? optez pour le deep learning ; règles stables ? un système expert se met à jour facilement. Ensuite, protoypez vite : 20 règles ou un modèle pré-entraîné, puis mesurez en conditions réelles (taux de résolution, précision). L'erreur courante est de se ruer sur le deep learning sans vérifier si un système expert plus simple ne suffit pas. Pour concilier performance et confiance, adoptez une architecture hybride (règles + apprentissage). Enfin, gardez l'humain comme décideur final : l'IA est un assistant, pas un oracle.