Abstraire signifie supprimer. Il s’agit en fait de remplacer une information très détaillée par une information plus conceptuelle et plus condensée. Nous faisons tous cet exercice à chaque instant pour faire émerger des concepts facilement manipulables à partir des situations observées ou vécues.

Il est aussi possible d’abstraire des concepts issus de l’expérience pour en fabriquer un de niveau d’abstraction plus élevé (Gaonac’h Daniel, 2011).

Par exemple si au cours de mes expériences je rencontre plusieurs automobiles, de marques, formes et puissance différentes, je serai en mesure de me créer une image mentale du concept d’automobile. Cette image me permettra d’oublier les milliers d’automobiles que j’aurais croisées au cours de mes expériences. Je conserverai peut-être dans ma mémoire les détails de quelques cas particuliers d’automobiles que j’ai conduit ou remarqué pour leurs spécificités. Ainsi la place mémoire occupée par le concept d’automobile (l’automobile abstraite) et ces quelques cas spécifiques sera bien moindre que l’ensemble des expériences vécues ou observées.

Au niveau supérieur je pourrai abstraire les concepts d’automobile, de train, d’avion pour former le concept de moyen de locomotion. En faisant l’abstraction du moyen utilisé pour le transport je faciliterai ma réflexion. En data-intelligence, la quantité, la diversité et la richesse des informations traitées milite pour la mise en œuvre d’algorithmes réalisant des abstractions afin de gagner en vitesse et en performance. Les algorithmes d’abstraction peuvent soit suivre un modèle d’abstraction décidé par le concepteur, soit le construire eux même à l’aide d’une machine apprenante. Dans ce second cas la machine apprenante procède soit à l’aide de règles d’abstraction prédéfinies soit à partir d’un méta-modèle.

Gaonac’h Daniel, Ionescu Serban, Blanchet Alain. 2011. Psychologie cognitive et bases neurophysiologiques du fonctionnement cognitif. s.l. : PUF, 2011.