Présentation et objectifs généraux

CORTEX est un avant-projet de l'INRIA-Lorraine. Il est également une équipe du LORIA, UMR 7503 du CNRS et des universités de Nancy.

Notre équipe s'intéresse à l'étude de modèles numériques, distribués et adaptatifs pour la réalisation de systèmes ``intelligents'', c'est-à-dire capables d'extraire de la connaissance à partir de données (cf. § 6.1) et de manipuler cette connaissance pour résoudre des problèmes ( cf. § 6.2). 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. D'une part, nous élaborons un modèle cortical d'inspiration biologique ( cf. § 3.3) incluant des aspects de perception, d'association multimodale et de raisonnement. D'autre part, nous étudions l'adaptation et la coopération de modèles classiques du connexionnisme et de l'intelligence artificielle dans la perspective de l'intégration neurosymbolique ( cf. § 3.2).

Nous privilégions la voie neuromimétique pour plusieurs raisons. Elle possède intrinsèquement de fortes capacités adaptatives; elle permet d'éviter l'écueil de l'ancrage perceptif, par son approche ascendante; elle donne un accès très riche aux données et aux modèles des neurosciences cognitives qui étudient l'intelligence animale et humaine selon cette même voie neuromimétique.

En particulier, ce domaine d'inspiration nous indique que l'une des caractéristiques essentielles de l'intelligence est de permettre de donner des réponses satisfaisantes alors que le sujet 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 ( cf. § 7), la robotique ( cf. § 8.2), la conduite de processus industriels et l'aide à la décision (cf. § 3.2). Plus généralement, c'est le pilotage de systèmes complexes, multimodaux, agissant sur leur environnement qui est visé à travers ces applications.

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.

Le défi majeur posé par nos recherches est celui de la maîtrise du phénomène d'émergence inhérent à cette approche. 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 sera obtenue par émergence, comme résultat de l'interaction de l'ensemble de ces unités distribuées. Nous contrôlons ce phénomène en adoptant une approche modulaire qui nous permet de construire progressivement, par étapes, la fonction recherchée, ce fait étant également avéré par nos domaines d'inspiration des sciences du vivant. Cela nous amène, à un niveau macroscopique, à structurer nos systèmes en deux niveaux, chaque niveau étant lui-même modulaire. Tout d'abord, nous faisons émerger une représentation interne distribuée du monde extérieur (cf. § 6.1), à partir d'une étude statistique non supervisée permise par des modèles connexionnistes. Ensuite, nous manipulons et explorons cette connaissance extraite ( cf. § 6.2), à des fins de raisonnement ou d'aide à la décision selon des voies connexionnistes ou symboliques.

Soulignons enfin trois thèmes importants au centre de nos recherches.
(i) L'autonomie: nos systèmes doivent apprendre à réaliser leur tâche sans connaissance a priori et sans aide extérieure. On conçoit par exemple l'intérêt de cette propriété pour la navigation d'un robot dans un environnement inconnu ou changeant.
(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 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 que l'on peut étendre leurs domaines d'utilisation à des tâches plus cognitives, comme le raisonnement ou la planification.

Précédent : Composition de l'équipe Remonter : Intelligence neuromimétique Suivant : Fondements scientifiques