La tâche de l'inférence en langage naturel (NLI) consiste à déterminer la relation logique entre une prémisse exprimée en langage naturel et une hypothèse également formulée en langage naturel. Nous présentons le réseau d'inférence interactif (IIN), une nouvelle classe d'architectures de réseaux neuronaux capable d'atteindre une compréhension de haut niveau des paires de phrases en extrayant hiérarchiquement des caractéristiques sémantiques de l'espace d'interaction. Nous montrons qu'un tenseur d'interaction (poids d'attention) contient des informations sémantiques permettant de résoudre l'inférence en langage naturel, et qu'un tenseur d'interaction plus dense contient des informations sémantiques plus riches. Une instance de cette architecture, le réseau d'inférence interactif dense (DIIN), démontre des performances de pointe sur les grands corpus NLI et les corpus similaires à grande échelle. Il est particulièrement notoire que le DIIN réalise une réduction d'erreur supérieure à 20 % sur le jeu de données Multi-Genre NLI (MultiNLI) par rapport au système le plus performant publié jusqu'à présent.