L7 IMT  Neurosymbolic AI

Français :
Ce document présente la leçon 7 du cours MIT 6.S191 sur l'intelligence artificielle neurosymbolique, donnée par David Cox du MIT-IBM Watson AI Lab. La présentation explore l'évolution de l'IA depuis les systèmes étroits (Narrow AI) vers une IA plus large (Broad AI) et éventuellement générale. Elle met en lumière les limitations des approches purement neuronales et propose de combiner les réseaux de neurones avec le raisonnement symbolique pour créer des systèmes plus robustes, explicables et efficaces en données. Le cours présente des applications concrètes comme le raisonnement visuel (VQA), l'apprentissage de concepts, l'apprentissage de métaconcepts, et la compréhension d'événements vidéo. L'approche neurosymbolique permet d'atteindre une précision quasi-parfaite avec beaucoup moins de données d'entraînement tout en offrant une meilleure transparence et interprétabilité des résultats.

English:
This document presents Lecture 7 from MIT's 6.S191 course on Neurosymbolic AI, delivered by David Cox from the MIT-IBM Watson AI Lab. The presentation explores AI's evolution from narrow AI systems toward broader and eventually general AI. It highlights the limitations of purely neural approaches and proposes combining neural networks with symbolic reasoning to create more robust, explainable, and data-efficient systems. The course presents concrete applications including visual reasoning (VQA), concept learning, meta-concept learning, and video event understanding. The neurosymbolic approach achieves near-perfect accuracy with significantly less training data while providing better transparency and interpretability of results.