Qu’est-ce qu’un modèle ?

Contrairement au Machine Learning (ML), auquel la plupart des gens se réfèrent aujourd’hui lorsqu’ils parlent d’IA, le pouvoir de ComputableFacts est basé sur sa capacité à raisonner logiquement.

Les modèles permettent aux utilisateurs de créer intuitivement des programmes qui codent non seulement des interactions complexes entre de grands ensembles de faits hétérogènes, mais également les incertitudes inhérentes à la réalité.

Les modèles utilisés par ComputableFacts sont basés sur le paradigme de la programmation logique probabiliste: les modèles sont des programmes logiques dans lesquels certains faits ou clauses (aussi appelées règles) sont annotés avec des probabilités. Ces modèles permettent aux utilisateurs de spécifier ce qu’ils veulent plutôt que comment une requête doit être effectuée. Les modèles déduisent de nouveaux faits en collectant toutes les preuves ou explications possibles à l’aide d’un raisonnement par chaînage arrière, les représentent dans une structure de données appropriée, et calculent la probabilité de cette structure pour générer les indices de confiance des faits dérivés.

On donne ci-dessous un exemple de modèle trivial :


Adapté de https://x775.net/2019/03/18/Introduction-to-Datalog.html

Ce modèle s’interprète en français :

Si un film a un titre et que la catégorie de ce film est “Crime”, il y a cinquante pour cent de chance que ce film soit génial.

Dans l’exemple ci-dessus le corps de la règle est composé d’un unique littéral Movie. Il est cependant possible de combiner deux littéraux ou plus. Un peu de vocabulaire supplémentaire :


Adapté de https://x775.net/2019/03/18/Introduction-to-Datalog.html

Bien que la notion de modèle au coeur de ComputableFacts soit issue de l’univers de la logique probabiliste, il reste tout à fait possible pour l’utilisateur final de déléguer tout ou partie d’un raisonnement à des algorithmes de Machine Learning ou de Deep Learning grâce à notre concept de fonction.

Scroll to top