Dès le début de l’intelligence artificielle (IA) dans les années 1950, deux grandes approches ont été adoptées par les chercheurs pour concevoir des machines « intelligentes ». Une approche (Making a mind), que l’on peut qualifier d’IA symbolique, consiste à doter un système d’IA de mécanismes de raisonnement capables de manipuler les données symboliques qui constituent les connaissances d’un domaine. Cette approche fait appel aux modèles et méthodes de la logique. Elle a donné lieu aux systèmes à bases de connaissances. Une autre approche (Modeling the brain), que l’on peut qualifier d’IA connexionniste, consiste à s’inspirer du fonctionnement du cortex cérébral. L’entité de base est un modèle formel du neurone, un système étant formé par l’interconnexion d’un grand nombre de tels « neurones ». Cette approche a débouché sur les réseaux neuromimétiques actuels. Depuis les années 1990, une tendance prometteuse est de concevoir des modèles hybrides combinant ces deux approches qui présentent des caractères complémentaires. Par ailleurs, des modèles statistiques sont de plus en plus mis à profit pour rendre compte de la grande variabilité des phénomènes étudiés. Ces trois grandes approches de l’IA (symbolique, connexionniste et statistique) sont décrites dans la suite de cet exposé.
Un aspect fondamental de l’IA (et plus généralement de l’intelligence) est celui de l’apprentissage qui permet à un système (ou à un animal) d’améliorer ses performances. Ce processus intervient dans les différentes approches, comme on le verra…