...
3. Incarnation et langage naturel
Les réseaux sémantiques dépendent
de deux types de langage pratiquement universels mais très
différents l’un de l’autre. Le premier, formé
des langues naturelles, constitue le matériau de base des réseaux
sémantiques, tandis que le second, la logique symbolique, sert
à organiser le LN pour reproduire la configuration des connaissances.
Chacun de ces langages est avantageux. Les êtres humains produisent
inconsciemment le LN et la puissance expressive de ce dernier sert
de support à leurs activités. De son côté,
la logique symbolique est assez générale et précise
pour inspirer l’élaboration des langages informatiques.
Malgré ce potentiel et les recherches effectuées à
ce jour, plusieurs facteurs limitent encore les capacités des
réseaux sémantiques.
Par exemple, l’intension d’un mot
équivaut à l’ensemble des extensions (ou référents)
possibles pour ce mot. L’extension correspond au référent,
à la partie du monde réel à laquelle le mot réfère.
Les réseaux sémantiques ont jusqu’à présent
reproduit presque exclusivement des relations intensionnelles. Autrement
dit, ils manipulent des symboles sans entretenir d’autre rapport
à l’environnement qu’à travers leurs programmeurs.
Comment une machine peut-elle apprendre à partir de stimuli
réels lorsqu’elle n’entretient qu’un piètre
rapport à l’environnement ?
Un réseau sémantique n’est
pas seulement un reposoir de données. Les relations entre les
concepts qu’il contient en font plutôt une base de connaissances
dynamiques. Or, malgré la constance de certains phénomènes,
l’environnement est variable. Il manque encore aux réseaux
sémantiques la capacité d’apprendre de façon
autonome, c’est-à-dire la possibilité d’intégrer
de nouvelles connaissances, de les réviser et d’utiliser
ces connaissances pour en former de nouvelles. Pour cette raison,
nous croyons que l’apprentissage qui dépend des interventions
humaines n’est pas une méthode suffisamment efficace.
Au contraire, des méthodes comme l’extraction des connaissances
à partir des relations grammaticales permettront de tirer profit
de grandes quantités de texte (voir Iwanska et Shapiro, 2000).
Chez
l’être humain, plusieurs compétences cognitives
courantes impliquent le LN. Par exemple, la capacité de distinguer
des catégories ontologiques (choses, événements,
etc.), de décrire des états et des modalités
(possibilité, nécessité, etc.), de communiquer
des intentions, d’identifier la valeur de vérité
de propositions, de stocker de grandes quantités d’informations
sous forme de prédicats, d’arguments et de propositions
pour, enfin, les réutiliser grâce à différents
actes de langage, comme l’ordre ou l’interrogation (Pinker
et Bloom, 1990: 712-713).
Il
ne fait aucun doute que la modélisation des connaissances qui
fait appel aux unités nominales, notamment les réseaux
sémantiques et les autres systèmes de TAL, enrichira
les capacités cognitives artificielles dont bénéficient
déjà les ordinateurs. Ces avancées continueront
de s’effectuer à travers différents domaines,
par exemple:
– de riches interactions avec les utilisateurs, à la
fois efficaces et plus conviviales (Lemon et Gruenstein, 2004);
– la capacité accrue d’organiser les connaissances
pour apprendre, classifier et faire des inférences à
partir de données textuelles non structurées (Iwanska,
1997);
– la découverte automatisée de nouvelles connaissances,
notamment à partir de vastes bases de données (Wren
et al., 2004);
Les
ordinateurs gagneront un nouveau type d’intelligence lorsqu’ils
seront capables d’utiliser efficacement le LN, comme le suggère
le test de Turing. Patel et ses collègues (1995) soulignent
combien le diagnostic médical, par exemple, exige non seulement
des activités comme l’identification des connaissances
pertinentes, mais également leur procéduralisation,
leur évaluation et la prise de décision. Ce défi
demandera aux ordinateurs de disposer de capacités telles que
la reconnaissance des intentions (McKevitt et al., 1999), la prise
de décision autonome et même la conscience (voir Cardon,
2004). C’est la raison pour laquelle les recherches sur la cognition
humaine peuvent être utiles. ...
1.
Introduction
2.
Les réseaux sémantiques en IA
3. Incarnation et langage naturel
4.
Tirer profit des recherches sur la cognition humaine
5.
Quelques suggestions issues des recherches sur la cognition humaine
6.
Conclusion
Bibliographie