Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
Thèse Sciences Cognitives - Olivier Nerot
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.