Neurosymbolique

Une architecture neurosymbolique combine deux paradigmes traditionnellement opposés : les réseaux de neurones (deep learning, LLM), qui excellent à traiter des données massives mais produisent des décisions opaques, et les systèmes symboliques (logique formelle, ontologies, règles), qui garantissent le déterminisme et la traçabilité mais peinent face au langage naturel. L'architecture neurosymbolique combine les forces de chaque paradigme et compense leurs faiblesses respectives.

Henry Kautz, dans sa conférence Engelmore Memorial à AAAI 2020, a proposé la taxonomie de référence du domaine. Six architectures sont distinguées par le degré d'intégration entre les composants neuraux et symboliques. La plus pragmatique pour les systèmes d'entreprise est le Type 3, dit Neuro | Symbolic, où le neuronal convertit le langage naturel en structure symbolique, qui est ensuite traitée par un raisonneur formel. C'est l'architecture d'AlphaGeometry chez DeepMind, du système médical Plato-3 publié dans Nature Portfolio en 2025, et de la plateforme FAOS publiée sur arXiv en avril 2026.

Pourquoi cette architecture compte en 2026

Les LLM seuls produisent des sorties non déterministes, hallucinent sur les domaines spécialisés, et n'ont aucune mémoire structurée du système qu'ils manipulent. Les systèmes symboliques seuls sont rigides, fragiles face à l'ambiguïté, et coûteux à maintenir. Les agents IA d'entreprise crédibles combinent les deux. Sans cette combinaison, on obtient soit un perroquet stochastique, soit un système expert des années 80 qui ne sait pas lire un email.

L'architecture neurosymbolique intéresse en priorité les organisations qui ont besoin d'agents IA fiables sur des domaines spécialisés (santé, finance, défense, conformité, scientifique) et auditables sur leurs décisions. Elle est aussi pertinente pour les systèmes critiques où le rejeu déterministe est exigé (audit interne, contentieux, contrôle réglementaire).

Swoft est une plateforme neurosymbolique au sens de Kautz Type 3. Le composant neuronal (LLM Claude, GPT, modèles locaux selon le cas d'usage) convertit le langage naturel des utilisateurs et des documents en intentions structurées. Le composant symbolique est massif : un métamodèle DDD de 44 collections, un Event Store immuable, un moteur de règles déclaratives (DeciderActions), et un système de validation à 21 vérifications réparties sur 4 niveaux. Le neuronal propose, le symbolique vérifie et exécute.

Cette architecture résout le quatuor de problèmes identifié par la revue de Colelough et Regli (arXiv 2025) sur les systèmes neurosymboliques de production : déterminisme du replay, généricité du symbolique, scalabilité, et accountability multi-agents. Swoft adresse ces quatre points par construction, là où la majorité des projets neurosymboliques académiques restent au stade de preuve de concept sur un domaine étroit.