ExpressIF® est une intelligence artificielle symbolique qui simule le raisonnement humain en s’appuyant sur des connaissances représentées sous différents paradigmes (logique booléenne, logique floue, etc.). Capable de raisonner sur des connaissances imprécises et sur des données spatio-temporelles, il fournit une décision explicable.
ExpressIF® est un système capable de simuler le raisonnement humain pour automatiser ou aider à la prise de décision dans un domaine.
Il élabore son raisonnement en s’appuyant sur des connaissances fournies par des experts du domaine et modélisées sous différentes formes (règles, contraintes, etc.).
Capable d’établir ses déductions à partir de connaissances imprécises ou non complètement vérifiées, il peut manipuler des notions complexes et travailler sur des observations incomplètes.
Il sait traiter les données spatiales et temporelles et combiner les deux types de données dans ses raisonnements.
ExpressIF® appartient à la famille des systèmes d’IA symboliques qui présentent l’avantage, par rapport aux systèmes d’IA à apprentissage profond (deep learning), de produire des résultats qui peuvent s’expliquer. C’est pourquoi, il convient à des applications comme l’aide au diagnostic, l’aide au pilotage de systèmes, le suivi de crises, etc., où les experts ont besoin de comprendre les décisions suggérées par l’outil avant de les suivre ou pour auditer une décision déjà actée.
L’outil est accompagné d’un éditeur de règles intuitif permettant aux experts métier de créer eux-mêmes leurs règles en langage naturel.
Entièrement développé par les équipes du List, ExpressIF® est protégé par plusieurs brevets.
Ses forces principales :
Les capacités uniques de raisonnement spatial et temporel d’ExpressIF®, alliées à sa capacité à traiter des informations incertaines de manière intelligible en font un outil privilégié pour la gestion de crise. ExpressIF® a ainsi été utilisé pour assister les sapeurs-pompiers en intervention sur des feux de forêt en Nouvelle-Aquitaine.
Pour ce cas d’usage, deux modules ont été activés. Le premier visait à prévoir l’évolution de l’incendie dans le temps et l’espace afin d’identifier les enjeux d’une intervention sur site et de mettre en place les actions adaptées. Le raisonnement a été modélisé sur la base de données géographiques détaillées et aussi de prévisions météorologiques.
Le second module tirait uniquement partie des capacités de raisonnement temporel de l’outil. Il a servi à surveiller l’évolution des températures des unités présentes sur le terrain (véhicules, hommes) et à évaluer les risques associés afin d’émettre des alertes en cas de danger.
Pour en savoir plus, lire l’actualité Un outil d’aide à la décision pour la gestion de crise.
ExpressIF® s’est enrichi récemment d’un module d’apprentissage automatique pour la classification d’images et l’annotation d’objets (annotation d’objets dans une image ou d’éléments remarquables d’un spectre ou d’un signal, par exemple).
Prenons le cas de l’annotation d’objets dans une image. Pour comprendre une image, un réseau de neurones identifie tout d’abord des régions spécifiques correspondant à différents objets présents dans l’image. La nouvelle fonctionnalité intégrée à ExpressIF® prend ensuite le relais pour identifier ces objets, grâce à des règles permettant de les positionner sans ambiguïté, et les annoter. L’atout majeur cette fonctionnalité est qu’elle se suffit de quelques images seulement (moins de 10) pour conclure l’apprentissage.
Les premiers essais réalisés sur des images d’IRM viscérales ont montré que l’outil pouvait non seulement y annoter automatiquement les organes, mais aussi justifier ses propositions par une argumentation en langage naturel : une avancée concrète pour assister efficacement les médecins dans l’interprétation des images de leurs patients.
Lire l’actualité Reconnaissance d’images : classer et annoter un clin d’œil.
A Fuzzy Expert System Architecture For Data And Event Stream Processing, Poli J-P and Boudet (2018). L Fuzzy Sets and Systems. Vol. 343, pp. 20-34. Elsevier.
Natural Language Generation of Explanations of Fuzzy Inference Decisions, Baaj I and Poli J-P (2019). 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). pp. 1-6.
Spatial relation learning for explainable image classification and annotation in critical applications, Pierrard R, Poli J-P and Hudelot C (2021). Journal of Artificial Intelligence, 292.
Online Spatio-Temporal Fuzzy Relations, Poli J-P, Boudet L and Le Yaouanc J-M (2018). 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). pp. 1-8.
Material Classification from Imprecise Chemical Composition: Probabilistic vs Possibilistic Approach, Grivet Sébert A and Poli J-P (2018). 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). pp. 1-8.
