Representation

Module Représentation (L’Espace Latent)

Le sous-module Représentation est le cœur de l’abstraction. Il structure l’information perçue pour la rendre manipulable par des algorithmes de raisonnement. Il est implémenté dans quantizer.rs.

🎯 Objectif

Transformer les vecteurs continus (flous) issus de la Perception en symboles discrets (concepts). C’est ce qui permet au World Model de “parler” un langage proche de celui du model_engine.

Analogie : C’est la zone du cerveau qui classifie. Elle ne voit plus “une forme grise avec 4 pattes” (Perception), elle reconnaît le concept “Chat” (Représentation).

Technologie : Vector Quantization (VQ)

Nous utilisons une Quantification Vectorielle (approche VQ-VAE) pour discrétiser l’espace latent.

Algorithme (VectorQuantizer)

L’implémentation repose sur la recherche du plus proche voisin dans un dictionnaire de vecteurs appris (Codebook).

1. Le Codebook (Embedding Table) : Stocké sous forme de matrice [K, D] via candle_nn::Embedding.
   • $K$ : Nombre de concepts (Vocabulaire).
   • $D$ : Dimension des vecteurs (Embedding Dim).
2. Tokenization (Encodage) : Pour un vecteur d’entrée $z$, on calcule la distance avec tous les vecteurs du codebook $e_i$ : $k = \text{argmin}_i \|z - e_i\|^2$ Optimisation mathématique : Le calcul utilise la décomposition $\|z - e\|^2 = \|z\|^2 + \|e\|^2 - 2\langle z, e \rangle$ pour profiter des accélérations matricielles.
3. Décodage (Reconstruction) : À partir d’un index $k$, on récupère le vecteur prototype $e_k$.

Pourquoi c’est vital pour RAISE ?

L’ingénierie système repose sur des états discrets (Validé/Non-Validé, Connecté/Déconnecté).

• Un réseau de neurones standard sort une probabilité continue (ex: 0.98).
• Ce module force cette sortie à devenir un état ferme (ex: State::Connected, Token #42).
• Cela permet d’appliquer les Validateurs symboliques de model_engine directement sur les prédictions de l’IA.

Flux de Données

graph LR
    Input["Vecteur Continu\n(Sortie Perception)"] -->|Tokenize| VQ[Vector Quantizer]
    subgraph "Mécanique Interne"
        VQ --"Distance L2"--> Search{Recherche Voisin}
        Codebook[("Codebook\n(Matrice Embedding)")] -.-> Search
    end
    Search -->|Argmin| Token["Token Index (Entier)\n(Concept Discret)"]
    Token -->|Decode| Output["Vecteur Prototype\n(Entrée Dynamique)"]

Implémentation Technique

• Fichier : src-tauri/src/ai/world_model/representation/quantizer.rs
• Struct : VectorQuantizer
• Dépendances : candle-nn (Module Embedding).

Évolutions Futures

• Codebook dynamique : Ajouter des concepts au dictionnaire à la volée si l’erreur de reconstruction dépasse un seuil (Apprentissage continu de nouveaux concepts).
• Entraînement : Implémenter le “Straight-Through Estimator” pour permettre la rétro-propagation du gradient à travers l’opération discrète argmin.