Vous êtes sur la page 1sur 123

Ingnierie des Connaissances

Khouloud MADHBOUH
3me Anne Gnie Logiciel 2013-2014

Objectifs
Apprhender

les notions de base et les fondements thoriques derrire lIC Etudier les mthodes et outils dIC Sexercer sur la reprsentation des connaissances Assimiler et se familiariser avec les notions de lIO

Plan du cours
Chapitre1: Concepts de base Chapitre 2: Mthodes et outils de lIC Chapitre 3: De lIngnierie des Connaissances lIngnierie
Ontologique

Chapitre 1
Concepts de Base de lIC

Dfinition (1/2)
LIC

est un champ de linformatique qui sintresse la mise au point de logiciels sappuyant sur des Connaissances pour assister un utilisateur dans sa tche. LIC dfinit des mthodes, des techniques et des outils pour construire et utiliser des modles conceptuels de domaines spcialiss et de tches en amont du dveloppement de systmes oprationnels (Charlet, 2002).

Dfinition (2/2)
I.C: Thme de lI.A
Couvrant plusieurs champs de recherche: systmes

dinformation, modlisation, travail coopratif, interaction H/M, Raisonnement partir de cas, etc. Edward A. Feigenbaum (1977) The art of building

complex computer programs that represent and reason with knowledge of the world lart de
construire des programmes informatiques complexes permettant de reprsenter les connaissances du monde et dy raisonner.

Principes (1/2)
Quelle

que soit la technologie informatique vise (systmes experts, gestion documentaire, support au travail coopratif, etc.), la ralisation dun systme dont on attend un comportement intelligent vis vis de ses utilisateurs ncessite non seulement une analyse fine de leur besoin, mais aussi la prise en compte des savoirfaire et des pratiques du domaine concern. [N. A. Gilles, 2010]
Un large ventail dapplications de linformatique fait appel

lintelligence artificielle (IA) et concerne lIC. Depuis 12 ans, le champ de lIC sest largi toute application manipulant des connaissances, mme si le systme informatique final ne les rend pas opratoires.
7

Principes (2/2)
lIC a besoin de collaborer avec de nombreuses disciplines

comme lergonomie, les sciences de lorganisation, la psychologie et la sociologie, mais aussi la linguistique et la philosophie. Les rsultats tablis par lIC, mme sils ne sont pas compltement transfrables ces domaines, ouvrent des perspectives de collaboration. De manire symtrique, lIC se nourrit de rsultats de lintelligence artificielle et de linformatique en matire de technologies, mthodes, reprsentation des connaissances, algorithmes. Elle adapte, fait voluer ou value lintrt de ces rsultats, et contribue ainsi leur diffusion et leur ajustement oprationnel. Lactivit de recherche en IC tient donc une place relativement indpendante par rapport lIA et se caractrise par son besoin vital de collaborations interdisciplinaires.

Rles
LIC constitue depuis de nombreuses annes un domaine actif des recherches menes en intelligence artificielle autour de la conception et de la ralisation des systmes base de connaissances (SBC). Elle consiste concevoir des systmes dont le fonctionnement permet doprationaliser des connaissances portant sur le traitement ou la rsolution dun problme donn. La rsolution (semi-)automatique de problmes implique deux tapes essentielles :

la modlisation du problme et dune mthode de rsolution dans un cadre

thorique donn, loprationalisation informatique du modle obtenu.

De manire complmentaire au gnie logiciel, lIC propose des mthodes pour dfinir le comportement attendu du systme concevoir, les buts quil doit atteindre et les connaissances qui lui sont ncessaires. Elle fournit galement des langages de modlisation et doprationnalisation pour reprsenter ces modles indpendamment du langage de programmation choisi, un niveau dabstraction qui favorise lintelligibilit plus que la performance ou la calculabilit.

Positionnement
LIngnierie des connaissances se situe au carrefour

de plusieurs rflexions :

la linguistique pour tudier la formulation linguistique des

connaissances ; la terminologie et lontologie pour dgager les concepts ; la psychologie pour laborer les mthodes dlicitation et les modles dassistance ; la logique pour laborer les modles formels ; linformatique pour les oprationaliser ; lergonomie pour interprter et sapproprier le comportement du systme ; la gestion pour concevoir et replacer les systmes dans leur environnement organisationnel, etc.

10

LIC en France

Domaine actif en France depuis 1988, lIC a acquis plus de reconnaissance lorsquune premire vague de travaux sont parvenus maturit vers 2000. Son dynamisme sest dabord traduit par : la mise en place dun groupe de travail, le GRACQ, rattach lAFIA34 et au GDR-I335 (1990-1995) La naissance dune confrence annuelle, les Journes dAcquisition des Connaissances en 1991, devenues les Journes francophones dIngnierie des Connaissances en 1997. la publication douvrages de synthse (2000-2005); lanimation de groupes de travail (Actions Spcifiques), rattachs aux rseaux pluridisciplinaires du dpartement STIC du CNRS ; limplication de la confrence IC dans la plate-forme de confrences de lAFIA ; lintrt manifest par dautres communauts scientifiques, comme celles du document, de la gestion des connaissances et de la recherche dinformation. lafflux dinformations et limportance dinternet dans les questions de modlisation et gestion des connaissances a conduit une rencontre entre des approches cognitives et qualitatives, classiques en IC, et des approches quantitatives dveloppes pour fouiller textes et donnes, rechercher des informations, etc. ( partir de 2005) ; la naissance de la confrence EGC (Extraction et Gestion des Connaissances), ainsi que la publication dun nombre croissant darticles dIC, y compris dans des confrences gnrales dIA comme RFIA. En 2006, la semaine de la connaissance , organise linitiative du comit de pilotage de la confrence IC, a regroup 3 confrences et 8 ateliers pour favoriser les changes avec dautres disciplines concernes par les connaissances, leur modlisation et leur utilisation dans des systmes informatiques. Lorganisation de latelier IC2.0 associ la confrence IC 2008

11

Problmatiques actuelles de lIC


Quatre thmes ressortent des travaux actuels en IC : La mmoire dentreprise La gestion des connaissances sur support lectronique Le Web smantique Lacquisition de connaissances partir de textes La multiplication des recherches sur lacquisition des connaissances partir de textes sexplique par le besoin daccder aux donnes sur le Web, toujours plus nombreuses (en particulier des textes) via des techniques smantiques. Dune certaine manire, elle dcoule de limportance croissante du Web Smantique
12

Web smantique

Une proposition lance par Tim Berners Lee et soutenue par le W3C, qui vise doter le Web des lments ncessaires pour que les machines deviennent aussi pertinentes que les humains pour retrouver et combiner des informations prsentes sur les Web . Cette ambition semble vise des tches de recherche complexes, faisant appel plusieurs sources par exemple, ou des contenus difficiles caractriser. La solution envisage par le W3C avec lappui de la communaut scientifique, passe par lannotation systmatique des donnes du web laide dlments de connaissance dun format standard et didentifiants uniques. Elle passe aussi par la dfinition de listes et de modles conceptuels contenant ces connaissances et les mots-cls adapts. Elle suppose enfin de dfinir des applications rparties, sous forme de services Web, capables de manipuler ces standards et daccder des donnes htrognes issues de sources diverses. Il sagit l dun choix trs technologique, li ltat du web au moment o cette solution a t formule, vers 1999. Il reflte une analyse du problme en termes de reprsentation de connaissances sous uneforme exploitable par la machine, les technologies de lIA pouvant apporter une rponse efficace.

13

LIC lheure du Web Smantique


LIC est ainsi une des disciplines directement concernes par les

technologies du Web Smantique :

elle contribue dfinir des formats de reprsentation, comme RDF et

RDFs, les types de modles pertinents pour laccs linformation et la production de raisonnements, dont les ontologies, et enfin les conditions de leur utilisation.

En 2006, trois caractristiques ressortaient de ces recherches :


La prdominance dune vue informatique, au dtriment dune analyse

ergonomique et sociale des pratiques et usages des communauts qui se forgent autour du web ; La convergence ncessaire entre plusieurs domaines de linformatique (recherche dinformation (RI), ingnierie documentaire, reprsentation des connaissances, IC, ). A titre dexemple, sur le terrain des ontologies, les collaborations entre RI et IC doivent se poursuivre pour dfinir des solutions vraiment adaptes. Une influence anglo-saxonne forte caractrise par :
une approche technique du problme, focalise sur la reprsentation des

connaissances, linteroprabilit et la rutilisation, des hypothses de gnricit et duniversalit des ressources ontologiques la recherche de lautomatisation des processus. 14

Bilan (1/2)
Finalit applicative
aider un oprateur dans sa tche (ou un groupe) transmettre, enregistrer des savoir-faire, grer des

connaissances amliorer les performances, ladaptabilit ou les rsultats de systmes artificiels


Interdisciplinarit
informatique - systmique psychologie cognitive et ergonomie Linguistique

Approche symbolique

15

Bilan (2/2)
LIngnierie des connaissances intervient pour:
Dfinir une aide lutilisateur (mthodes, outils logiciels ou

non, organisation du travail) Modliser des connaissances, individuelles ou collectives, explicites ou implicites, stabilises ou volutives, expertes ou techniques Rendre ces connaissances accessibles sous une forme dfinie en fonction du contexte, oprationnelle ou non
La recherche en Ingnierie des connaissances

produit:
Des mthodes et des techniques de recueil, danalyse et de

structuration des connaissances Des plateformes de modlisation Des reprsentations des connaissances oprationnelles ou non

16

LIngnierie des connaissances se veut une ingnierie

Chapitre 2
Mthodes et Outils de lIC

17

Mthodes dIC
Dfinition
Mthodes

offrant des concepts, mthodes et techniques permettant dacqurir et de modliser les connaissances partir de sources complexes ; Mthodes offrant des outils permettant doprationnaliser et de valider les modles qualitatifs conus lors de ltape prcdente en conservant une traabilit entre les modles au niveau des connaissances et les modles pour limplmentation ; Avec prise en compte des Retours des experts et utilisateurs afin damliorer les modles conus.
18

Evolution des mthodes [Studer et al., 1998]


Au dbut des annes 1980:
processus de transfert de connaissances consistant

transfrer et transformer des expertises de rsolution de problmes en des programmes pour construire des Systmes Experts (SE);

Depuis les annes 1990:


Processus

de modlisation des connaissances selon diffrents points de vue traduite par lapparition des SBC (Systmes Base de Connaissances) o Construction dun modle fournissant les mmes rsultats que celui de lexpert.

19

Modlisation des connaissances


Processus de construction intentionnelle (en vue de

rsoudre un problme), partir dexpriences (savoirfaire), informations et savoirs, de modles susceptibles


de rendre intelligible (ayant un sens dans un contexte donn)

des connaissances, et damplifier le raisonnement de lacteur projetant une intervention sur ces connaissances pour rsoudre un ou des problme(s).

Action dlaboration et de construction intentionnelle

par composition de symboles, de modles susceptibles de rendre intelligible un phnomne complexe et damplifier le raisonnement de lacteur projetant une intervention.

20

Niveaux dans la modlisation


2 niveaux dun modle dun SBC: Niveau conceptuel de connaissances: MC Niveau oprationnel de connaissances: MO MC: Modle Conceptuel Description abstraite des connaissances indpendamment de limplmentation Consiste en deux composantes: Modle conceptuel de raisonnement appel aussi savoir-faire: description abstraite du raisonnement de lexpert lors de la rsolution de problmes; Modle conceptuel du domaine appel aussi savoir: reprsentation et structuration des connaissances du domaine tudi travers des concepts et des relations entre ces concepts. Le MC peut tre utilis pour guider lacquisition des connaissances. Les aspects relatifs limplmentation dun SBC sont traits dans le MO.

21

Niveaux dans la modlisation (suite)


MC MO: Modle Oprationnel

Loprationnalisation dun modle consiste :


traduire les connaissances identifies grce au MC dans

des structures de donnes, et mettre en place des mcanismes pour la mise en uvre de ces connaissances. Le MO doit respecter le principe de correspondance structurelle qui prconise que sa structure reflte celle du MC. Le MO permet de tester et daffiner la modlisation

22

Mthodes de modlisation
Plusieurs mthodes et techniques sont utilises pour la

modlisation des connaissances.

Celles-ci peuvent tre classes en 3 types dapproches: Approche ascendante Approche descendante Approche mixte

Approche Ascendante

Appele aussi Buttom-Up ou dirige par les donnes , Elle se base sur une tape dextraction (licitation) des connaissances des experts par le biais dentretiens, par analyse de documents, des tches, etc., suivie dune tape de conceptualisation.

Mthode KOD et Mthode MIKE: deux exemples typiques de cette famille


23

Mthode KOD
KOD:

Knowledge Oriented Design

Une mthode daide lextraction et la modlisation

des connaissances dveloppe par [Vogel C., 1989]; Elle consiste laborer 3 modles:
Le modle pratique: pour lidentification des lments de

lexpertise permettant dextraire plusieurs types de manifestations verbales recueillies en entretien avec lexpert: o Les taxmes: objets du monde physique; o Les actmes: descriptions de changement dtat caus par un sujet sur un destinataire; o Les schmmes: schmas dinterprtation (dduction, induction) qui se manifestent par des contraintes et des infrences

24

Mthode KOD (suite)


Le modle pratique

Le modle cognitif: permettant lexpert de structurer et de

valider les connaissances acquises en utilisant: des taxinomies: reprsentations hirarchiques des entits du monde physique (par exemple, les concepts); des actinomies: structuration des schmas mentaux de lexpert, permettant de rpondre des situations dj connues des schmas dinterprtation: des aides linterprtation du rel. Ce sont des ensembles de rgles dinfrence correspondant aux strotypes de raisonnement de lexpert, qui se dclenchent selon les observations du domaine.
25

Mthode KOD (suite suite)


Le modle pratique Le modle cognitif Le modle informatique: permettant la mise en

forme des connaissances dans un programme informatique constitu dobjets, de mthodes et de rgles.

26

Mthode MIKE
MIKE: Model-based and Incremental Knowledge Engineering Mthode dveloppe par [Angele J., 1996] Elle couvre toutes les tapes de construction dun SBC selon un

processus en spirale:
Elicitation: consistant raliser des interviews avec les experts pour

recueillir des connaissances sur le domaine et la tche de rsolution de problme. Ces connaissances recueillies sont stockes dans des protocoles de connaissances Interprtation: consistant structurer les connaissances selon le modle expert (de domaine, de tche, dinfrence) dans un langage semi-formel Modle structurel; Formalisation/Oprationnalisation: le modle structurel est reprsent dans un langage formel appel KARL Modle KARL; Conception: le modle KARL reprsente tous les besoins fonctionnels du SBC. Ltape de Conception permet de considrer les besoins non fonctionnels (efficacit, maintenabilit, etc.) Modle de conception; Implmentation: implmentation du modle de conception dans un environnement logiciel.

27

Discussion: Approche Ascendante


Avantages:
La libert donne au experts pour lexpression de

leurs perceptions ainsi que leurs tches; Les modles labors correpondent aux points de vue existants Approche largement utilise dans les premires gnrations celles des SE; Approche intressante pour lexploration de nouveaux domaines o
il nexiste pas de modles de connaissances prdfinis, et il y a un manque de formalisation

28

Discussion: Approche Ascendante


Limites:
Cot lev en termes de temps et dexpertise

durant les processus dlicitation et de validation: pour experts et ingnieurs de connaissances difficult de la gestion des conflits de perception entre experts: diffrents modes de raisonnement Manque dabstraction et de gnricit: entrave pour la rutilisation.

29

Approche Descendante
Top-Down ou dirige par les modles (Model-

driven) Llaboration des modles de connaissances consiste trouver des modles gnriques prexistants (dans les bibliothques, par exemple) et les adapter au domaine et lapplication concerns Deux sous-approches sont distingues:
Approche slectionner-modifier: KADS-I Approche par composition: CommonKADS, MKSM

30

CommonKADS
KADS : Knowledge Acquisition and Design Structuring
Issue dun projet ESPRIT la fin des annes 80 :

KADS I, KADS II . CommonKADS. Sintresse au transfert des connaissances dans la technologie des SE/SBC. Fournit des outils de modlisation de la connaissance pour raliser un modle

dexpertise
Est oriente rsolution de problme

Outils daide (Atelier de Gnie Cognitif) : KADSTool


31

Six Modles

32

Modle dexpertise
Dfinit 3 grandes catgories de connaissances :

ontologie, cest--dire faits, concepts ou hypothses manipules par les tches. Modlis le plus souvent par des modles objets ou des rseaux smantiques. Les infrences (inferences) : bouts, oprations lmentaires de raisonnement mettant en uvre les connaissances de domaine en vue de raliser une

La connaissance de domaine (domain Knowledge): ou

tche. Les Tches (tasks): buts recherchs par le SBC, leur ralisation via une dcomposition en sous tches et les articulations entre ses sous-tches (contrle, aspects procduraux). Elles peuvent se dcrire de manire rcursive.
33

Exemple: Reprsentation des connaissances du domaine

34

Reprsentation des infrences

35

Reprsentation des tches

36

Discussion: Approche Descendante


Elles offrent un support pour le guidage du

processus dacquisition des connaissances La gnricit et la rutilisabilit des modles rsultants La ncessit dune bibliothque large de modles et/ou de composantes gnriques. La difficult dadaptation dun modle gnrique existant une application ou un domaine spcifique

37

Bilan: mthodes ascendantes

38

Bilan: mthodes descendantes

39

Approche Mixte

40

Description
1re tape ascendante: recueillir les

connaissances sur le domaine et la tche de rsolution de problme partir des donnes sans avoir recours aucun modle prexistant 2me tape descendante: choisir , en tenant compte des connaissances pralablement recueillies, un schma du MC 3me tape descendante: instancier le schma par les donnes collectes 4me tape: oprationnalisation du MC
41

Exemple
Projet ACACIA: INRIA 19962006
Acquisition des connaissances pour lAssistance

la Conception par Interaction entre Agents But: dvelopper des aides mthodologiques et logicielles pour lacquisition, la modlisation et la capitalisation des connaissances
Construction, gestion et diffusion de mmoire dentreprise

42

Langages de modlisation des connaissances


Langages de reprsentation des connaissances:
Langages classiques: SADT -87 (Structured Analysis and Design Technique) UML -99 (Unified Modeling Language)

Langages spcialiss non formels: MONA -99 (MACAO) CML -94 (CommonKads Conceptual Modeling Language) Langaes spcialiss formels: ML -90 FORKADS -92

43

Langages doprationnalisation des connaissances


Peu de travaux dacquisition de Cces portent sur

loprationnalisation du MC: la plupart portent sur la phase de modlisation Les langages de programmation classiques comme C, C++, LISP, Java, etc. peuvent tre utiliss Des langages spcialiss ont t proposs

KARL 91 OMOS 92 MODEL-K 93 LISA 95 OCML 98 DEF-* 99 ZOLA 2000

44

Validation des connaissances acquises


Peu de travaux Complexit de la tche dvaluation et complexit

de lobjet valuer 5 critres ont t proposs:


Compltude Exactitude Non-contradiction Non-ambigut Cohrence

45

46

Chapitre 3
De lIC lIngnierie Ontologique

47

Plan
Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction Langages de spcification Environnements de dveloppement Applications Conclusions gnrales

Le point de vue de lIngnierie des Connaissances (1/3)


Une dfinition, au sens large
Dans un sens large, on peut adopter pour la notion dontologie la

caractrisation suivante [Uschold, 98] :

Une ontologie peut prendre diffrentes formes, mais elle inclura

ncessairement un vocabulaire de termes et une spcification de leur signification. Cette dernire inclut des dfinitions et une indication de la faon dont les concepts sont relis entre eux, les liens imposant collecti- vement une structure sur le domaine et contraignant les interprtations possibles des termes.
Une telle caractrisation rend compte dobjets divers tels des

glossaires, des terminologies, des thesaurus et des ontologies (au sens strict), mis en uvre par diffrents professionnels (ingnieurs de la connaissance, bibliothcaires, traducteurs) et se distinguant suivant que laccent est mis sur les termes ou leur signification.

Le point de vue de lIngnierie des Connaissances (2/3)


Une dfinition, au sens strict
Les ontologies de lIA et de lIngnierie des Connaissances

manent du projet ARPA Knowledge Sharing Effort (1991). Une dfinition consensuelle pour ces disciplines reste celle de [Gruber, 93] :
Une ontologie est une spcification explicite dune conceptualisation.

Le terme conceptualisation situe les ontologies sur le versant

smantique. Une conceptualisation rend compte du sens des termes. La littrature logico-philosophique nous enseigne que le sens correspond des intensions (ou objets intensionnels), par opposition extensions. Lexpression spcification explicite fait des ontologies un objet syntaxique. La conceptualisation est code dans un langage. Suivant le langage utilis, lontologie prendra la forme dune thorie logique (ensemble de formules logiques) ou dun rseau smantique.

Le point de vue de lIngnierie des Connaissances (3/3)


Derrire le terme ontologie se cachent des objets trs divers [Noy & Hafner, 97]
La plupart des ontologies sont structures au moyen de la

relation est un de subsomption, ou de gnralisation, entre concepts. La relation Tout-Parties est compos de est galement utilise. Certaines ontologies sont denses, contenant de nombreux axiomes contraignant le sens des termes. Dautres se rsument une taxinomie de concepts donns sans dfinition. La taille des ontologies varie de quelques dizaines de concepts plusieurs dizaines de milliers de concepts. Les ontologies peuvent tre informelles, formelles ou oprationnelles. Dans ce dernier cas, elles sont spcifies dans un langage de programmation.

Le point de vue de lOntologie (1/2)


Un dtour par lOntologie
LOntologie est la branche de la philosophie qui traite de la

nature et de lorganisation de la ralit. Elle ctoie lEpistmologie qui traite de la nature et des origines de notre connaissances [Nef, 98]. Produits de lOntologie, les ontologies formelles sont des thories de lobjet :
dont lanalyse est mene de faon rigoureuse, en ayant recours en

gnral la logique mathmatique, transversales toutes les ontologies matrielles, relatives des domaines diffrents dobjets (des rgions de savoir).

LIngnierie Ontologique est la branche de lIngnierie des

Connaissances qui exploite les principes de lOntologie (formelle) pour construire des ontologies [Guarino & Giaretta, 95].

Le point de vue de lOntologie (2/2)


Une dfinition, dans un sens encore plus strict
La structure smantique rendant compte du sens des termes correspond lessence des concepts. En effet, seules les proprits essentielles (ncessairement vrifies par les instances du concept dans tout monde possible) sont dfinitionnelles [Bouaud et al., 94]. Ces proprits tant en nombre indfini, une thorie logique ne peut donner quune caractrisation approximative dune structure smanti- que. La dfinition de [Guarino & Giaretta, 95] traduit cette limitation :
Une ontologie est une spcification rendant partiellement compte dune

conceptualisation.

Une thorie logique spcifie un

approxime une conceptualisation. Le degr dapproximation dpend du langage utilis (ex : logique modale, logique du 1er ordre), lequel dpend finalement de lobjectif vis (partage dune conceptualisation, mise en uvre dinfrences).

engagement ontologique, lequel

Le point de vue de la Linguistique


La Linguistique est concerne par le processus de construction des ontologies
La Linguistique est concerne par la question des ontologies dans

la mesure o les donnes dont on dispose pour laborer les ontologies consistent en des expressions linguistiques de connaissances. La caractrisation du sens de ces expressions conduit dterminer des signifis contextuels, dpendants des contextes (documents) o les expressions apparaissent. Ces signifis contextuels doivent alors tre norms, ce qui revient fixer une signification pour un contexte de rfrence, celui de la tche (application) pour laquelle lontologie est labore [Bachimont, 00]. Lontologie rgionale (non universelle) que lon obtient est ainsi une spcification de signifis norms.

Plan
Avant Propos Quest-ce quune ontologie ?
A quoi sert une ontologie ? Mthodes de construction Langages de spcification Environnements de dveloppement Applications Conclusions gnrales Rfrences

Un besoin gnrique : faire tomber les barrires cres par des vocabulaires disparates
Un besoin existe de partager la signification de termes dans un domaine donn
Toute activit humaine spcialise dveloppe son propre jargon

(langue de spcialit) sous la forme dune terminologie et dune conceptualisation associe spcifiques. Lexistence de tels jargons entrane des problmes de comprhension et des difficults partager des connaissances entre les acteurs de lentreprise, les services dune entreprise, les entreprises dune industrie, qui font des mtiers diffrents. Fondamentalement, le rle des ontologies est damliorer la communication entre humains, mais aussi entre humains et ordinateurs et finalement entre ordinateurs.

Une aide la communication entre agents humains et aussi entre organisations


Vers un vocabulaire standardis
Lexistence de vocabulaires diffrents au sein dune entreprise

(ex : bureau dtudes, bureau des mthodes) ou dune industrie (ex : cons- tructeur automobile, quipementier) constitue un frein la collabora- tion et aux partenariats. Les enjeux touchent donc directement la comptitivit de lentreprise. Pour lentreprise, lontologie sert :
comprhension entre les employs, favoriser la diffusion des information et leur exploitation, promouvoir une nouvelle approche de conception des systmes
amliorer la

dinfor- mation (rutilisation de codes, interoprabilit des logiciels).


Pour ces besoins de standardisation du vocabulaire, une

terminologie ou une ontologie informelle peuvent suffire [OLeary, 98].

Une aide la conception et lutilisation des systmes dinformation (1/2)


Des apports pour lingnierie des systmes dinformation [Guarino, 98]

Spcification ; Acquisition des connaissances : une ontologie peut

aider lanalyse des besoins et dfinir les spcifications dun SI. R-utilisation ; Partage : une ontologie peut tre, ou peut devenir suite une traduction, un composant r-utilisable et/ou partag par plusieurs logiciels. Fiabilit ; Maintenance : une ontologie peut servir amliorer la documentation dun logiciel et/ou automatiser des vrifications de cohrence (SBCs), rduisant les cots de maintenance. Inter-oprabilit : en jouant le rle dun format dchange, lontologie permet des systmes dinformation, bass sur des paradigmes de modlisation et des langages dimplantation diffrents, de cooprer.

Une aide la conception et lutilisation des systmes dinformation (2/2)


Vers une meilleure exploitation de sources dinformation

Recherche : une ontologie peut jouer le rle de mta-data

servant dindex dans un rpertoire dinformation. Intgration : dans une application entrept de donnes, une ontologie peut jouer le rle dun schma conceptuel commun reliant entre elles plusieurs sources dinformation htrognes. Interface Homme-Machine : la visualisation de lontologie permet lutilisateur de comprendre le vocabulaire utilis par le SI et de mieux formuler ses requtes. Requtes : une ontologie linguistique peut permettre de comprendre les requtes (reprsentation du contenu) de lutilisateur formules en langue naturelle.

Plan
Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ?
Mthodes de construction Langages de spcification Environnements de dveloppement Applications Conclusions gnrales Rfrences

Prambule
Bref tat de lart des mthodes de dveloppement dontologies
Jusquen 1996, les premires ontologies ont t dveloppes de

faon compltement artisanale, sans suivre de mthode prdfinie. De ces premiers projets (ex : Mikrokosmos, Enterprise Ontology, TOVE, MENELAS) sont issues des listes de recommandations constituant des bauches de mthodes, ou cadres mthodologiques. Depuis 1998, on assiste la naissance de cadres mthodologiques plus labors inspirs des mthodes de lIngnierie des Connaissances (ex : METHONTOLOGY) et fonds, soit sur la linguistique (ex : TERMINAE), soit sur lOntologie (ex : principes proposs par N. Guarino).

Des cadres mthodologiques issus de projets (1/2)


La mthode Enterprise Ontology [Uschold & King, 95] http://www.aiai.ed.ac.uk/project/enterprise
La

mthode, base sur lexprience du dveloppement de lontologie Enterprise Ontology, repose sur lidentification de diffrentes tapes :
Identification du POURQUOI de lontologie ; Construction de lontologie (identification des concepts clef ; modlisation

informelle ; formalisation) et intgration dontologies existantes ; Evaluation et documentation de lontologie.


Cette mthode sinspire du dveloppement de SBCs. Les tapes et

sous-tches sont dcrites de faon abstraite. Les techniques utiliser pour les sous-tches ne sont pas prcises (ex : comment identifier les concepts clef ? Quel langage de formalisation utiliser ?).

Des cadres mthodologiques issus de projets (2/2)


La mthode TOVE [Grninger & Fox, 95] http://www.eil.utoronto.ca/tove/ontoTOC.html
Cette mthode est base sur lexprience du dveloppement de

lonto- logie du projet TOVE (TOrento Virtual Enterprise). Elle aboutit la construction dun modle logique de connaissance. Lontologie est dveloppe selon les tapes suivantes :
Identification de scnarii (problmes) dpendants dune application ; Formulation de questions informelles (bases sur les scnarii)

auxquelles lontologie doit permettre de rpondre ; Spcification dune terminologie partir des termes apparaissant dans les questions. Spcification formelle (en KIF) des axiomes et des dfinitions pour les termes de la terminologie. Evaluation de la compltude de lontologie.
La mthode reste spcifie de faon abstraite. Ni les diffrentes

tapes ni les techniques ne sont dcrites en dtail.

Une mthode inspire de lIngnierie des Connaissances


METHONTOLOGY [Fernandez-Lopez et al., 99]
mthode est dveloppe au Laboratoire dIntelligence Artificielle de lUniversit polytechnique de Madrid. Elle vise la construction dontologies au niveau connaissance et repose sur : un processus de dveloppement dontologies comportant des acti- vits de gestion de projet (planification, assurance qualit), des activits orientes dveloppement (spcification, conceptualisa- tion, formalisation) et des activits de support (documentation) ; un cycle de vie des ontologies bas sur des prototypes voluant. METHONTOLOGY sinspire dune mthode de dveloppement de SBCs. Elle est spcifie de faon trs dtaille et a t utilise pour construire plusieurs ontologies dont lontologie des ontologies : Reference Ontology [Arpirez-Vega et al., 98]. Elle est supporte par loutil ODE [Blazquez et al., 98].
Cette

Une mthode linguistiquement fonde


TERMINAE [Bibow & Szulman, 99]
Cette mthode est dveloppe au LIPN, lUniversit de

Villetaneuse. Sinsrant dans la problmatique du groupe de recherche franais TIA (Terminologie et IA), elle propose la construction dontologies partir de textes en suivant quatre principales tapes :

livres de cours, etc.), partir dune analyse des besoins de lapplication vise, Etude linguistique, pour identifier des termes et des relations lexicales, en utilisant des outils de traitement de la langue naturelle, Normalisation smantique, conduisant des concepts et des relations smantiques dfinis dans un langage semi-formel. Formalisation et intgration des concepts au sein dune BC formelle.
Dans sa version actuelle, loutil supportant la mthode intgre

Constitution dun corpus (documents techniques, comptes rendus,

loutil LEXTER [Assadi & Bourigault, 00] pour identifier des termes candidats.

Apports mthodologiques de lOntologie


Travaux de N. Guarino au LADSEB (Padoue, Italie)
N. Guarino et son quipe cherchent valuer lapport des

notions et principes de lOntologie pour la construction dontologies. Leur proposition prend la forme dune ontologie gnrique [Guarino, 97] et dune ontologie de mta- proprits [Guarino & Welty, 00a]. Lontologie gnrique rassemble un ensemble dobjets abstraits et leur dfinition (ex : objet physique, substance, systme, tat, processus, activit). La construction dune ontologie dapplication peut donc se faire par spcialisation de lontologie gnrique. Les mta-proprits (ex : type, rle) sont fondes sur des notions de lOntologie (ex : identit, unit, rigidit) [Guarino & Welty, 00b] et permettent de vrifier la cohrence dune ontologie dapplication qui sen trouvera dautant plus facilement rutilisable.

Bilan
A ce jour, des propositions existent mais ne sont pas unifies
Les mthodes de lIngnierie Ontologique nont pas encore

atteint, loin sen faut, la maturit des mthodes du Gnie Logiciel. Les propositions de mthodes sont encore incompltes. Un effort de synthse et de diffusion reste encore faire, galement dintgration de retours dexprience. Cette situation justifie les travaux de recherche en cours dans diffrentes quipes. Larticle [Fernandez-Lopez, 99] prsente un premier tat de lart, relativement complet, sur ces mthodes de dveloppement. Larticle [Aussenac-Gilles et al., 00] exploite des rsultats de travaux mens par le groupe franais TIA (Terminologie et IA) pour proposer une mthode base sur lanalyse de corpus.

Plan
Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction
Langages de spcification Environnements de dveloppement Applications Conclusions gnrales Rfrences

Prambule (1/2)
Il existe diffrents types de langages de spcification
Lexplicitation des ontologies seffectue au moyen de langages et

plusieurs types de langages peuvent jouer le rle de langage de spcification, allant des langues naturelles jusquaux langages de reprsentation oprationnels (excutables). Dans un projet de construction dontologie, il est courant dutiliser plusieurs langages, adapts aux diffrentes tapes de la construction.
En amont, pour acqurir les connaissances ontologiques, on peut faire

usage de la langue naturelle ou dun langage de modlisation informel. En aval, si lontologie doit devenir un composant dune application, on aura recours des langages de reprsentation formels et/ou excutables.
Dans

ce chapitre, on ne sintresse quaux langages de reprsentation ddis ou adapts la spcification dontologies.

Prambule (2/2)
Bref tat de lart des langages de reprsentation ddis ou adapts aux ontologies
Jusquau milieu des annes 90, seul existait le langage formel

Ontolingua comme langage dchange dontologies [Gruber, 93a].


Depuis la fin des annes 90, une nouvelle gnration de langages

voit le jour. Leur dveloppement rpond plusieurs objectifs :


amliorer le processus de construction des ontologies (ex : OCML,

Mdos), changer les ontologies sur le Web (ex : RDF(S), SHOE, XOL, OIL), intgrer diffrents paradigmes de reprsentation, comme les langages de Frames et les Logiques de description (ex : OIL, DefOnto), doter les langages de services infrentiels performants (ex : OIL, PowerLOOM, DefOnto).

OCML : un langage facilitant loprationnalisation des ontologies (1/2)


Exemple de reprsentations
(def-class pre (parents, homme) ?p :iff-def (or (and (parents ?p) (a_pour_sexe ?p masculin)) (exists ?e (and (homme ?p) (a_pour_enfant ?p ?e) (personne ?e))))) (def-relation a_pour_pre (?p ?h) :constraint (and (personne ?p) (homme ?h)))

OCML : un langage facilitant loprationnalisation des ontologies (2/2)


Caractristiques principales du langage
OCML est dvelopp au Knowledge Media Institute de lOpen

University (Mylton Keynes, Angleterre). Il a t initialement dfini dans le cadre du projet VITAL pour permettre de spcifier des modles de rsolution de problmes au niveau connaissance, puis de les oprationnaliser [Motta, 98][Motta, 99]. La couche domaine du langage tant considre comme quivalente aux connaissances vises par Ontolingua, OCML est suppos oprationnaliser des ontologies spcifies en Ontolingua. La principale caractristique dOCML est de supporter diffrents styles de spcification : informel, formel et oprationnel, loprationnel correspondant du prototypage au niveau connaissance.

DefOnto : un langage permettant lexpression de mta-connaissances (1/2)


Exemple de reprsentations
(DefGenConcept #pre = [#parents] -> (MI#a_pour_sexe) -> masculin = [#homme] -> (ME#a_pour_enfant) -> [#personne] ) (DefRelation #a_pour_pre IsA [#a_pour_parents] RelationProperties -> (#has_for_domain) -> [#personne] -> (#has_for_range) -> [#homme] )

DefOnto : un langage permettant lexpression de mta-connaissances (2/2)


Caractristiques principales du langage
est dvelopp dans lquipe Ingnierie des Connaissances du LaRIA lUniversit de Picardie Jules Verne, comme sous-langage du langage doprationnalisation de modles de rsolution de problmes Def* [Kassel et al., 00]. DefOnto permet de reprsenter des mtaconnaissances (ex : des proprits de proprits) et cette caractristique est notamment importante pour rendre compte de concepts de rsolution de problmes [Kassel, 99]. Un objectif vis par la dfinition de DefOnto est de doter le langage de mcanismes de compilation modulaire pour faciliter le dveloppement et la maintenance des ontologies formelles.
DefOnto

OIL : un langage pour changer des ontologies sur le Web (1/2)


Exemple de reprsentations
class-def defined pre subclass-of ((parents and (slot-constraint a_pour_sexe has-filler masculin)) or (homme and (slot-constraint a_pour_enfant has-value personne))) slot-def a_pour_pre subclass-of a_pour_parents domain personne range homme

OIL : un langage pour changer des ontologies sur le Web (2/2)


Caractristiques principales du langage http://www.ontoknowledge.org/oil/
OIL rsulte dune initiative internationale rassemblant plusieurs

quipes collaborant au dveloppement de ce langage dans les projets IST : On-To-Knowledge et IBROW3 et dans le programme amricain DAML (langage DAML-OIL : http://www.daml.org). Ses primitives de reprsentation le situent mi-chemin entre les lan- gages de Frames et les Logiques de description [Horrocks et al., 00]. Un effort particulier a t fait pour lchange dontologies sur le Web. Sur le plan syntaxique, OIL est dot de deux notations compatibles Web, dfinies selon les deux standards respectifs que sont XML et RDF [Klein et al., 00].

Bilan
Pour en savoir plus
Plusieurs langages sont actuellement en cours de dfinition, quil

sagisse de langages de modlisation (ex : Mdos [Nobcourt, 00]) ou de reprsentation oprationnels : DefOnto, OIL et PowerLOOM. Tous ces langages permettent de reprsenter un noyau commun de connaissances. Larticle [Corcho & Gomez-Perez, 00] prsente une tude comparative trs large de langages de spcification dontologies, les comparaisons portant sur la puissance dexpression et les capacits infrentielles. Larticle [Barry et al., 01] propose une tude plus pousse, mais restreinte aux seuls langages de reprsentation oprationnels. Les rsultats de cette tude sont accessibles ladresse :
http://www.laria.u-picardie.fr/EQUIPES/ic/LangComp/

Plan

Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction Langages de spcification

Environnements de dveloppement Applications Conclusions gnrales Rfrences

Des environnements accessibles publiquement (1/5)


Le serveur Ontolingua [Farquhar et al., 97] http://www-ksl-svc.stanford.edu/
Ce serveur, localis lUniversit de Stanford, permet un

utilisateur, ou groupe dutilisateurs, de visualiser des ontologies existantes et de construire cooprativement de nouvelles ontologies. Laccs au serveur seffectue au moyen dun browser Web standard. Plusieurs fonctionnalits sont offertes : la rutilisation (par fusion et/ou extension) dontologies existantes dans diffrents domaines, stockes dans une bibliothque. une aide au travail coopratif permettant un groupe gographi- quement distribu de construire collaborativement une ontologie. lexportation dontologies dans diffrents formats pour utilisation dans des applications.

Des environnements accessibles publiquement (2/5)


WebOnto [Domingue, 98] http://webonto.open.ac.uk/
WebOnto est dvelopp au Knowledge Media Institute lOpen

University. Cest un outil accessible sur Internet et principalement graphique permettant de construire cooprativement des ontologies. Loutil offre plusieurs fonctionnalits : Une visualisation graphique et spare des diffrents composants dune ontologie (classes, relations, rgles, instances, procdures) adapte la construction dontologies de grande taille. Le couplage avec un outil de discussion dontologies : Tadzebao. Des services infrentiels, bass sur le langage OCML, permettant de rpondre des requtes et des vrifications de cohrence. Des outils pour la construction cooprative (modes diffusion et dition) et lannotation (crayons de couleur).

Des environnements accessibles publiquement (3/5)


ProtgWin [Eriksson et al., 99] http://smi-web.stanford.edu/projects/prot-nt/
Ce logiciel a t conu pour le Dpartement dinformatique

Mdicale de lUniversit de Stanford, notamment pour construire des ontologies. Plus gnralement il permet de concevoir des SBCs par rutilisation de modles du domaine et de mthodes de rsolution de problmes. ProtgWin doit tre install localement sur un PC sous Windows. Une fois lontologie construite, ProtgWin gnre automatiquement un outil dacquisition des connaissances pour les instances de lontologie. Une nouvelle version de loutil - Protg2000 - dveloppe en JAVA et autorisant la construction cooprative dontologies, est accessible ladresse : http://Protege.Stanford.EDU.

Des environnements accessibles publiquement (4/5)


OntoSaurus http://www.isi.edu/isd/ontosaurus.html
OntoSaurus

est un browser Web pour des bases de connaissances formalises en Loom offrant des facilits ddition pour la construction cooprative dontologies. Il est dvelopp lInstitut pour les Sciences de lInformation (ISI) de lUniversit de Californie du Sud. Loutil peut tre utilis avec une version de Loom installe localement ou tournant sur le site de lISI. OntoSaurus est proche dOntolingua. Du fait de lutilisation du langage Loom, il offre en plus des services infrentiels comme la classification automatique de concepts et la vrification de cohrence.

Des environnements accessibles publiquement (5/5)


ODE [Blazquez et al., 99]
ODE (Ontology Design Environment) est un outil daide la

construction dontologies au niveau connaissance, qui est indpendant de tout langage formel. ODE est dvelopp lUniversit Polytechniques de Madrid. Le programme doit tre install localement sur un PC sous Windows.
Lutilisateur remplit un niveau conceptuel des tables (un

glossaire de termes, un dictionnaire de donnes, des dfinitions de concepts et de relations) et ce modle conceptuel est ensuite traduit automatiquement dans un langage formel (Ontolingua ou F-Logic). ODE inclut des outils de vrification de la cohrence de lontologie. Des aides graphiques pour linterface sont en cours de dveloppement.

Bilan (1/3)
Les outils peuvent tre rpartis en deux classes
Les outils dingnierie ontologique peuvent tre classs en deux

catgories : ceux qui sont installs localement (e.g., ProtgWin & ODE) et ceux qui sont accessibles par Internet (e.g., Ontolingua, WebOnto & OntoSaurus). Les outils installs localement ont de meilleures performances en temps mais noffrent aucune aide pour la collaboration synchrone. Les changes dontologies (importations/exportations) doivent se faire par mail ou ftp. Les outils accessibles sur le Web sont plus lents. Ils apportent en revanche des aides pour ldition synchrone et offrent en gnral des bibliothques dontologies dj construites qui peuvent tre rutilises.

Bilan (2/3)
Les outils existants ne sont pas appropris pour supporter lensemble du processus de construction dune ontologie
Certains outils (e.g., ProtgWin & ODE) sont plus adapts pour

fournir une aide lors de la phase de conceptualisation de lontologie. Ils offrent moins de primitives de haut niveau et ne permettent pas de reprsenter des axiomes. En contrepartie, ces outils sont simples prendre en main et sadressent des utilisateurs non expriments. Dautres outils (e.g., Ontolingua et OntoSaurus) sont plus adapts pour la formalisation et la mise au point dontologies. Reposant sur un langage de reprsentation des connaissances, leur prise en main ncessite de connatre le langage. En contrepartie ils permettent de crer des ontologies plus complexes comportant des axiomes.

Bilan (3/3)
Pour en savoir plus
Larticle [Duineveld

et al., 99] recense un grand nombre

denviron- nements de dveloppement de SBCs ou ddis aux ontologies et dcrit plus compltement les outils prsents dans ce chapitre.
Cet article contient des tableaux de comparaisons tablies suite

au dveloppement de deux ontologies de taille diffrente avec chacun de ces outils. Les rsultats peuvent tre consults sur le site : http://www.swi.psy.uva.nl/wondertools/

Plan

Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction Langages de spcification Environnements de dveloppement

Applications Conclusions gnrales Rfrences

Prambule (1/2)
Cette partie prsente des scnarii dutilisation dontologies
Lobjet de ce chapitre est de prsenter des applications

dontologies, cest--dire des applications tirant parti et profit dune ontologie.


Ces applications sont regroupes en classes correspondant

des scnarii abstraits dutilisation dontologies. Ces scnarii sont dcrits selon un cadre conceptuel (ensemble de dimensions) propos par [Uschold & Jasper, 99].

Prambule (2/2)
Chaque scnario est dcrit selon plusieurs dimensions communes
Chaque scnario est dcrit selon : son principe, lapport ou

bnfice tir de lontologie, les technologies utilises et des exemples dapplications qui sy conforment.
Un diagramme illustre au pralable chaque scnario, dans lequel

sont positionns les principaux acteurs. Ces derniers sont rfrencs au moyen des sigles suivants :
AO : Auteur de lOntologie DA : Dveloppeur de lApplication UA : Utilisateur de lApplication

Scnario : lontologie, en tant que spcification (1/3)


Diagramme
Ontologie AO

Application 1

...

DA Application N

UA

Principe
Lontologie modlise un domaine et fournit un vocabulaire pour

spcifier les besoins dune (ou plusieurs) application(s) cible(s). Lontologie guide le dveloppement de systmes oprationnels. Suivant les cas, ces derniers peuvent contenir (ou non) une nouvelle reprsentation explicite de lontologie.

Scnario : lontologie, en tant que spcification (2/3)


Apports de lontologie
Les motivations pour cette approche sont diverses : - promouvoir la rutilisation de connaissances dans plusieurs applications, - faciliter la maintenance de logiciels grce une reprsentation explicite de lontologie sur laquelle ils sont bass, - rendre prennes des connaissances ontologiques, dans une perspective de mmoire organisationnelle.

Scnario : lontologie, en tant que spcification (3/3)


Exemples dapplications
Lutilisation dontologies pour le dveloppement de SBCs, telle

que prconise dans des mthodes comme CommonKADS [van Heijst et al., 97]. Lontologie PhysSys a t construite pour assister des ingnieurs dans le dveloppement dapplications concernant lingnierie de systmes physiques dynamiques [Borst & Akkermans, 97]. PhysSys exploite lontologie EngMath couvrant tous les aspects lis la modlisation mathmatique en ingnierie [Gruber & Olsen, 1994].

Technologies utilises
Des traducteurs unidirectionnels dontologies ou des mthodes

de dveloppement de systmes (e.g., CommonKADS).

Scnario :
Accs des donnes via une ontologie partage (1/4)

Diagramme
Ontologie
se confo rment

AO

Donnes oprationnelles

DA
Application 1 ... Application N UA

Scnario :
Accs des donnes via une ontologie partage (2/4)

Principe
Une ontologie est cre pour permettre plusieurs applications

daccder, par le partage ou lchange, des donnes communes. Des traducteurs bi-directionnels sont dvelopps pour faire le lien entre les structures de donnes propres aux applications et le format commun de lontologie.

Apports de lontologie
Un premier apport est de rduire le cot des applications

multiples en leur donnant un accs des donnes communes et de faciliter linter-oprabilit. Un second apport, pour lutilisateur final, est davoir accs - dans un format unique - des sources dinformations htrognes.

Scnario :
Accs des donnes via une ontologie partage (3/4)

Exemples dapplications
Le projet TOVE (Toronto Virtual Enterprise) vise fournir une

terminologie dentreprise qui soit partage par plusieurs applications dveloppes dans diffrentes units de lentreprise (bureau dtudes, fabrication, marketing, etc.) [Fox & Gruninger, 98]. Dans le projet EcoCyc (Encyclopedia of E. Coli Genes and Metabolism) une ontologie est utilise pour construire une BC qui intgre des donnes provenant de diffrentes BDs htrognes dans le champ de la biologie molculaire [Karp et al., 1999]. Le systme MOMIS (Mediator envirOnment for Multiple Information Sources) intgre semi-automatiquement les schmas conceptuels de SI htrognes en un Thsaurus Commun. Cette ontologie est utilise par un Mdiateur qui interroge les diffrentes sources dinformation pour rpondre une requte dun utilisateur [Bergamaschi et al. 99].

Scnario :
Accs des donnes via une ontologie partage (4/4)

Technologies utilises
Des traducteurs bi-directionnels qui peuvent, suivant le cas,

rsider ou non dans les applications et tre gnrs automatiquement. Des mdiateurs qui intgrent les donnes venant des sources dinformation htrognes.

Variantes du scnario
La conception dun glossaire pour faciliter la communication au

sein dune organisation, ou bien la construction dune ontologie pour faciliter laccs une Mmoire dEntreprise. Dans ces cas, le consommateur dinformations est un tre humain. Lorsque des acteurs dune organisation, ou bien des dveloppeurs dapplications, ne peuvent tomber daccord sur une ontologie commune, plusieurs ontologies peuvent co-exister quil faut pouvoir relier au moyen de rgles. Ce problme est tudi par [Uschold, 00].

Scnario :
Recherche dinformations base sur une ontologie (1/3)

Diagramme
Ontologie Requte Moteur de recherche AO Information

UA

Principe
Un groupe dutilisateurs se mettent daccord sur une ontologie

qui dcrit un domaine spcifique. Lontologie est utilise par un moteur de recherche pour accder des ressources (ex : des documents, des informations, des noms dexperts) dans un rpertoire (ex : le Web ou un intranet).

Scnario :
Recherche dinformations base sur une ontologie (2/3)

Apports de lontologie
Lontologie

joue le rle dun index pour les ressources recherches, ce qui renforce lespoir de retrouver des informations pertinentes. Les connaissances ontologiques permettent de reprsenter le sens de la requte et deffectuer des infrences sur les informations dcrivant le contenu des ressources (les mtadata), permettant damliorer la qualit de la recherche.

Technologies utilises
Des browsers dontologies et des moteurs de recherche,

constituant plus globalement des fournisseurs dinformation appels brokers.

Scnario :
Recherche dinformations base sur une ontologie

(3/3)
Exemples dapplications
Dans le cadre du projet (KA)2, la communaut en Acquisition des

Connaissances a conu une ontologie utilise par ses membres pour annoter des pages Web [Benjamins et al., 99a]. Ces mtadata et lontologie sont exploites par Ontobroker [Decker et al., 99]. Le projet IBROW3 (Intelligent Brokering Service on the WWW) a dvelopp un service daide la configuration de SBCs partir de composants gnriques (des mthodes de rsolution de problmes) indexs par une ontologie [Benjamins et al., 99b]. Dans la socit Boeing (Seatle) un thesaurus a t rcemment tendu en une ontologie pour permettre en interne au personnel daccder aux bons experts (application : Expert Locator) [Clark et al., 00].

Scnario :
Traduction base dontologie linguistique (1/3) Diagramme
UA Texte en LN1 DA Systme de traduction UA Texte en LN2

Lexique LN1

Ontologie

Lexique LN2

AO

Scnario :
Traduction base dontologie linguistique (2/3) Principe
Lontologie fournit un niveau conceptuel indpendant de la

langue, auquel des lexiques des langues concernes sont attachs. Les reprsentations du sens du texte sont prises en charge par lontologie qui joue le rle dune interlangue.

Apports de lontologie
Lontologie fournit un moyen pour reprsenter la signification

dun texte dans une interlangue. Elle permet des lexiques pour diffrentes langues de partager des connaissances (le niveau conceptuel). Elle permet des analyseurs de la langue source et des gnrateurs dans la langue cible de partager des connaissances.

Scnario :
Traduction base dontologie linguistique (3/3) Exemples dapplications
Le systme PANGLOSS traduit des textes quelconques de

lespagnol en anglais [Knight & Luk, 94]. Il utilise lontologie SENSUS qui intgre notamment WordNet et PENMAN upper Model et contient 70.000 concepts et relations. Le systme Mikrokosmos traduit en anglais des articles de journaux crits en espagnol ou en chinois. Son ontologie contient 8000 concepts [Viegas, 99].

Technologies utilises
Principalement

des analyseurs et des gnrateurs (e.g., PANGLYSER et PENMAN dans le cas de PANGLOSS).

Pour en savoir plus


Sur les scnarii
Larticle [Uschold & Jasper, 99] prsente plus compltement les

scnarii en tchant dvaluer la maturit des technologies mises en jeu et en envisageant diverses variations autour de ces scnarii. Certains projets atypiques, comme le projet Cyc consistant dvelopper une ontologie couvrant lensemble des connaissances de sens commun, restent pour le moment en dehors des scnarii recenss.

Sur les applications


Les articles [van Zyl & Corbett, 00a] et [van Zyl & Corbett, 00b]

instancient les scnarii par de nombreux exemples dapplications acadmiques ou industrielles. Le second article met plus particulirement laccent sur les applications des ontologies linguistiques.

Plan

Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction Langages de spcification Environnements de dveloppement Applications

Conclusions gnrales Rfrences

Bilan final
LIngnierie Ontologique demeure une discipline naissante
La varit des besoins et des champs de recherche concerns

par le dveloppement des ontologies explique la diversit des objets dnots par le terme ontologie. LIngnierie Ontologique, au sein de lIngnierie des Connaissances, dfinit des concepts, mthodes et outils, pour rationaliser le dvelop- pement des ontologies. Cette discipline est en plein essor, en tmoigne le nombre important de projets en cours et de sminaires qui lui sont consacrs. Cependant, les propositions manant des projets et les pratiques ne sont pas encore unifies. Un effort de synthse et de diffusion hors du cadre acadmique reste encore raliser.

Pour approfondir certaines notions du domaine


Des ressources pdagogiques sont prsentes sur le web
Sur le site du GRACQ, la rubrique cours, on peut consulter

un support de cours conu par J. Charlet, N. Aussenac-Gilles, P. Laublet et B. Bachimont sur les Ontologies, les Terminologies et les Bases de Connaissances Terminologiques :
http://www.irit.fr/GRACQ/

Le site dit par R. Corrazon constitue une introduction complte

lOntologie Formelle. On y trouve prsents : un historique de la discipline, les acteurs dhier et daujourdhui, les dveloppements rcents, une liste douvrages et des rfrences dautres sites :
http://www.formalontology.it/

Sur le site de C. Welty, on peut consulter un support de cours

rdig avec N. Guarino, introductif la confrence FOIS (Formal Ontology in Information Systems) 2001 :
http://www.cs.vassar.edu/faculty/welty/aaai-2000/

Pour continuer suivre les volutions de la discipline


quelques sites rgulirement mis jour
Le site de P. Clark (Boeing) - ce jour le plus complet - indexe

toutes sortes dinformations relatives aux ontologies, portant sur : des projets, des organisations, des environnements de dveloppement, des confrences, des actes de confrences en ligne et des ontologies (!). Il comporte quelques 300 entres : http://www.cs.utexas.edu/users/mfkb/related.html Le projet IEEE SUO (Standard Upper Ontology) de dfinition dune ontologie gnrique destine devenir un standard international est prsent sur le site : http://suo.ieee.org/ Lorganisation Ontology.org dite un forum sur internet consacr aux applications des ontologies pour le commerce lectronique : http://www.ontology.org/

Plan

Avant Propos Quest-ce quune ontologie ? A quoi sert une ontologie ? Mthodes de construction Langages de spcification Environnements de dveloppement Applications Conclusions gnrales

Rfrences

Rfrences bibliographiques (1/12)

[Arpirez-Vega et al., 98] Arpirez-Vega, J.C., Gomez-Prez, A., Tello, A.L. & Pinto, S. (1998) (ONTO)2Agent: An ontology-based WWW broker to select ontologies. Proceedings of the 13th European Conference on Artificial Intelligence: ECAI-98, Brighton. [Assadi & Bourigault, 00] Assadi, H. & Bourigault, D. (2000) Analyses syntaxique et statistique pour la construction dontologies partir de textes. In J. Charlet et al. (eds), Ingnierie des Connaissances ; Evolutions rcentes et nouveaux dfis, Eyrolles, pp. 243-255. [Aussenac-Gilles et al., 00] Aussenac-Gilles, N., Bibow, B. & Szulman, S. (2000) Revisiting Ontology Design: a methodology based on corpus analysis. Proceedings of the 12th International Conference on Knowledge Engineering and Knowledge Management: EKAW2000, R. Dieng & O. Corby (eds), LNAI 1937, Springer, pp. 172-188. [Bachimont, 00] Bachimont, B. (2000) Engagement smantique et engagement ontologique : conception et ralisation dontologies en ingnierie des connaissances. In J. Charlet et al. (eds), Ingnierie des Connaissances ; Evolutions rcentes et nouveaux dfis, Eyrolles, pp. 305-323.

Rfrences bibliographiques (2/12)

[Barry et al., 01] Barry, C., Cormier, C., Kassel, G. & Nobcourt, J. (2001) Evaluation de langages oprationnels de reprsentation dontologies. Actes des journes Ingnierie des Connaissances : IC2001, Grenoble. A paratre. [Barths, 98] Barths, J.-P. A. (1998) La gestion des concepts et du vocabulaire dans lentreprise, terminologies et ontologies : tat de lart. Rapport de veille technologique IIIA-98-VT9, 46 pages.

[Benjamins et al., 99a] Benjamins, V.R., Fensel, D. & Decker, S. (1999) KA2: Building Ontologies for the Internet: A Midterm Report. International Journal of Human Computer Studies, 51(3).
[Benjamins et al., 99b] Benjamins, V.R. et al. (1999) Towards Brokering Problem-Solving Knowledge on the Internet. Proceedings of the 11th European Workshop on Knowledge Acquisition, Modeling and Management: EKAW99, Dagstuhl (Allemagne). [Bergamaschi et al., 99] Bergamaschi, S., Castano, M.V.S. & Beneventano, D. (1999) Intelligent Techniques for the Extraction and Integration of Heterogeneous Information. Proceedings of the IJCAI-99 Workshop on Intelligent Information Integration, Stockholm.

Rfrences bibliographiques (3/12)

[Bibow & Szulman, 99] Bibow, B. & Szulman, S. (1999) TERMINAE: A linguistic-based tool for the building of a domain ontology. Proceedings of the 11th European Workshop on Knowledge Acquisition, Modeling and Management: EKAW99, Dagstuhl (Allemagne). [Blazquez et al., 98] Blazquez, M., Fernandez-lopez, M., Garcia-Pinar, J.M. & Gomez-Prez, A. (1998) Building Ontologies at the Knowledge Level using the Ontology Design Environment. In Proceedings of the Workshop on Knowledge Acquisition, Modelling and Management: KAW98, Banff, Canada. [Borst & Akkerman, 97] Borst, P. & Akkermans, H. (1997) Engineering ontologies. International Journal of Human and Computer Studies, 46, pp. 365406. [Bouaud et al., 94] Bouaud, J., Bachimont, B., Charlet, J. & Zweigenbaum, P. (1994) Acquisition and Structuring of an Ontology within Conceptual Graphs. Proceedings of the ICCS94 Workshop on Knowledge Acquisition using Conceptual Graph Theory, University of Maryland, College Park, MD, 1994, pp. 1-25.

Rfrences bibliographiques (4/12)

[Clark et al., 00] Clark, P., Thompson, J., Holmback, H. & Duncan, L. (2000) Exploiting a Thesaurus-Based Semantic Net for Knowledge-Based Search. Proceedings of the 12th Conference on Innovative Applications of Artificial Intelligence: IAAI-2000, Austin (Texas-USA), pp. 988-995. [Corcho & Gomez-Perez, 00] Corcho, O. & Gomez-Perez, A. (2000) Evaluating Knowledge Representation and Reasoning Capabilities of Ontology Specification Languages. Proceedings of the ECAI-00 Workshop on Applications of Ontologies and Problem-Solving Methods, Berlin, pp. 3/1-3/9. [Decker et al., 99] Decker, S., Erdmann, M., Fensel, D. & Studer, R. (1999) Ontobroker: Ontology Based Access to Distributed and Semi-Structured Information. In R. Meersman et al. (Eds.), Database Semantics: Semantic Issues in Multimedia Systems, Kluwer Academic Publisher, pp. 351-369. [Domingue, 98] Domingue, J. (1998) Tadzebao and WebOnto: Discussing, Browsing, and Editing Ontologies on the Web. Proceedings of the 11th Workshop on Knowledge Acquisition, Modelling and Management: KAW98, Banff, Canada.

Rfrences bibliographiques (5/12)

[Duineveld et al., 99] Duineveld, A.J., Stoter, R., Weiden, M.R., Kenepa, B. & Benjamins, V.R. (1999) WonderTools? A comparative study of ontological engineering tools. Proceedings of the Workshop on Knowledge Acquisition, Modelling and Management: KAW99, Banff, Canada. [Eriksson et al., 99] Eriksson, H., Fergerson, R., Shahar, Y. & Musen, M.A. (1999) Automatic Generation of Ontology Editors. Proceedings of the Workshop on Knowledge Acquisition, Modelling and Management: KAW99, Banff, Canada. [Farquhar et al., 97] Farquhar, A., Fikes, R. & Rice, J. (1997) The Ontolingua Server: Tool for Collaborative Ontology Construction. International Journal of Human Computer Studies, 46(6), pp. 707-728. [Fernandez-Lopez, 99] Fernandez-Lopez, M. (1999) Overview Of Methodologies For Building Ontologies. Proceedings of the IJCAI99 Workshop on Ontologies and Problem-Solving Methods, Stockholm (Sude), pp. 4/1,4/13. [Fernandez-Lopez et al., 99] Fernandez-Lopez, M., Gomez-Prez, A., PazosSierra, J. & Pazos-Sierra, A. (1999) Building a Chemical Ontology Using Methontology and the Ontology Design Environment. IEEE Intelligent Systems, January/February, pp. 37-46.

Rfrences bibliographiques (6/12)


[Fox & Gruninger, 98] Fox, M.S. & Gruninger, M. (1998) Enterprise Modelling. AI Magazine, AAAI. http://www.ie.utoronto.ca/EIL/public/aimag98.ps. [Gruber, 93a] Gruber, T. (1993) A translation approach to portable ontology specification. Knowledge Acquisition 5, pp. 199-220. [Gruber, 93b] Gruber, T.R. (1993) Towards Principles for the Design of Ontologies Used for Knowledge Sharing. In N. Guarino & R. Poli (Eds), Formal Ontology in Conceptual Analysis and Knowledge Representation, Kluwer Academic Publishers. [Gruber & Olsen, 94] Gruber, T.R. & Olsen, G.R. (1994) An Ontology for Engineering Mathematics. In J. Doyle, P. Torasso & E. Sandewall (Eds.), Proceedings of the Fourth International Conference on Principles of Knowledge Representation and Reasoning, Morgan Kaufmann, pp. 258-269. [Grninger & Fox, 95] Grninger, M. & Fox, M.S. (1995) Methodology for the Design and Evaluation of Ontologies. Proceedings of the IJCAI-95 Worshop on Basic Ontological Issues in Knowledge Sharing.

Rfrences bibliographiques (7/12)

[Guarino & Giaretta, 95] Guarino, N. & Giaretta, P. (1995) Ontologies and Knowledge Bases: Towards a Terminological Clarification. In N. Mars (Eds),

Towards Very Large Knowledge Bases: Knowledge Building and Knowledge Sharing, IOS Press, Amsterdam, pp. 25-32.

[Guarino, 97] Guarino, N. (1997) Some Organizing Principles For A Unified TopLevel Ontology. Proceedings of the AAAI Spring Symposium on Ontological Engineering, Stanford (USA). [Guarino, 98] Guarino, N. (1998) Formal Ontology and Information Systems. In N. Guarino (Eds), Formal Ontology in Information Systems, IOS Press, Amsterdam, pp. 3-15. [Guarino & Welty, 00a] Guarino, N. & Welty, C. (2000) A formal Ontology of Properties. Proceedings of the ECAI-00 Workshop on Applications of Ontologies and Problem-Solving Methods, Berlin, pp. 12/1-12/8. [Guarino & Welty, 00b] Guarino, N. & Welty, C. (2000) Identity, Unity and Individuality: Towards a Formal Toolkit for Ontological Analysis. Proceedings of the 14th European Conference on Artificial Intelligence: ECAI 2000, IOS Press, Berlin, pp. 219-223.

Rfrences bibliographiques (8/12)

[Horrocks et al., 00] Horrocks, I., Fensel, D., Broekstra, J., Decker, S., Erdmann, M., Goble, C., van Harmelen, F., Klein, M., Staab, S., Studer, R. & Motta, E. (2000) The Ontology Inference Layer OIL. Technical report, August 2000. http://www.cs.vu.nl/~dieter/oil/Tr/oil.pdf. [Karp et al., 99] Karp, P.D. et al. (1999) EcoCyc: Encyclopedia of E. coli Genes and Metabolism. Nuclear Acids Research, 27, pp. 1-55.

[Kassel, 99] Kassel, G. (1999) PHYSICIAN is a role played by an object, whereas SIGN is a role played by a concept. Proceedings of the IJCAI99

Workshop on Ontologies and Problem-Solving Methods: Lessons Learned and Future Trends, Stockholm (Sweden), pp. 6-1-6-9. http://sunsite.informatik.rwthaachen.de/Publications /CEUR-WS/Vol-18/6-kassel.pdf

[Kassel et al., 00] Kassel, G., Barry, C. & Abel, M.-H. (2000) Programmer au niveau connaissance en Def-*. In J. Charlet et al. (eds), Ingnierie des Connaissances ; Evolutions rcentes et nouveaux dfis, Eyrolles, pp. 145-160.

Rfrences bibliographiques (9/12)

[Klein et al., 00] Klein, M., Fensel, D., van Harmelen, F. & Horrocks, I. (2000) The Relation between Ontologies and Schema-languages: Translating OILspecification in XML-Schema. Proceedings of the ECAI-00 Workshop on Applications of Ontologies and Problem-Solving Methods, Berlin, pp. 7/1-7/12. [Knight & Luk, 94] Knight, K. & Luk, S. (1994) Building a Large-Scale Knowledge Base for Machine Translation. Proceedings of the National Conference on Artificial Intelligence AAAI-94. [Motta, 98] Motta, E. (1998) An Overview of the OCML Modelling language. In Proceedings of the 8th Workshop on Knowledge Engineering: Methods and Languages, KEML 98. [Motta, 99] Motta, E. (1999) Reusable Components for Knowledge Modelling. IOS Press, Amsterdam. [Nef, 98] Nef, F. (1998) Lobjet quelconque ; Recherches sur lontologie de lobjet. Librairie Philosophique J. Vrin.

Rfrences bibliographiques (10/12)

[Nobcourt, 00] Nobcourt, J. (2000) Mdos: a modelling language to build a formal ontology in either Description Logics or Conceptual Graphs. Proceedings of the 12th International Conference on Knowledge Engineering and Knowledge Management: EKAW2000, R. Dieng & O. Corby (eds), LNAI 1937, Springer, pp. 57-64. [Noy & Fridman, 97] Noy, N.F. & Hafner, C.D. (1997) The State of the Art in Ontology Design; A Survey and Comparative Review. AI Magazine, 18(3), pp. 5374. [OLeary, 98] OLeary, D.E. (1998) Using AI in Knowledge Management: Knowledge Bases and Ontologies. IEEE Intelligent Systems, May/June 1998, pp. 34-39. [Uschold, 98] Uschold, M. (1998) Knowledge level modelling: Concepts and terminology. Knowledge Engineering Review, 13(1). [Uschold, 00] Uschold, M. (2000) Creating, Integrating and Maintaining Local and Global Ontologies. Proceedings of the ECAI-00 Workshop on Applications of Ontologies and Problem-Solving Methods, Berlin, pp. 13/1-13/5.

Rfrences bibliographiques (11/12)

[Uschold & King, 95] Uschold, M. & King, M. (1995) Towards a Methodology for Building Ontologies. Proceedings of the IJCAI-95 Worshop on Basic Ontological Issues in Knowledge Sharing. [Uschold & Jasper, 99] Uschold, M. & Jasper, R. (1999) A Framework for Understanding and Classifying Ontology Applications. Proceedings of the IJCAI99 Workshop on Ontologies ans Problem-Solving Methods, Stockholm.

[van Heijst et al., 97] van Heijst, G., Schreiber, A.Th. & Wielinga, B.J. (1997) Using explicit ontologies in KBS development. International Journal of Human and Computer Studies, 45, pp. 183-292.
[van Zyl & Corbett, 00a] van Zyl, J. & Corbett, D. (2000) Population of a Framework for Understanding and Classifying Ontology Applications. Proceedings of the ECAI-00 Workshop on Applications of Ontologies and Problem-Solving Methods, Berlin, pp. 10/1-10/12.

120

Intelligence Artificielle?
Produire des modles de l'action crbrale
Reproduire capacits et comportements du cerveau sans

support physique
Dfinir ce qu'est l'intelligence Approche formelle : Via la logique, les mathmatiques,

des mtriques ... Le comportement des machines et non leurs proprits physiques Approche cognitive et sociale : Via l tude des comportements intelligents
individuels et collectifs

Calculer , c'est manipuler et traiter des symboles physiques


ligne de partage entre informatique : traitement de l'information numrique et IA : traitement logique de symboles

121

Missions
Produire des techniques de programmation efficaces
Rseaux de neurones, programmation et algorithmes

gntiques, Apprentissage numrique et symbolique

Formalisation logique de diffrents types de

raisonnements (modal, causal, incertain, spatial, temporel, ...) Augmenter lintelligence du couple homme-ordinateur
Rsolution de contraintes, dduction, simulation qualitative Multi-agents, mergence sociale de lintelligence Reprsentation des connaissances, comprhension du

langage naturel, Ingnierie des connaissances, ...

Statut des expressions symboliques :

manipules par l informatique en fonction de leur syntaxe interprtes par l humain en tant que connaissances 1 convergence Informatique / IA

122

Rsolution de problmes difficiles et spcifiables, sans solution algorithmique problmes NP-complets, jeux, etc mal spcifis ou dont les connaissances ne sont pas accessibles Types dapplications reconnaissance des formes, de la parole, synthse de la parole

et d'images, systmes experts et rsolution automatique de problmes, ralit virtuelle, interprtation de textes, comprhension et gnration du langage naturel, ...
Types de problmes rsolus Diagnostic, simulation, ordonnancement, planification, fusion de

donnes, aide la dcision, aide la conception, la maintenance, etc.

123