Depuis une petite dizaine d’années, les travaux sur les algorithmes inductifs se sont multipliés dans les universités. La forte croissance des réseaux sociaux a renforcé la demande pour ces algorithmes, qui sont au cœur de la data-intelligence.

Il faut savoir que lorsque l’informatique se saisit d’une notion, elle en crée généralement une forme qui lui est propre, et cette forme est souvent réductrice. Par exemple, au sens philosophique, l’ontologie est l’étude de l’être. En informatique l’ontologie n’est plus qu’un graphe de représentation de connaissances. De même, en philosophie l’induction est un mode de raisonnement constructiviste qui produit des orientations plausibles. En informatique, à quelques exceptions près, l’induction se résume à l’application du principe de récurrence à des graphes.

Pour un professionnel, traiter des données sur un mode inductif exige un changement de posture. Nombre de principes se retrouvent totalement inversés lorsque l’on passe d’un raisonnement déductif à un raisonnement inductif.

Par exemple :

  1. Si, en raisonnement déductif, il y a toujours une fin au traitement, en raisonnement inductif il n’en existe généralement pas. Les résultats des inférences sont susceptibles de modifier les inférences déjà réalisées. Il est ainsi possible de poursuivre les raisonnements à l’infini. L’algorithme inductif doit alors être associé à une fonction de convergence (dite aussi fonction de récompense) qui mesure le bénéfice des nouvelles inférences et en limite ainsi le nombre.
  2. A une problématique donnée il n’existe pas de solution inductive unique. La multiplicité des traitements possibles peut toutefois se réduire, car il est fréquent qu’un nombre réduit de traitements satisfasse à un objectif particulier ou une finalité particulière. Mais par voie de conséquence un algorithme inductif est rarement d’usage universel.
  3. S’il n’est pas destiné à vérifier une hypothèse déjà présente, il peut néanmoins être conçu en fonction d’une certaine finalité. Les graphes qu’il permet d’élaborer à partir des données analysées ont un usage particulier. La connaissance de cet usage par l’algorithme est une information précieuse pour mesurer sa propre efficacité. Elle servira notamment pour les calculs de plausibilité. Les meilleurs algorithmes inductifs sont donc évolutifs : ils « apprennent », affinant leurs façons de traiter les données en fonction de l’usage le plus pertinent qui en sera fait.