Système expert

  • Concept
  • Avancé
  • Transversal
  • Toujours utilisé

En bref

Un système expert est un programme qui imite le raisonnement d’un spécialiste humain en appliquant une base de règles « si...alors... ».

Définition complète

Un système expert est un programme informatique conçu pour imiter le raisonnement d’un spécialiste humain dans un domaine précis, en appliquant une grande base de règles logiques du type « si telle condition, alors telle conclusion », construites à partir du savoir de vrais experts du métier. Contrairement aux outils d’intelligence artificielle actuels, il n’apprend pas à partir de données : il applique des règles écrites explicitement par des humains.

Par exemple, un système expert de diagnostic médical peut raisonner ainsi : « si le patient a de la fièvre, ET une toux, ET un test positif à tel virus, alors probablement telle maladie, recommander tel traitement ». Attention : un système expert ne « comprend » rien : il applique mécaniquement des règles, ce qui le rend fiable et explicable, mais totalement dépendant de la qualité et de l’exhaustivité des règles saisies au départ.

À quoi ça sert

Un système expert sert à automatiser une décision ou un diagnostic dans un domaine où les règles métier sont bien connues et stables, sans avoir besoin d’énormes quantités de données d’entraînement comme les IA plus récentes. Il permet de rendre accessible à un non-spécialiste un raisonnement normalement réservé à un expert rare ou coûteux.

Son grand avantage est l’explicabilité : contrairement à beaucoup d’outils d’IA modernes qui fonctionnent comme des boîtes noires, un système expert peut toujours justifier sa conclusion en citant la règle exacte qu’il a appliquée, ce qui est précieux dans les domaines réglementés comme la santé ou la finance.

Il aide aussi à capitaliser un savoir-faire : en formalisant les règles d’un expert proche de la retraite, une entreprise conserve une partie de sa connaissance métier, même après le départ de la personne.

Cas d'usage typiques

– Aider au diagnostic médical : proposer des pistes de diagnostic à partir de symptômes saisis par un praticien.
– Configurer un produit complexe : guider le paramétrage d’un contrat d’assurance ou d’une installation technique.
– Automatiser un contrôle qualité : appliquer des règles précises pour valider ou refuser une pièce industrielle.
– Fournir un premier niveau de conseil fiscal : orienter un contribuable vers le bon régime selon des critères précis.
– Assister un technicien de dépannage : guider un diagnostic de panne étape par étape à partir de symptômes observés.
– Vérifier une conformité réglementaire : contrôler qu’un dossier respecte bien toutes les règles applicables avant validation.

Ce que tu sauras faire

Savoir reconnaître un système expert (raisonnement par règles explicites) et le distinguer d’un système d’intelligence artificielle qui apprend à partir de données.

Mises en situation

Situation 1 : un logiciel d’aide au diagnostic dans un cabinet médical

Contexte : Un médecin généraliste utilise un logiciel qui propose des pistes de diagnostic à partir des symptômes qu’il saisit.

Application : Le logiciel applique une base de règles construite par des spécialistes pour suggérer plusieurs hypothèses classées par probabilité, que le médecin garde la responsabilité de confirmer.

Résultat attendu : Le médecin gagne du temps sur les cas complexes et réduit le risque d’oublier une hypothèse rare, sans jamais déléguer la décision finale au logiciel.

Situation 2 : la configuration d’un contrat d’assurance

Contexte : Un courtier en assurance doit proposer un contrat adapté à un client ayant un profil atypique (activité à risque, plusieurs véhicules).

Application : Un système expert applique les règles internes de la compagnie pour déterminer les garanties possibles et le tarif correspondant, en justifiant chaque exclusion.

Résultat attendu : Le courtier propose rapidement un contrat cohérent avec les règles internes, sans devoir consulter un spécialiste produit à chaque cas particulier.

Situation 3 : le dépannage à distance d’un équipement industriel

Contexte : Un technicien de maintenance doit diagnostiquer une panne sur une machine complexe située chez un client, sans pouvoir se déplacer immédiatement.

Application : Un système expert de diagnostic pose une série de questions ciblées sur les symptômes observés et propose une cause probable ainsi que la procédure de réparation associée.

Résultat attendu : Une partie des pannes est résolue à distance sans déplacement, et les cas non couverts par les règles existantes sont escaladés vers un technicien senior.

Application guidée : écrire les règles d’un mini système expert

Contexte : Une boulangerie veut automatiser le tri de ses commandes en ligne selon deux critères : le mode de retrait (livraison ou click and collect) et le délai souhaité (le jour même ou plus tard).

Question : Quelles règles « si…alors… » simples permettraient de router automatiquement chaque commande vers la bonne équipe ?

Résultat attendu : Proposer par exemple : « si livraison ET jour même, alors priorité haute vers l’équipe de livraison » ; « si click and collect ET plus tard, alors ajouter à la file standard de production » ; ce qui illustre comment un système expert transforme un savoir-faire d’organisation en règles explicites et vérifiables.

Application guidée : repérer la limite d’un système expert

Contexte : Un système expert de diagnostic de panne informatique ne trouve aucune règle correspondant à une nouvelle panne, jamais rencontrée auparavant.

Question : Que peut faire le système dans ce cas, et que révèle cette situation sur ses limites ?

Résultat attendu : Comprendre que le système expert ne peut traiter que les cas prévus par ses règles ; face à un cas inédit, il doit escalader vers un humain plutôt que d’inventer une réponse, contrairement à un modèle d’apprentissage automatique qui pourrait généraliser (avec le risque de se tromper) à partir de cas proches déjà rencontrés.

Pour bien le retenir

L'analogie

Un système expert, c’est comme un arbre de décision géant qu’un médecin suivrait pas à pas pour poser un diagnostic : « le patient a-t-il de la fièvre ? Oui. A-t-il aussi une toux ? Oui. Le test est-il positif ? Oui. Alors, orienter vers tel diagnostic. » Chaque branche de l’arbre a été écrite à l’avance par des spécialistes, et le système se contente de suivre le bon chemin selon les réponses obtenues.

« Un système expert suit un arbre de règles écrites par des humains, il n’apprend rien tout seul. »

Pièges à éviter

À ne pas confondre avec

Une confusion très fréquente consiste à croire qu’un système expert est identique à une intelligence artificielle moderne comme un assistant conversationnel. Un système expert applique des règles écrites à l’avance par des humains, alors qu’un modèle d’apprentissage automatique apprend des régularités à partir de grandes quantités de données, sans qu’un humain écrive chaque règle.

Autre piège : penser qu’un système expert peut traiter n’importe quelle situation nouvelle. Il ne sait répondre qu’aux cas couverts par ses règles ; face à une situation totalement inédite, il faut prévoir une escalade vers un humain plutôt que de lui faire confiance aveuglément.

Enfin, il ne faut pas sous-estimer le coût de maintenance des règles : un système expert vieillit mal si personne ne met à jour sa base de règles quand le métier évolue (nouvelle réglementation, nouveau produit), ce qui peut le rendre obsolète voire dangereux s’il continue à être utilisé sans révision.

Évolution historique

Apparition : Années 1970, apogée dans les années 1980

Quels changements depuis l’arrivée de l’IA ?

Le système expert est en réalité une des toutes premières formes d’intelligence artificielle, dite « IA symbolique », bien antérieure aux techniques d’apprentissage automatique aujourd’hui les plus connues du grand public. Avant l’essor du machine learning, le système expert représentait l’approche dominante pour automatiser un raisonnement. Aujourd’hui, il a largement cédé la place aux modèles qui apprennent à partir de données, mais son principe survit en coulisses : de nombreux outils d’IA générative combinent un modèle de langage avec des règles métier explicites (garde-fous, vérifications de conformité) pour rester fiables et explicables sur des sujets sensibles.

Évolution historique

Fin des années 1960-1970 : premiers systèmes experts marquants, notamment dans le domaine médical et chimique, qui démontrent la faisabilité du raisonnement automatisé par règles.

Années 1980 : âge d’or commercial des systèmes experts, adoptés par de grandes entreprises pour automatiser des expertises métier.

Fin des années 1980-1990 : les limites apparaissent (coût de maintenance des règles, incapacité à traiter l’imprévu), contribuant à un ralentissement de l’enthousiasme pour l’IA, parfois appelé « hiver de l’IA ».

Années 2000-2010 : les techniques d’apprentissage automatique prennent le relais pour de nombreuses tâches auparavant confiées aux systèmes experts.

Aujourd’hui : les systèmes à base de règles reviennent en complément des grands modèles de langage, pour apporter fiabilité et explicabilité sur des décisions sensibles.