2. Le nucléaire et les deux « vagues » de l’IA

Depuis ses premières introductions dans le paysage industriel, l’IA a évolué à pas de géant, dopée par la convergence de facteurs technologiques, économiques et culturels. Tandis que l’industrie nucléaire entre dans une ère de transformation numérique profonde, l’IA est un outil qui offre autant d’opportunités applicatives métier qu’il soulève de questions cruciales.

L’IA est revenue au coeur des problématiques de l’industrie. On doit cette situation à la multiplication des sources de données et aux nouvelles solutions permettant d’y accéder mais aussi aux progrès réalisés dans le domaine du connexionisme, de l’apprentissage profond et plus récemment de l’intelligence artificielle générative. Enfin, la baisse des coûts du calcul a démocratisé l’accès à l’IA. D’une certaine manière, elle est la fille de la transformation numérique massive des entreprises. La première vague de l’IA des années 1985-1995 consacrait la prédominance des systèmes à règles et de la représentation des connaissances. Quel que soit le type de raisonnement simulé (abduction, déduction, induction, réfutation et analogie), la conclusion était alors explicable si la sémantique des règles de la logique des prédicats n’était pas ambiguë. Le raisonnement qualitatif et les règles de la logique des « ensembles flous » ont permis également de faciliter l’interprétation du fonctionnement de systèmes en utilisant des variables linguistiques.

Cette période prolifique a aussi vu l’apparition d’algorithmes d’apprentissage non supervisés et de réseaux auto-organisés préfigurant les réseaux convolutionnels, notamment pour la reconnaissance optique de caractères (OCR). Durant cette période, des algorithmes évolutionnaires ont  Commencé d’apparaître en complétant ainsi la panoplie de la recherche opérationnelle. En 1995 eut lieu la première conférence sur un thème promis à un grand avenir, la découverte de connaissances dans les données : on parle de Knowledge Discovery and Data Mining¹ (KDD) et de Knowledge discovery in Text (KDT). Il s’agit en fait du début du minage de données dans le but de les contextualiser.