Nous proposons de manipuler des structures de données symboliques au sein d’algorithmes d'apprentissage automatique habituels, par exemple en considérant un système réactif engagé dans une tâche de résolution de problèmes ouverte et mal définie. Nous définissons les tâches de résolution de problèmes à un niveau géométrique, en considérant que nous sommes situés quelque part dans un espace d'états, dans le but d'atteindre un état final (unique ou alternatif, éventuellement partiellement défini), et de trouver un chemin du premier au dernier tout en respectant les contraintes du chemin. L'idée centrale de cette définition géométrique est de considérer un espace d'état abstrait où chaque point est une structure de données symboliques, représentant des informations contextuelles sur l'espace physique et sur l'état interne de l'agent. Sélectionner une trajectoire locale correspond à décider, comme étape du processus de résolution du problème, de modifier certaines caractéristiques de l'espace d'états tant au niveau externe (e.g., déplacer un objet) qu'au niveau interne (i.e., modifier la représentation interne). L'ingrédient principal est de spécifier une distance. Le levier est une notion de distance d'édition, c'est-à-dire le fait qu'une valeur de donnée symbolique est éditée pas à pas pour égaler une autre valeur. De plus, étant donné un type de données, cette spécification inclut la projection d'une valeur de données au voisinage de la région spécifiant un type de données sur celui-ci, comme développé ici. Ce rapport introduit ces notions plutôt abstraites en les rendant les plus accessibles possibles, notamment en montrant leur relation avec la modélisation en neuroscience computationnelle et en les illustrant à l'aide d'un exemple de dessins et d'un exemple musical.