Présentation et objectifs généraux

Le but de nos recherches est d'étudier les propriétés et les capacités d'un traitement automatique de l'information réalisé sur des bases distribuées, numériques et adaptatives. Plus précisément, nous cherchons à montrer qu'un tel type de traitement peut permettre la réalisation de systèmes ``intelligents'', c'est-à-dire capables d'extraire de la connaissance à partir de données et de manipuler cette connaissance pour résoudre des problèmes. L'ensemble de ces capacités est obtenu par la mise au point de modèles connexionnistes neuromimétiques ( cf. § 3.1) développés selon deux sources d'inspiration, les neurosciences (computational neurosciences) et l'apprentissage automatique (machine learning).

Nous privilégions la voie neuromimétique pour plusieurs raisons. Elle possède intrinsèquement de fortes capacités adaptatives ainsi que des caractéristiques numériques et distribuées; elle facilite le traitement des données perceptives; elle peut facilement être rattachée à des données et des modèles dans les domaines des statistiques et des neurosciences qui étudient le traitement automatique de l'information selon cette même voie neuromimétique.

Ces deux domaines d'inspiration sont étudiés de front car ils posent les mêmes questions relatives aux capacités de représentation interne et de manipulation de la connaissance de ces modèles distribués et ils proposent des solutions complémentaires pouvant s'enrichir mutuellement.

Le domaine d'inspiration statistique nous fournit des modèles numériques de traitement de l'information permettant d'extraire des connaissances à partir de données. Ces modèles peuvent également être combinés avec d'autres techniques classiques de traitement automatique de l'information ( cf. § 3.2).

Le domaine d'inspiration neurobiologique propose des modèles théoriques et des mécanismes élémentaires pour certaines fonctions de représentation et de traitement de l'information animales ou humaines facilitant son exploitation ultérieure pour des tâches sensorimotrices ( cf. § 3.3). Il indique de plus que l'une des caractéristiques essentielles de l'intelligence est de permettre au sujet de donner des réponses satisfaisantes alors qu'il est confronté à des situations complexes, peu structurées et incluant de nombreux paramètres. Cette propriété, très recherchée dans le domaine du traitement automatique de l'information, oriente les applications de nos recherches.

En effet, de manière complémentaire à nos domaines d'inspirations pluridisciplinaires, nous finalisons nos recherches dans un but essentiellement technologique vers des domaines tels que l'interprétation de données et de signaux, les capteurs intelligents, la robotique, la conduite de processus industriels et l'aide à la décision. Plus généralement, c'est le pilotage de systèmes complexes, multimodaux, agissant sur leur environnement qui est visé à travers ces applications ( cf. § 4.1).

Ces travaux informatiques sont implantés en premier lieu sur des ordinateurs classiques, mais nous explorons également d'autres voies que sont les architectures parallèles, les robots autonomes et plus généralement les circuits spécialisés pour systèmes embarqués, tous ces supports étant naturellement suggérés par les applications visées ( cf. § 4.4).

Le défi majeur posé par nos recherches est celui de la maîtrise du phénomène d'émergence inhérent à cette approche ascendante et distribuée. En effet, nous élaborons des systèmes de grande taille par la programmation locale d'unités simples de traitement numérique munies de coefficients adaptatifs alors que la fonction attendue est obtenue par émergence, comme résultat de l'interaction de l'ensemble de ces unités distribuées.

Ce phénomène est observé dans les trois actions de recherche que nous menons actuellement. Premièrement, à un niveau global, nous développons des modèles neuromimétiques comportementaux ( cf. § 6.1), pour permettre la navigation autonome d'un robot. Pour cela, nous implantons et interfaçons des modèles de cortex associatif (coordination sensorimotrice), cortex frontal (organisation temporelle du comportement) et hippocampe (localisation). Deuxièmement, à un niveau plus fin, nous étudions des modèles neuromimétiques élémentaires ( cf. § 6.2), nous permettant de revenir au fonctionnement binaire du neurone (émission de potentiels d'action). Ce travail se ramène à l'étude de phénomènes temporels au sein d'assemblées de tels neurones. Troisièmement, à un niveau intermédiaire, nous travaillons sur des modèles neuronaux continus classiques et étudions leur adaptation à des problèmes d'exploration de bases de données, dans la perspective d'une intégration neurosymbolique ( cf. § 6.3).

Soulignons enfin trois thèmes importants au centre de nos recherches.
(i) L'autonomie: nos systèmes doivent apprendre à réaliser leur tâche sans connaissance explicite a priori et sans aide extérieure. On conçoit l'intérêt de cette propriété pour, par exemple, faire face à des situations imprévues dans le cas de la navigation d'un robot ou encore pour compenser les dérives ou les changements de caractéristiques dans le cas d'un capteur intelligent.
(ii) L'apprentissage: l'exigence d'autonomie nous conduit à doter nos systèmes de capacités d'apprentissage très fortes en abordant les notions de mémoire à court et à long terme, d'apprentissage continu et incrémental, d'apprentissage procédural et déclaratif et de révision des connaissances.
(iii) Les tâches cognitives: les réseaux de neurones artificiels ont été longuement étudiés sous l'angle de leurs rapports avec les statistiques et le traitement de données. L'originalité de notre approche est de montrer d'une part que l'on peut étendre leurs domaines d'utilisation à des tâches plus cognitives, comme le raisonnement ou la planification, et d'autre part que l'on peut extraire ou incorporer des connaissances dans ces modèles numériques et distribués.