Cerveau mondial, quelle morale?

Les travaux pluridisciplinaires du réseau de recherche DiLan coordonné par Bruno Gaume (CLLE-ERSS & IRIT) portent sur la compréhension et l’exploitation des propriétés caractéristiques des grands graphes de terrain et plus particulièrement des graphes issus de la linguistique, des sciences cognitives et du web.

Les grands graphes de terrains sont les graphes que l’on trouve en pratique, ils sont construits à partir de données issues de différents domaines d’études : l’épidémiologie (contacts, ...), l’économie (échanges, ...), la sociologie (accointances, ...), la linguistique (réseaux sémantiques, ...), la psychologie (associations sémantiques, ...), la biologie (neurones, interactions protéine-protéine, ...), la technologie (internet, ...), ... ou bien encore le graphe du web (hyperliens entre pages).

Plusieurs études récentes montrent un fait remarquable qui est que tous ces graphes, pourtant d’origines si diverses, possèdent des propriétés identiques bien particulières et font partie de la classe des Réseaux Petits Mondes Hiérarchiques (RPMH : faible densité en arcs, moyenne des chemins courts, existence de zones denses en arcs, incidence des sommets en loi de puissance). Un autre fait tout aussi remarquable est que cette classe des RPMH est très petite au regard de l’ensemble des graphes possibles : la probabilité de tirer au hasard parmi l'ensemble des graphes possibles un graphe possédant ces propriétés est très proche de zéro. C'est-à-dire que les graphes auxquels nous avons à faire dans la vraie vie se ressemblent tous par leur structure commune, bien qu’intrinsèquement cette structure soit très rare d’un point de vue probabiliste.

Dans ce cadre le groupe de recherche DiLan a développé une méthode stochastique pour l’étude de la structure des grands graphes de terrain de type RPMH (métrologie, visualisation, navigation, génération automatique, …). Cette méthode qui est implémentée sous la forme d’un atelier logiciel Prox, consiste à transformer un graphe en une chaîne de Markov dont les états sont les sommets du graphe en question. Des particules se baladent aléatoirement de sommets en sommets dans le graphe en empruntant les arcs du graphe. Ce sont les dynamiques des trajectoires des particules qui nous donnent les propriétés structurelles des graphes étudiés.

Cette approche, qui est une forme de connexionnisme structurel, permet de proposer une modélisation géométrique du sens où les RPMH sont non seulement une excellente compression de la forme du sens, mais de plus permettent une navigation et un accès très efficace à l’information, avec une dynamique d’acquisition du général vers le particulier par raffinement (enfant L1), ainsi qu’une excellente robustesse en cas de déficit (aphasie, apprenant L2, …), et un raisonnement à granularité variable ce qui permet de faire chuter la complexité.

L’un des objectifs est par exemple de mieux comprendre comment l’enfant acquiert et reproduit le lexique de sa langue maternelle, de quelques mots, puis quelques centaines, jusqu’à disposer du réseau lexical général d’un adulte.

Les interfaces d’accès à l’information (bases de données, dictionnaires, Web, …) pourront alors être adaptées aux fonctionnalités du cerveau humain, tout comme par le passé ont été adaptés les outils à la morphologie de la main humaine.