Hybridation de modèles d’IA avec des classifieurs ontologiquement explicables
Grégory Bourguin, Arnaud Lewandowski, Mourad Bouneffa · Revue Ouverte d Intelligence Artificielle · 2025
La recherche en Intelligence Artificielle Explicable (XAI) a souligné la nécessité de créer des modèles basés sur les connaissances du domaine pour qu’ils soient explicables du point de vue de leurs utilisateurs. Une part importante des travaux actuels se concentre sur la conception de modèles d’IA qui intègrent la sémantique et le mode de raisonnement des experts du domaine. S’inspirant des Modèles Basés sur les Concepts et des approches Neuro-Symboliques, nous proposons une architecture hybride pour construire des pipelines d’IA qui utilisent l’Apprentissage Automatique pour extraire les concepts du domaine et un raisonnement symbolique pour prédire une classification explicable. Le cœur de cette proposition est l’OntoClassifier, un module qui utilise des ontologies de domaine pour générer automatiquement des classifieurs ontologiquement explicables. Nous décrivons l’approche et l’architecture proposées en détaillant l’implémentation et les capacités de l’OntoClassifier. La solution est appliquée en Vision par Ordinateur et est illustrée à l’aide du Pizzaïolo Dataset.