Enseigner à un ordinateur à lire et à répondre à des questions générales concernant un document est un problème difficile et encore non résolu. Dans cet article, nous décrivons une nouvelle architecture de réseau neuronal appelée Réseau de Raisonnement (Reasoning Network ou ReasoNet) pour les tâches de compréhension automatique. Les ReasoNets utilisent plusieurs tours pour exploiter efficacement puis raisonner sur la relation entre les requêtes, les documents et les réponses. Contrairement aux approches précédentes qui utilisent un nombre fixe de tours lors de l'inférence, les ReasoNets introduisent un état de fin pour assouplir cette contrainte sur la profondeur du raisonnement. Grâce à l'utilisation de l'apprentissage par renforcement, les ReasoNets peuvent déterminer dynamiquement s'il faut continuer le processus de compréhension après avoir digéré des résultats intermédiaires, ou arrêter la lecture lorsque l'on conclut que l'information existante est suffisante pour produire une réponse. Les ReasoNets ont obtenu des performances exceptionnelles dans des ensembles de données de compréhension automatique, notamment les ensembles de données CNN et Daily Mail non structurés, le jeu de données SQuAD de Stanford, et un ensemble de données structuré sur la portée des graphes (Graph Reachability dataset).