Positionnement de l’AI neuro-symbolique dans l’ingénierie de domaine

Statut documentaire : guide — voir Maturité et preuves.

L’usage d’une AI neuro-symbolique dans l’ingénierie de domaine ne consiste pas à remplacer l’architecte, ni à déléguer au système la définition spontanée des concepts métier. Il consiste à articuler deux familles de capacités qui, prises séparément, restent insuffisantes pour produire des modules métier fiables. La composante neuronale, typiquement incarnée par un LLM ou par un ensemble de modèles spécialisés, excelle dans la transformation du langage, l’abstraction progressive, la comparaison de variantes, la synthèse de corpus hétérogènes, la génération d’exemples et la projection de structures vers des formats documentaires ou techniques. La composante symbolique, quant à elle, fournit des objets explicites : ontologies, taxonomies, graphes de concepts, contraintes d’intégrité, règles de dépendance, règles de typage, moteurs de validation, règles de cohérence temporelle, gabarits de projection et schémas d’événements.

Dans une architecture de génération de modules métier, la couche neuronale est la mieux placée pour absorber l’ambiguïté initiale. Elle peut partir d’un matériau brut, composé d’entretiens métier, de comptes rendus, de descriptions textuelles, de fragments de documentation ou de conversations d’architecture, puis proposer une première stabilisation lexicale. Cependant, cette stabilisation n’a de valeur que si elle est ensuite ancrée dans un cadre symbolique. Sans ancrage symbolique, le modèle a tendance à lisser les distinctions importantes, à mélanger des catégories différentes comme les rôles, les entités, les relations et les événements, et à réintroduire dans le noyau des concepts trop sectoriels. La couche symbolique agit donc comme une grammaire de vérité locale. Elle ne garantit pas une vérité absolue sur le métier, mais elle garantit que la sortie reste conforme aux règles structurelles décidées par l’architecture.

Dans le cadre de la structuration à trois niveaux ontologiques, cette articulation devient particulièrement efficace. Le niveau fondationnel fournit les concepts universels et stables du système d’information. Le niveau transverse métier fournit les patterns réutilisables comme inscription, affectation, planification ou évaluation. Le niveau sectoriel spécialise les précédents pour un domaine donné. La couche symbolique encode cette hiérarchie, ainsi que les règles de dépendance qui en découlent. La couche neuronale, de son côté, peut être sollicitée pour reformuler les besoins, proposer des spécialisations, comparer plusieurs stratégies de modélisation ou générer la documentation de package. Le système neuro-symbolique global permet alors d’obtenir une génération plus rapide sans perdre la discipline ontologique.

Il est important de comprendre que le neuro-symbolique n’est pas ici un simple mot à la mode appliqué à un LLM enrichi d’un peu de structure. La logique est plus profonde. On cherche à faire coopérer des mécanismes de probabilité et des mécanismes de normativité. Le neurone propose, le symbole borne. Le neurone explore, le symbole discrimine. Le neurone reformule, le symbole typifie. Le neurone projette, le symbole valide. Cette asymétrie doit rester claire dans l’esprit des développeurs, car elle conditionne toute l’industrialisation de la chaîne de génération.

Exemple d’usage correctement positionné

Prenons un contexte de centre de formation où apparaissent les termes élève, parent, tuteur, enseignant, entreprise partenaire, responsable financier. Une couche neuronale seule proposera souvent une taxonomie directement sectorielle et produira des classes Student, Teacher, Parent, PartnerCompany. Une approche neuro-symbolique commence autrement. Le moteur neuronal reformule d’abord ces termes en hypothèses plus abstraites. La couche symbolique vérifie ensuite si ces hypothèses sont compatibles avec les règles du niveau fondationnel. Si le package cible est party, la couche symbolique rejettera ou reclassera les concepts trop sectoriels et imposera des abstractions comme Party, NaturalPerson, LegalEntity, PartyRole, PartyRelationship. Le résultat final n’est donc pas seulement plausible ; il est compatible avec l’architecture du patrimoine ontologique.

Schéma de principe

@startuml
skinparam shadowing false

rectangle "Sources métier\ntextes, entretiens, notes" as SRC
rectangle "Couche neuronale\nextraction, reformulation,\nvariation, projection" as N
rectangle "Couche symbolique\nontologies, règles,\ncontraintes, validation" as S
rectangle "Artefacts validés\npackages, docs, XML,\nPlantUML, événements" as OUT

SRC --> N
N --> S
S --> N : corrections / contraintes
S --> OUT
@enduml