Vous êtes sur la page 1sur 8

A.

Cornujols

A. Cornujols

A. Cornujols

Plan gnral
I-

Le raisonnement incertain

Introduction aux systmes experts

II- Fondements : organisation et fonctionnement des SE

dans les systmes experts

III- Le raisonnement incertain

Antoine Cornujols

Introduction

Grandes approches

IV- Les rseaux baysiens

(antoine@lri.fr)

V- Lacquisition des connaissances


I.I.E.
&
L.R.I., Universit dOrsay

A. Cornujols

Raisonnement non exact


Incertain

Le raisonnement incertain : sources du problme


Thorie du domaine

Neigera-t-il Nol ?

Concepts imprcis

Le fourgon postal passera sans doute par cette route

Emploi de rgles heuristiques

Vague

Un fourgon postal avec pas mal de lingots passera aux environs de


10h15

Hypothtique

Si x est tudiant, alors, jusqu preuve du contraire, on peut


supposer que x est jeune

Les donnes

Senseurs insuffisamment prcis

Donnes manquantes (par principe, ou trop difficiles obtenir)

A. Cornujols

Axiomes du raisonnement incertain

Le raisonnement incertain : approches

Il existe une fonction monotone croissante telle que :


(A1)

0 (Q|e) 1

(A2)

(A) = (A & A)

(A3)

(A & B) = (B & A)

(A4)

(A & (B & C)) = ((A & B) & C)

(A5)

(Q|e) + (Q|e) = 1

(A6)

(A) = (A & B) + (A & B)

(A7)

(vrai|e) = 1

(A8)

(QR|e) = (Q|e).(R|Qe)

Approches extensionnelles

(1/2)

Guid par la syntaxe

Propagation locales des valeurs de vrit

Prise en compte incrmentale des informations

On voudrait les mmes facilits pour le

raisonnement incertain
MAIS ... cest impossible !

(2/2)

A. Cornujols

Gnralisation des valeurs de vrit

Incertitude valeur de vrit gnralise

Dpendant seulement des valeurs de vrit des sous-formules

Calcul local et incrmental

Exemple : CF(A & B) = CF(A),CF(B))

B : Si A est observ alors on peut modifier la croyance de B dun


montant dpendant de la force m de la rgle

Approches intensionnelles

Bases sur les modles

Lincertitude dpend de la Base de Connaissances entire

Calcul Baysien / Rseaux probabilistes

R. Incertain : Approches extensionnelles

la MYCIN / certaines logiques

Le raisonnement des SE :

A. Cornujols

Le raisonnement incertain : approches

A. Cornujols

Rgle dcrivant une association et sa force

A. Cornujols

R. Incertain : Approches intensionnelles

Approches extensionnelles

Connecteurs = combinaison ensembliste des ensembles de


mondes
Exemple : p(A & B) = p(A B)

seulement

+ Modification limite du raisonnement classique


+ Modularit / explicativit / modifiabilit aise
- Non smantiquement correctes / Inexactes

MAIS non dterminable partir de p(A) et p(B)

10

Approches extensionnelles vs. approches intensionnelles

Mesure de certitude assigne des ensembles de mondes

A. Cornujols

Approches intensionnelles
+ Bien fondes

A B : p(A|B) = m

- Non modularit / explicativit difficile / modifiabilit difficile


- Computationnellement coteuses

A. Cornujols

Approche intensionnelle directe : le calcul des probabilits

11

A. Cornujols

Exemple dinfrence probabiliste

Probabilit conditionnelle :
P( A B) =

P( A B)
P( B)

P( A B) =

P( B A). P( A)
P( B)

P( E H ). P( H )
P( H E ) =
P( E H ). p( H ) + P( E H ). P( H )

P( Hi E ) =

p(Hi )

0.5

0.3

0.2

p(E1 Hi )

0.4

0.8

0.3

p(E2 Hi )

0.7

0.9

0.0

Aprs la prise en compte de E1 :

P( E Hi ). P( Hi )
m
k =1

p( Hi E1 ) =

P( E Hk ). p( Hk )

P( Hi E1 E2 ...En ) =

P( E1 E2 ...En Hi ). P( Hi )
m
k =1

P( E1 E2 ...En Hk ). p( Hk )

p( E1 Hi ) p( Hi )
3
k =1

p( E1 Hk ) p( Hk )

p( H1 E1 ) =

0.4 0.5
= 0.40
0.4 0.5 + 0.8 0.3 + 0.3 0.2

p( H2 E1 ) =

0.8 0.3
= 0.48
0.4 0.5 + 0.8 0.3 + 0.3 0.2

p( H3 E1 ) =

0.3 0.2
= 0.12
0.4 0.5 + 0.8 0.3 + 0.3 0.2

i = 1, 2, 3

12

A. Cornujols

13

Problmes de lapproche probabiliste

14

A. Cornujols

16

Exemple dinfrence probabiliste

Il faut fournir beaucoup de nombres

A. Cornujols

Impossible de les demander tous un expert

p(Hi )

0.5

0.3

0.2

p(E1 Hi )

0.4

0.8

0.3

p(E2 Hi )

0.7

0.9

0.0

Ces nombres ne sont pas indpendants (certaines sommes 1)


Aprs la prise en compte de E1 puis de E2 :

Donc difficile de faire voluer une base de connaissances


p( Hi E1 E2 ) =

Difficult pour les experts humains de fournir des estimations


fiables de probabilits conditionnelles

A. Cornujols

Approches extensionnelles : MYCIN

(1/5)

Pas de base de donnes suffisante pour fournir des valeurs


statistiques

Expertise et stratgies de contrle reprsenter explicitement

Capacit dexpliquer la ligne de raisonnement

Exigence de modifiabilit

k =1

p( E1 Hk ) p( E2 Hk ) p( Hk )

i = 1, 2, 3

p( H1 E1 E2 ) =

0.4 0.7 0.5


= 0.393
0.4 0.7 0.5 + 0.8 0.9 0.3 + 0.3 0.0 0.2

p( H2 E1 E2 ) =

0.8 0.9 0.3


= 0.607
0.4 0.7 0.5 + 0.8 0.9 0.3 + 0.3 0.0 0.2

p( H3 E1 E2 ) =

0.3 0.0 0.2


= 0.0
0.4 0.7 0.5 + 0.8 0.9 0.3 + 0.3 0.0 0.2

15

Motivation historique

p( E1 Hi ) p( E2 Hi ) p( Hi )
3

Approches extensionnelles : MYCIN


Les coefficients de certitude

(certainty factor : CF)

Des faits ou hypothses

Plutt vrai

Plutt faux
-.2

-1

(2/5)

+.2

+1

Des rgles
Exprimant la certitude en la conclusion, les prmisses tant supposes vraies
Mais quelle vraie signification ?
p(h|e) p(h)
1 p(h)
CF(h,e) =
p(h|e) p(h)

p(h)

si p(h|e) p(h)
si p(h|e) p(h)

A. Cornujols

Approches extensionnelles : MYCIN

17

(3/5)

Approches extensionnelles : MYCIN

Propagation des coefficients de certitude

18

(4/5)

Le contrle

Ri : a1 & a2 & ...& an consquents (CF(R))

A. Cornujols

Ne pas appliquer une rgle plus dune fois

Recherche exhaustive,

... sauf ...

CF(a1 & a2 & ...& an) = min (CF(a1), CF(a2), ..., CF(an))
CF(consquents) = CF(a1 & a2 & ...& an) . CF(Ri)

Si fait certainement vrai ou certainement faux


Si CF(fait) < .2

x + y x. y

CF(H) = x + y + x. y
x+y

1 min(| x|,| y|)

si x & y > 0
si x & y < 0
sin on

CF(H) = ?

A. Cornujols

Approches extensionnelles : MYCIN

(5/5)

Les dfauts smantiques

Traitement des infrences bidirectionnelles


(Infrences dductives et abductives : il ny a pas de fume sans feu)

Explaining away

19

A. Cornujols

Biais dans le jugement humain


Prcision limite (chelle 7 2 chelons) (jugement absolu sur un
stimulus unidimensionnel)

Calibration

Prob.
subjective

Si A alors C & Si B alors C

Limites de la modularit
Si le sol est humide alors (.9) il a plu
MT : Le systme darrosage a fonctionn toute la nuit (exception ou suppresseur)
De mme :

Si le sol est humide alors il a plu


Si le systme darrosage a fonctionn alors le sol est humide

Problme des rgles diffrentes utilisant des sources identiques

Les experts confondent CF et probabilits conditionnelles

Dfauts dutilisation ...

Prob. objective

Trop conservatif

Moins si petit chantillon, intressement, fortes prob. a priori

Mais ne tiennent pas compte des probabilits a priori


Corrlations positives OK, sauf si contre prjugs

20

A. Cornujols

21

La logique floue (fuzzy logic)


Un jour assez pluvieux

Incertitude

22

Logique floue : concepts de base

Concerne limprcis, le vague

A. Cornujols

Ensembles flous

Historique :

Travaux prcurseurs de Lofti Zadeh (1965, ...) (Thorie des ensembles flous)

Gros dveloppements

Degr dappartenance A

Fonction caractristique

Variables linguistiques

Appartenance
1

Thoriques : (En France : Dubois & Prade)


Pratiques : contrleurs flous (Japon), ...

Rfrences :
Taille

B. Bouchon-Meunier : La logique floue. PUF Que sais-je?.

L. Gacogne : Elements de logique floue. Herms 1997.


M. Stefik : Introduction to Knowledge Systems. Morgan Kaufmann, 1995.

A. Cornujols

23

Logique floue : Modus ponens gnralis


Modus ponens gnralis
Rgle floue :

Fait observ :

Conclusion :

On veut faire des dductions en labsence de certaines informations, sachant


quelles peuvent arriver ultrieurement en cours de dduction.
Si x est tudiant, alors, jusqu preuve du contraire, on peut supposer que x est jeune.
Albert est tudiant, il est donc suppos jeune ... puis on apprend quil a 70 ans

Remise en cause des faits dduits : Albert est jeune (et de ceux qui en dcoulent)
Algorithme pour grer ce type de remise en cause : TMS [Doyle,79]

Y est B

Fonction dappartenance :

Raisonnement hypothtique : approches

X est A

Fonction dappartenance :

24

Raisonnement par dfaut : TMS


si X est A alors Y est B

Fonctions dappartenance :

A. Cornujols

La fonction dappartenance de B est calcule comme une combinaison de R


et de A :
(A(x), A(x) B(y))
B(y) = sup x supp(A) (

Raisonnement par hypothse : ATMS

On tablit tous les mondes possibles avec leurs justifications (hypothses qui
permettraient de les tablir).

Trs utile (e.g. diagnostic de pannes)

ATMS [De Kleer,86]

A. Cornujols

Raisonnement hypothtique : TMS

25

(1/7)

Raisonnement hypothtique : TMS

Les faits ne sont plus vrais ou faux mais ont un statut

IN

: Il existe une raison (justification) dy croire

OUT

: Rien ne le justifie (jusqu prsent)

A. Cornujols

26

(2/7)

Ides fondamentales

Conserver pour chaque fait dduit ses justifications


vole(titi) [[IN (oiseau(titi)), OUT (autruche(titi)) ]]

En cas de contradiction, rtablir la cohrence en changeant ventuellement


les statuts de certains faits

Sparer le module dductif (moteur dinfrence) de TMS

Le statut peut voluer de IN OUT ou de OUT IN


R1 : si oiseau(X) & OUT(autruche(X)) alors vole(X)

Le module dductif transmet TMS des dductions sous la forme (fait, justification)
ou (contradiction, justification)

R2 : si autruche(X) alors OUT(vole(X))


IN(oiseau(titi)) IN(vole(titi))

TMS calcule pour chaque fait un statut de faon obtenir un tat globalement
cohrent

peut tre contredit ultrieurement par lajout de IN(autruche(titi))

A. Cornujols

Raisonnement hypothtique : TMS

27

(3/7)

Base de faits. Ensemble d'lments, appels noeuds dans la terminologie TMS, de la


forme (fait, (liste de justifications), statut)

Contexte. Ensemble des noeuds IN un moment donn.

Justification. Ensemble de noeuds (faits, rgles ou contraintes) IN (qui doivent avoir


le statut IN) supportant la drivation du noeud considr, et de noeuds OUT qui
doivent avoir le statut OUT pour que le noeud puisse tre tabli (statut IN). On parle
souvent de IN-justifieurs et de OUT-justifieurs.

A. Cornujols

Raisonnement hypothtique : TMS

Hypothse. Noeud dont toutes les justifications valides contiennent des OUTjustifieurs. (Ce qui signifie que ce noeud peut tre remis en cause si l'un des OUTjustifieurs prend le statut IN).

(4/7)

La tche de TMS :

La tche de TMS est de calculer (mettre jour) une assignation A (associant


un statut chaque fait) consistante et bien fonde.

Consistante :
Pour tout fait f,
A(f) = IN ssi il existe une justification valide pour f.

Justification valide. Une justification est valide ssi l'un au moins de ses ensembles de
IN-justifieurs ont tous un statut IN, et si tous ses OUT-justifieurs ont un statut OUT.
Prmisses. Lorsqu'une justification est rduite a , elle est toujours valide, et on parle
de prmisse (au sens de prmisses d'un argument et non des prmisses, c'est--dire des
antcdents d'une rgle).

28

A(f) = OUT sinon


Pour toute contradiction, A(contradiction) = OUT

Bien-fonde : 2 faits ne se co-justifient pas.


Il existe une chane de justifications valides aboutissant des prmisses ou
des hypothses.

A. Cornujols

Raisonnement hypothtique : TMS

29

(5/7)

A. Cornujols

Raisonnement hypothtique : TMS

(6/7)

Pierre est un tudiant

Exemple :

Typiquement un tudiant est un adulte


Typiquement un adulte est engag dans la vie professionnelle

R1 : Si homme(X) alors personne(X)

Typiquement un tudiant nest pas engag dans la vie professionnelle

R2 : Si personne(X) alors humain(X)


R1 : Si tudiant(X) et OUT(defaut-1(X)) alors adulte(X)
R3 : Si humain(X) alors personne(X)
R2 : Si adulte(X) et OUT(defaut-2(X)) alors engag(X)
R3 : Si tudiant(X) et OUT(defaut-3(X)) et engag(X) alors F

Supposons

f1 : (homme(fred), {}, IN)

Alors :

Alors :

f2 : (personne(fred), {[IN(f1)], [IN(f3)]}, IN)

daprs R2 : (engag(pierre), {[IN(adulte(pierre)), OUT(dfaut-2(pierre))], IN)

et :

f3 : (humain(fred), {[IN(f2)]}, IN)

et R3 : (F, {[IN(tudiant(pierre),engag(pierre)), OUT(dfaut-3(pierre))]}, IN)

A. Cornujols

Raisonnement hypothtique : TMS

31

(7/7)

Bilan

TMS ne propose quune seule extension dpendant des


heuristiques de choix utilises ainsi que de lordre dans lequel
lui sont transmises les justifications

TMS a t utilis dans de nombreuses implmentations

TMS est utilis pour implmenter la logique des dfauts

(adulte(pierre), {[IN (tudiant(pierre), OUT (dfaut-1(pierre))]}, IN)

Do :

{tudiant(pierre), adulte(pierre), dfaut-2(pierre)}

ou bien :

{tudiant(pierre), adulte(pierre), engag(pierre)}

30