Abductive Reasoning

Qu’est-ce que le raisonnement abductif ?

Le raisonnement abductif est une forme d’inférence logique qui commence par une observation et cherche l’explication la plus simple ou la plus probable. Contrairement au raisonnement déductif (qui va des règles générales aux conclusions spécifiques) ou au raisonnement inductif (qui généralise à partir d’observations spécifiques), le raisonnement abductif implique la formation d’hypothèses pour expliquer ce que nous observons.

Les trois types de raisonnement

Type	Direction	Exemple
Déductif	Général → Spécifique	Tous les humains sont mortels. Socrate est humain. Donc, Socrate est mortel.
Inductif	Spécifique → Général	Chaque cygne que j’ai vu est blanc. Donc, tous les cygnes sont blancs.
Abductif	Observation → Hypothèse	La pelouse est mouillée. La meilleure explication est qu’il a plu la nuit dernière.

Pourquoi le raisonnement abductif est important pour l’IA

Selon la professeure de Stanford Yejin Choi, les modèles d’IA actuels sont fondamentalement limités car ils effectuent principalement du raisonnement inductif et déductif, qu’elle caractérise comme “régurgitation de la même information que vous aviez déjà.”

Le raisonnement abductif, en revanche, est :

• Créatif - Il implique la formation de nouvelles hypothèses, pas seulement l’application de règles existantes
• Ce que font les scientifiques - La découverte scientifique nécessite l’hypothèse d’explications pour des phénomènes inexpliqués
• Ce que font les détectives - Les fameuses “déductions” de Sherlock Holmes sont en fait des abductions

L’idée fausse de Sherlock Holmes

Arthur Conan Doyle fait célèbrement déclarer à Holmes “Élémentaire, mon cher Watson” après avoir fait de brillantes “déductions.” Mais Yejin Choi souligne que c’est une erreur de terme :

“When you look at detectives like Sherlock Holmes, the author incorrectly thinks the detective is doing deductive reasoning. But no, it’s abductive reasoning because you have to jump to the conclusion with a bit of a leap of faith.”

“Quand vous regardez des détectives comme Sherlock Holmes, l’auteur pense à tort que le détective fait du raisonnement déductif. Mais non, c’est du raisonnement abductif car vous devez sauter à la conclusion avec un peu de foi.”

Holmes observe des preuves (boue sur les chaussures, callosités sur les mains) et abduit l’explication la plus probable. La vraie déduction exigerait la certitude ; l’abduction embrasse l’incertitude et la probabilité.

Implications pour le développement de l’IA

La limitation identifiée par Choi est profonde : les systèmes d’IA actuels excellent dans l’interpolation au sein du “voisinage des données internet” mais ont du mal à découvrir des connaissances véritablement nouvelles.

“There are truths about how to cure cancer that are not on the internet. The current way of doing curation of data isn’t going to really teach the model how to come up with personalized drugs that could prevent or cure cancer.”

“Il existe des vérités sur comment guérir le cancer qui ne sont pas sur internet. La façon actuelle de faire la curation des données ne va pas vraiment apprendre au modèle comment proposer des médicaments personnalisés qui pourraient prévenir ou guérir le cancer.”

Pour que l’IA réalise de véritables percées scientifiques, elle pourrait avoir besoin de développer des capacités robustes de raisonnement abductif - la capacité d’émettre des hypothèses d’explications pour des observations qui ne correspondent pas aux modèles existants.

Contexte historique

Le terme “abduction” dans ce sens a été inventé par le philosophe américain Charles Sanders Peirce (1839-1914), qui l’a distingué des formes mieux connues de déduction et d’induction. Peirce considérait l’abduction comme essentielle à l’enquête scientifique et à la résolution créative de problèmes.

Lectures connexes

• Yejin Choi - Professeure de Stanford recherchant le raisonnement dans l’IA
• Reinforcement Learning - Une autre approche de l’amélioration des modèles que Choi critique