23.06.2013 Views

Thèse Sciences Cognitives - Olivier Nerot

Thèse Sciences Cognitives - Olivier Nerot

Thèse Sciences Cognitives - Olivier Nerot

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

26<br />

Mémorisation par forçage des dynamiques chaotiques dans les modèles connexionnistes récurrents<br />

confortée par la constatation que l’on met plus de temps à valider une phrase contenant<br />

des mots de sens éloignés [[46]] 7 .<br />

Mais ce type de modélisation pose le problème du fait inconnu : les premiers systèmes<br />

experts se trouvaient bloqués, car il leur manquait un fait ou une règle qui n’avait pas été<br />

prévu jusque là, et il fallait périodiquement mettre à jour la base de faits et la base de<br />

règles associée. Il était nécessaire qu’il y ait apprentissage, généralisation, destruction<br />

de fait, et création de nouveaux. Il s’avérait nécessaire que la logique et les graphes<br />

utilisés soient dynamiques.<br />

Autre obstacle, les temps de réponse des systèmes conçus sur ces principes ne<br />

correspondaient pas à la complexité apparente des taches qu’ils devaient traiter. Ainsi,<br />

selon ce principe il est plus rapide de calculer un produit de deux nombre de cent<br />

chiffres, que de reconnaître un visage. Nous pouvons pourtant reconnaître un visage en<br />

quelques centaines de millisecondes, et il nous faudrait quelques heures pour effectuer<br />

le produit. Certains résultats en psychologie mirent en évidence l’impossibilité d’une<br />

axiomatisation formelle des raisonnements humains, par exemple dans le cas du jeu<br />

d’échec [[94]]. Ces constatations firent conclure en 1980, au sujet des réseaux<br />

sémantiques, que [[110]] :<br />

On a inévitablement l’impression que les questions ont été posées dans<br />

le contexte d’un paradigme de recherche qui, tout simplement, n’était<br />

pas suffisamment riche pour fournir des réponses définitives.<br />

Il était donc logique d’enrichir ce modèle et de passer à une seconde phase, en tentant<br />

de s’approcher un peu plus du système cérébral, ou, tout au moins, de ce que l’on en<br />

connaît..<br />

2. Deuxième phase<br />

Une idée pour répondre à ce besoin<br />

croissant de mémoire et à cette<br />

nécessité d’un apprentissage fut<br />

amenée par les premiers modèles de<br />

réseaux de neurones [[53]], qui<br />

révélèrent un nouveau type<br />

d’encodage, celui de l’information<br />

distribuée, que nous appellerons<br />

encodage vectoriel, par opposition à<br />

l’encodage de type scalaire de la<br />

première phase. Un fait n’est plus<br />

représenté par une case mémoire,<br />

mais par un ensemble de cases<br />

mémoire constituant un vecteur, et<br />

c’est l’organisation globale des valeurs<br />

enregistrées qui encode l’information.<br />

Dans de nombreux cas, l’encodage<br />

était réalisée par l’orientation de ce<br />

7 Il fut ensuite montré que ces réseaux sémantiques contiennent a priori ces temps de réponse, puisque leur<br />

concepteur dissocie et organise les éléments selon des critères qui lui sont naturels.<br />

PREMIERE PARTIE : ANALYSE<br />

Figure 2-3 : Décharges neuronales<br />

La moyenne des activités neuronales encode la<br />

direction du pointage réalisé par le singe.

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!