La proximité des informations nourrit notre raisonnement
La notion de proximité est au centre de plusieurs mécanismes cognitifs. Pour produire un raisonnement par exemple notre mécanisme cognitif va sélectionner plusieurs informations dont nous disposons afin de les combiner entres elles ou les agréger. L’objectif étant d’alimenter notre raisonnement. Nous remarquons que ces informations sont sélectionnées à partir d’une certaine proximité. On dit d’ailleurs de ces informations qu’elles ont « un rapport entre elles ». Pour pouvoir produire un raisonnement il y a donc nécessité de rassembler des informations qui disposent d’une certaine proximité entres elles.
Les informations ou idées proches les unes des autres sont assemblées pour nourrir le raisonnement
Lorsque nous pensons à un sujet (par exemple « stade de France »), nous vient à l’esprit tous les sujets proches de celui-ci (concerts, attentats, Coupe du Monde 98, etc…), en sélectionnant l’un deux (par exemple « Coupe du Monde 98 ») notre cerveau va de nouveau nous mettre automatiquement à disposition les sujets les plus proches de ce dernier (par exemple, « Zinedine Zidane », « Didier Deschamps » ou « Coupe du monde 2018 » etc…) et ainsi de suite.
Cette proximité que nous manipulons inconsciemment en permanence va nous permettre de nourrir nos raisonnements.
Pour transposer cette proximité, nous avons utilisé l’algèbre linéaire.
Des vecteurs de sens
Au sein de chaque contenu ou corpus, chaque mot, chaque phrase est transformée en vecteur
Chaque document est représenté par la moyenne des vecteurs qui le composent. On obtient la notion de « sens moyen »
Nous obtenons la notion de liens et de proximité entre les documents
Procédé d’indexation cognitive
Dans un contexte d’immenses quantités de donnés textuelles à exploiter, le procédé d’indexation cognitive au cœur de MyKnowledge donne toute sa puissance.
Pourquoi le Machine-Learning facilite le traitement de données textuelles massives ?