Cette thèse s'inscrit dans le domaine des neurosciences computationnelles dont le but est de modéliser des fonctions cognitives complexes par le biais de simulations informatiques et numériques en s'inspirant du fonctionnement cérébral. Les modèles et simulations proposées reposent sur le paradigme des champs neuronaux, que nous exploitons pour étudier dans quelle mesure des capacités cognitives complexes peuvent être le résultat émergeant de l'interaction de cellules élémentaires simples.<br /><br />Nous nous intéressons dans cette thèse à la modélisation de l'attention visuelle, avec ou sans mouvement oculaire. Pour guider le développement de nos modèles, nous proposons dans une première partie une revue de données psychologiques et physiologiques sur l'attention visuelle avant de proposer un modèle computationnel de l'attention visuelle sans saccade oculaire. Puis, nous nous intéressons dans une seconde partie à la manière dont on peut intégrer les saccades oculaires dans nos modèles en s'inspirant des données anatomiques et physiologiques sur le contrôle des saccades oculaires chez le primate. Les performances des différents mécanismes proposés sont évalués en simulation en les appliquant à des tâches de recherche visuelle.<br /><br />Nos travaux de thèse permettent également d'étudier un paradigme de calcul original qui repose sur des calculs distribués, asynchrones, numériques et adaptatifs qui permettent d'envisager le déploiement des mécanismes proposés dans ce cadre sur des supports de calculs parallèles.

La Gestion Prévisionnelle des Ressources Humaines (GPRH) est un ensemble de techniques et de décisions prises au présent et destinées à assurer, à l'Organisation, les ressources humaines nécessaires à la réalisation de sa stratégie. Son élaboration dans les Organisations pose problème.<br />Conçu selon une rationalité substantive, son modèle théorique montre son inadaptation pour des Organisations à la rationalité procédurale, dont l'activité résulte d'une compétence collective. En effet, dans les Organisations complexes (groupes projets et réseaux organisationnels), la GPRH n'émerge pas de l'application séquentielle des préconisations de son modèle théorique rationnel et instrumental, mais de la construction sociale par les acteurs d'une finalité et de techniques de gestion partagées. <br />Fondée sur le paradigme constructiviste et les théories de la rationalité procédurale, des anarchies organisées et de l'énaction, notre recherche modélise le processus social de structuration des techniques de GPRH des Organisations complexes. Elle démontre que les techniques de GPRH sont construites par un apprentissage organisationnel de son modèle théorique. Un processus d'apprentissage individuel marque l'assimilation et l'accommodation des préconisations du modèle théorique dans les représentations mentales des acteurs, tandis que l'apprentissage organisationnel résulte de la convergence des représentations sociales de la GPRH et l'émergence, entre les acteurs, d'une représentation organisationnelle partagée de sa finalité et de ses techniques.<br />Cette recherche suit une méthodologie qualitative, instrumentée par une recherche-action, une observation-participante et un processus d'objectivation des données. Diverses techniques d'analyse multi-variées des données en complètent les résultats.

Thèse de doctorat : Informatique : Nancy 1 : 2009. / Titre provenant de l'écran-titre.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal. / Les concepts sont au coeur de nombreuses interrogations philosophiques traditionnellement retrouvées en épistémologie et en logique. Plus récemment, la philosophie de l'esprit a connu un développement important qui l'a amené a abordé de front cette question. Son objectif est de comprendre le rôle des concepts en tant que représentations mentales et en cela, elle se place en situation de collaboration avec les sciences cognitives contemporaines. Conséquemment, une littérature se situant au carrefour de ces deux disciplines se développe présentement autour de certains débats fondamentaux, notamment au sujet des concepts. En fait, deux « paradigmes » s'affrontent aujourd'hui dans les sciences cognitives sur la question des concepts. D'un côté, le cognitivisme classique présente les concepts comme des symboles sur lesquels les processus mentaux viendraient opérer. D'un autre côté, le connexionnisme, puisant dans les réseaux de neurones formels, propose une définition des concepts en termes de région de classification dans des espaces d'activation. Des propriétés différentes sont attribuées aux concepts dans ces deux perspectives. D'une part, les concepts intègrent les exigences de compositionalité, de productivité et de systématicité. Ils ont une signification fixe qui leur permet d'être des éléments constitutifs des représentations mentales dans le cadre d'une syntaxe et d'une sémantique combinatoires. L'accent est donc mis sur les aspects sémantiques des concepts mais au détriment d'une certaine fragilité et d'une non-plausibilité neurobiologique. D'autre part, les concepts sont des ensembles dynamiques et statistiques de sous-caractéristiques, souples et robustes qui rendent compte de la subsomption conceptuelle, de l'application de concepts (généralisation spontanée), de l'apprentissage et des assises empiriques de la conceptualité mais aux dépens des aspects sémantiques. Le but du présent mémoire est de présenter l'opposition fondamentale entre ces deux théories des concepts et de la clarifier. Pour ce faire, nous élaborons une typologie constituée de quatre dimensions d'explication : la dimension fonctionnelle-causale (F-C), la dimension relationnelle-causale (R-C), la dimension fonctionnelle-descriptive (F-D) et la dimension relationnelle-descriptive (R-D). La première décrit le fonctionnement causal d'un sous-système, la deuxième la relation causale entre un sous-système et un super-système, la troisième fournit une description abstraite du fonctionnement d'un sous-système et la quatrième une description abstraite des relations entre un sous-système et un super-système. Notre analyse conclut que le cognitivisme se cantonne dans la dimension R-D de la cognition et le connexionnisme dans la dimension F-D. Par conséquent, nous pouvons constater deux choses. Premièrement, pour rendre compte pleinement de toutes les facettes de la cognition, nous devons faire appel à toutes les dimensions d'explication disponibles étant donné le caractère partiel des théories courantes. Deuxièmement, nous ne pouvons nous contenter d'opter pour une seule théorie afin de rendre compte de la conceptualité mais nous devons plutôt tenter de dégager une explication plus globale intégrant les quatre dimensions d'une explication de la conceptualité.

Issus d'une analogie avec les réseaux de neurones biologiques du cerveau, les réseaux récurrents sont utilisés pour modéliser des comportements dynamiques complexes et pour reproduire - apprendre - ces comportements. Les propriétés adaptatives de ces réseaux peuvent être exploitées par les réseaux de modélisation physique de phénomènes vibratoires dédiés à la simulation informatique d'instruments de musique. Ces réseaux de modélisation mécanique possèdent des paramètres d'inertie, d'élasticité et de viscosité que l'on souhaite déterminer automatiquement dans le but de reproduire un comportement physique donné ; cette détermination est possible grâce aux réseaux récurrents. Nous développons ainsi un certain nombre d'algorithmes de réseaux de modélisation physique adaptatifs et proposons des algorithmes originaux, inspirés de modèles mécaniques. En particulier, ce travail aborde la notion d'interaction avec l'environnement dans ce type de réseaux, et plus généralement dans les réseaux connexionnistes supervisés. A travers plusieurs expériences, nous montrons que, sous certaines conditions, l'interaction avec l'environnement permet la réussite de l'apprentissage, en particulier si cette interaction autorise un apprentissage à complexité progressive. De plus, nous établissons des rapprochements entre ce type d'apprentissage et certains apprentissages humains. Cela nous amène à poser les bases d'un système d'identification de paramètres pour la modélisation d'instruments de musique. Ce système fait interagir en temps réel un instrumentiste, un instrument de musique et un ordinateur simulant le modèle adaptatif

La thématique centrale de ce mémoire concerne l'Intelligence Artificielle appliquée au diagnostic Médical (IAM). Son orientation repose sur des concepts d'apprentissage automatique de décisions plus que de connaissances pré-définies et figées, d'adaptation à de nouvelles situations plus que de comportements répétitifs et stéréotypés. Au goulot d'étranglement que constitue la construction d'une base de connaissances déclaratives, les systèmes préconisés opposent une utilisation intensive des bases de cas, véritables prolongements sur support informatique de la mémoire à long terme du médecin, et conduisent à l'émergence de capacités classificatoires automatisées au moyen d'algorithmes appropriés.<br />L'entreprise consistant à programmer une machine afin qu'elle produise des raisonnements habituellement attendus d'un spécialiste met au premier plan quelques difficiles questions relatives au pourquoi et au comment de tels systèmes. Le constat sinon d'échec du moins d'immenses difficultés de mise en œuvre des systèmes à bases de connaissances déclaratives, ouvrent la porte à un retour en force de l'expérience et de la mémoire cumulée de l'activité décisionnelle du praticien au cours des mois et des années de pratique. Dans cette optique, l'expérience emmagasinée sous forme de bases de cas dans la mémoire de l'ordinateur prend le pas sur la connaissance figée et laborieusement élaborée dans une base de connaissances pour la construction d'un système d'IAM. Des systèmes hybrides — permettant d'associer des connaissances déclarées par le spécialiste et des connaissances apprises automatiquement — constituent en quelque sorte un idéal que l'on s'efforce d'atteindre, notamment dans notre projet ESPRIT-III : MIX.<br />L'introduction de ce mémoire tente de préciser ce passage de la représentation à l'émergence de connaissances qui consacre en quelque sorte l'immersion de l'IAM dans les sciences de la cognition (et qui correspond en gros à mon parcours de chercheur depuis une douzaine d'années). Divers aspects de la problématique générale de la construction de classifieurs y sont abordés et une présentation succincte des diverses approches de l'émergence est proposée (connexionnisme, algorithmique génétique, induction...) et illustrée par le projet COGNIMED.<br />Autour et parfois en marge de cette problématique centrale, s'ordonnent un certain nombre de travaux que j'ai pu conduire ces dernières années dans les domaines de la psychiatrie-psychologie, de l'analyse textuelle et de la "philosophie de l'esprit". Ces travaux sont également évoqués.<br /><br />Le mémoire est structuré en quatre parties principales et une annexe :<br />- Une partie introductive présentant de manière synthétique la thématique générale de recherche ainsi qu'un bref état de l'art du domaine dans lequel se placent mes travaux. La présentation des problèmes et des orientations de ce domaine sera appuyée par une bibliographie propre à l'introduction.<br />- La première partie est consacrée à la description des recherches qui ont été effectuées depuis une dizaine d'années. Outre la description des thèmes de recherche, cette partie inclut la présentation de quelques articles et résumés de travaux.<br />- La deuxième partie donne une liste complète et structurée des publications, communications, posters, etc.<br />- La troisième partie, orientée vers le futur, est consacrée aux projets imminents et aux perspectives de recherche et de développement à moyen terme.<br />- L'annexe présente l'activité d'encadrement d'étudiants de troisième cycle, directement liée aux activités d'enseignement et de recherche.

Cette étude consiste à étudier l'apport de réseaux de neurones<br />artificiels pour améliorer le contrôle de processus industriels<br />complexes, caractérisés en particulier par leur aspect temporel.<br />Les motivations principales pour traiter des séries temporelles<br />sont la réduction du volume de données, l'indexation pour la<br />recherche de similarités, la localisation de séquences,<br />l'extraction de connaissances (data mining) ou encore la<br />prédiction.<br /><br />Le processus industriel choisi est un four à arc<br />électrique pour la production d'acier liquide au Luxembourg. Notre<br />approche est un concept de contrôle prédictif et se base sur des<br />méthodes d'apprentissage non-supervisé dans le but d'une<br />extraction de connaissances.<br /><br />Notre méthode de codage se base sur<br />des formes primitives qui composent les signaux. Ces formes,<br />composant un alphabet de codage, sont extraites par une méthode<br />non-supervisée, les cartes auto-organisatrices de Kohonen (SOM).<br />Une méthode de validation des alphabets de codage accompagne<br />l'approche.<br /><br />Un sujet important abordé durant ces recherches est<br />la similarité de séries temporelles. La méthode proposée est<br />non-supervisée et intègre la capacité de traiter des séquences de<br />tailles variées.

Les structures du système nerveux responsables des modalités de la prise de décision forment un circuit constitué par les ganglions de la base, le cortex, le thalamus et leurs nombreuses interconnexions. Ce circuit peut être décrit comme un ensemble de boucles fonctionnant en parallèle et interagissant en différents points. Des interactions entre ces boucles et de la plasticité de leurs connexions émergent les choix et donc les actions d’un individu. Ces comportements émergents et les phénomènes d’apprentissage qui en découlent sont abordés à travers une approche en boucle fermée dans laquelle le modèle théorique est en interaction constante avec l’environnement où se déroule la tâche comportementale étudiée. A cette fin, des outils de modélisation neuronale et d’analyse dédiés ont été développés dans le laboratoire d’accueil. Nous explorons donc ici la dynamique des flux d’information au sein de ce circuit à travers un modèle computationnel décrit à l’échelle du neurone et de la synapse. A partir d’observations expérimentales préalables réalisées sur le primate et de modèles computationnels antérieurs, nous avons développé de manière incrémentale un réseau capable d’apprendre à réaliser les tâches comportementales dans plusieurs protocoles et conditions. Le résultat obtenu ici est un modèle computationnel d’apprentissage et de prise de décision dans les ganglions de la base qui permet de tester des hypothèses expérimentales et d’effectuer des investigations physiopathologiques ou pharmacologiques in silico à l’échelle cellulaire. Le développement de ce modèle computationnel a été mené en parallèle avec l’étude expérimentale d’un protocole de prise de décision et la mise au point d’un modèle de maladie de Parkinson chez la salamandre (Pleurodeles waltlii). / The nervous system structures involved in decision making constitute a circuit formed by the basal ganglia, the cortex, the thalamus and their numerous interconnections. This circuit can be described as a set of loops operating in parallel and interacting at different points. The decisions and therefore the actions of an individual emerge from the interactions between these loops and the plasticity of their connections. These emerging behaviors and arising learning processes are addressed through a closed-loop approach in which the theoretical model is in constant interaction with the environment of the task. To this end, neural modeling and dedicated analysis software tools were developed in the laboratory. We explore here the dynamics of information flows within this circuit through a computational model described at the neuron and synapse level. Taking into account previous experimental observations from primates and earlier computational models, we incrementally developed a network capable of learning to perform behavioral tasks under several protocols and conditions. The result here is a computational model of learning and decision making in the basal ganglia that allows for the testing of experimental hypotheses and also to conduct in silico pathophysiological or pharmacological investigations at the cellular level. The development of this computational model was conducted in parallel with the development of an experimental protocol of decision making and with the adjustment of a model of Parkinson disease in the salamander (Pleurodeles waltlii).

BAsCET est un système multi-agents à « blackboard », fondé sur l'émergence de concepts dans un modèle dynamique et inspiré de COPYCAT. Pour éviter un raisonnement déterministe unique limitant sa<br />créativité il adapte son comportement en fonction de la solution courante. Nous l'avons appliqué à la reconnaissance automatique de la structure logique (des champs) de références bibliographiques dans les articles scientifiques (en format uniquement physique, c'est-à-dire en PostScript). Le modèle, appelé Réseau de Concepts, s'apparentant à la fois aux réseaux sémantiques et aux réseaux de neurones, est construit automatiquement à partir d'une base de références BIBTeX. Le système utilise les co-occurrences entre les termes des références pour rapprocher dans le modèle ceux qui sont conceptuellement voisins. Le principe de l'analogie est utilisé sur les références de la base : quand le système rencontre une référence inconnue, il fait l'analogie avec la partie physique de la base et essaye de proposer une solution correspondante. Les résultats obtenus, bien que modérés (65,5% de reconnaissance), laissent augurer des résultats encore meilleurs, après optimisation du système.

Cette thèse étudie l'utilisation d'algorithmes connexionnistes pour résoudre des problèmes d'apprentissage par renforcement. Les algorithmes connexionnistes sont inspirés de la manière dont le cerveau traite l'information : ils impliquent un grand nombre d'unités simples fortement interconnectées, manipulant des informations numériques de manière distribuée et massivement parallèle. L'apprentissage par renforcement est une théorie computationnelle qui permet de décrire l'interaction entre un agent et un environnement : elle permet de formaliser précisément le problème consistant à atteindre un certain nombre de buts via l'interaction.<br /><br />Nous avons considéré trois problèmes de complexité croissante et montré qu'ils admettaient des solutions algorithmiques connexionnistes : 1) L'apprentissage par renforcement dans un petit espace d'états : nous nous appuyons sur un algorithme de la littérature pour construire un réseau connexionniste ; les paramètres du problème sont stockés par les poids des unités et des connexions et le calcul du plan est le résultat d'une activité distribuée dans le réseau. 2) L'apprentissage d'une représentation pour approximer un problème d'apprentissage par renforcement ayant un grand espace d'états : nous automatisons le procédé consistant à construire une partition de l'espace d'états pour approximer un problème de grande taille. 3) L'auto-organisation en modules spécialisés pour approximer plusieurs problèmes d'apprentissage par renforcement ayant un grand espace d'états : nous proposons d'exploiter le principe "diviser pour régner" et montrons comment plusieurs tâches peuvent être réparties efficacement sur un petit nombre de modules fonctionnels spécialisés.