Cet article se concentre sur l'application des modèles bayésiens des sciences cognitives à l'intelligence artificielle. Plus précisément, en nous appuyant sur la théorie du codage prédictif, nous proposons un modèle expliquant l'apprentissage et le comportement par inférence probabiliste hiérarchique sur les causes des entrées sensorielles. Considérant le réalisme biologique, nous utilisons des prédictions pondérées par la précision et des erreurs de prédiction basées sur des calculs locaux simples. Pour surmonter les limitations des bibliothèques de réseaux neuronaux existantes, nous introduisons pyhgf , un package Python basé sur JAX et Rust. pyhgf encapsule les composants du réseau sous forme de variables transparentes, modulaires et mutables lors de la transmission des messages, permettant ainsi la mise en œuvre de calculs arbitrairement complexes. De plus, l'adaptation de la structure du réseau permet des processus d'inférence utilisant les principes d'auto-organisation, l'apprentissage structurel, le méta-apprentissage et l'inférence causale.
