Vous êtes sur la page 1sur 272

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique


Ecole nationale Supérieure en Informatique
(ex. Institut National d’Informatique)

THESE
En vue de l’obtention du titre de
DOCTEUR D’ETAT EN INFORMATIQUE

Soutenue par
Abdessamed Réda GHOMARI

Approche Méthodologique d’Acquisition de


Connaissances Agrégées à base d’Agents cognitifs
coopérants pour les systèmes d’aide à la décision
stratégiques

Directeur de Thèse :
Anne-Marie ALQUIER, Professeur, UFR Informatique, UT1, Toulouse

Thèse soutenue le :

Devant le jury :
Mr BOUFAIDA M., Professeur, U. Constantine Président
Mr AHEMD NACER M., Professeur, USTHB Examinateur
Mme ALI MAZIGHI Z., Professeur, USTHB Examinatrice
Mr Si-MOHAMED M., Maître de Conférences, U. Tizi-Ouzou Examinateur
Mr HENNI A., Maître de Conférences, ESI Examinateur
Mme ALQUIER A.M, Professeur, UT1 Toulouse Directeur de Thèse

LMCS (Laboratoire Méthodologies de Conception de Systèmes),


E.S.I (ex. I.N.I), BP 68M, Oued Smar, 16270, Alger
ii

RÉSUMÉ

Les organisations sont constituées de personnes dont les connaissances et


compétences sont mobilisées puis coordonnées pour atteindre un but global. Les
décideurs sont cependant les seuls à pouvoir transformer une information en
connaissance et une connaissance en information.
Nous nous intéressons plus particulièrement aux décisions complexes, stratégiques ou
tactiques telles que définies par H.A. Simon [Simon 1960]. La situation décisionnelle
est un processus engageant plusieurs décideurs à partager des connaissances
(multiples, hétérogènes, ..), sans à priori de langage commun et ce dans le cadre des
organisations par processus [Hammer 1993].
L’amélioration de la prise de décision est liée à l’acquisition des connaissances. En
effet, dans les processus de décision stratégiques (coopératives), il est fait appel à des
connaissances, des savoirs et savoir-faire répartis dans l’espace global et local de
l’organisation.
Nous considérons, qu’en général, le partage de la connaissance n’est pas spontané
dans une entreprise. Il doit par conséquent être encouragé.
Nous avons proposé AMéACAA, un cadre méthodologique pour une acquisition de
connaissances agrégées (de haut niveau) par coopération entre décideurs métiers
(agents cognitifs) et ce pour le besoin de SIAD stratégiques. Elle repose sur le modèle
coopératif de MUSIC [Alquier 1993], car ce dernier prend en compte l’hétérogénéité et
la distribution de la connaissance dans une organisation.
AMéACAA présente les caractéristiques d’être itérative et évolutive. Elle regroupe les
activités de recueil, contrôle et normalisation des connaissances hétérogènes émanant
du niveau infra (décideurs-métiers) en vu de la co-construction d’un langage commun.
Le résultat recherché est l’émergence de connaissances agrégées utiles pour le
management (niveau supra) et de là, faire évoluer la connaissance de l’organisation.
L’approche, est de plus, orientée agents. Les modèles inspirés de MAS-CommonKADS
[Iglesias 1998] permettent de décrire l’organisation formelle de la négociation
cognitive entre agents cognitifs.
Nous avons aussi réalisé EniSACAA, un environnement informatique support à
l’approche méthodologique.

Mots clés : Aide à la décision stratégique, SIAD, ingénierie des besoins,


connaissance agrégée, acquisition de connaissances, agent cognitif, coopération
cognitive, protocole de négociation.
iii

ABSTRACT

The organizations are made up people whose knowledge and competences are
mobilized then coordinated to achieve a total goal. The decision makers are the only
ones with being able to transform information into knowledge or knowledge into
information.
We are especially interested in the complex, strategic or tactical decisions as defined
by Simon [Simon 1960]. The decisional situation, is a process engaging several
decision makers sharing knowledge (various, heterogeneous) without a priori of
common language, within the framework of organizations’ by process [Hammer 1993].
The improvement of the decision-making is related to the acquisition of knowledge.
Indeed, in the strategic decision-making processes (co-operatives), it is called upon
knowledge, knowledge and know-how distributed in the global and local space of the
organization.
We consider that in general the division of knowledge is not spontaneous in a
company. It must consequently be encouraged.
We have proposed AMéACAA, a methodological approach of aggregated knowledge
acquisition. It is directed management of knowledge in the organizations by process. It
rests on the co-operative model of MUSIC [Alquier 1993], because the model takes
into account the heterogeneity and the distribution of knowledge in an organization.
AMéACAA is iterative and evolutionary. It gathers the activities of collection, controls
and standardization of heterogeneous knowledge emanating from the level will infra
(departmental decision makers) in seen co-construction of a common language
(switching language). The required result is the emergence of knowledge incorporated
by useful for management (level supra) and from there make evolve/move the
knowledge of the organization.
The approach moreover is agent-oriented. The models inspired of MAS-
CommonKADS [Iglesias 1998] make it possible to describe the formal organization of
the cognitive negotiation between cognitive agents.
We have also realized ENiSACA, a computerized environment support to AMéACAA.

Keywords : Strategic decision support systems, requirement engineering, aggregated


knowledge, knowledge acquisition, cognitive agent, cognitive cooperation,
negociation protocol.
iv

DÉDICACES

A Imed, Chakib et Djazia


v

REMERCIEMENTS

Je tiens tout d'abord à remercier mon Directeur de Thèse, le Professeur Anne-Marie


Blanc-Alquier pour la confiance qu’elle m’a témoignée en acceptant de m’encadrer et
de m’accueillir à l’UFR Informatique de l’UT1 Toulouse, à chaque fois que la demande
a été exprimée. Je la remercie également pour les éclairages judicieux relatifs à
l’ensemble des domaines de recherches embrassés par ce travail. L'aboutissement de
celui-ci doit beaucoup à sa contribution.

Je remercie vivement Mesdames et Messieurs les membres du jury d’avoir accepter


d’évaluer ce travail de recherche.

Un remerciement très particulier va à mon ami intime et frère Azzedine Chikh, M.C de
l’université de Tlemcen, pour son soutien moral et ses encouragements.
Je remercie également l’équipe MSI (Management des Systèmes d’Inoformation) et
tous les membres du Laboratoire LMCS I.N.I, pour la sympathie qu'ils m'ont
témoignée et plus particulièrement Mouloud Koudil.

Merci à tous mes collègues enseignants, et ceux parmi eux que j’ai eu en tant
qu’enseignants à l’INI, tout le personnel administratif et tous mes étudiants et ex.
étudiants.

Merci à tous ceux que m’ont aidé durant les sept derniers mois passés à Toulouse. Je
pense particulièrement à mon ami Rachid Chalal de l’INI avec qui j’ai rédigé la plupart
de mes papiers de recherche, Mme Nathalie Aussenac-Gilles de l’IRIT et les doctorants
à l’UT1 notamment Lotfi et Djawed.

Je ne remercierai jamais assez mon père Mohamed ben Menaouar, mon modèle
d’enseignant, qui m’a accompagné sans relâche par ses prières et ses encouragements.
A mon épouse, ma moitié, mon tout, pour sa patience durant les moments difficiles et
son soutien incommensurable. Elle a toujours cru en moi, souvent bien plus que moi.

A mon beau-père, qui m’a marqué par sa richesse d’esprit et sa forte personnalité.

Je remercie, enfin, toute ma famille, ma belle famille et tous ceux qui, de près ou de
loin, ont contribué à ce modeste travail.
Table des Matières i

TABLE DES MATIERES


RESUME ------------------------------------------------------------------------------------------------------------- II

ABSTRACT ---------------------------------------------------------------------------------------------------------- III

DEDICACES -------------------------------------------------------------------------------------------------------- IV

REMERCIEMENTS ------------------------------------------------------------------------------------------------- V

TABLE DES MATIERES -------------------------------------------------------------------------------------------- I

LISTE DES FIGURES --------------------------------------------------------------------------------------------- VI

LISTE DES TABLEAUX -------------------------------------------------------------------------------------------- II

CHAPITRE I. INTRODUCTION GENERALE ------------------------------------------------- 1


I.1. CONTEXTE DE RECHERCHE -------------------------------------------------------------------------------------------------2
I.2. PROBLEMATIQUE -------------------------------------------------------------------------------------------------------------3
I.3. HYPOTHESE DE BASE --------------------------------------------------------------------------------------------------------6
I.4. FONDEMENTS DE NOTRE APPROCHE METHODOLOGIQUE -------------------------------------------------------------6
I.5. STRUCTURE DE LA THESE ---------------------------------------------------------------------------------------------------9

CHAPITRE II. AIDE A LA DECISION STRATEGIQUE (COOPERATIVE) ---------- 12


II.1. INTRODUCTION ------------------------------------------------------------------------------------------------------------ 13
II.2. PRISE DE DECISION INDIVIDUELLE VERSUS COOPERATIVE ------------------------------------------------------- 14
II.2.1. Concept de décision ------------------------------------------------------------------------------------------- 14
II.2.2. Prise de décision individuelle ------------------------------------------------------------------------------ 15
II.2.3. Prise de décision coopérative ------------------------------------------------------------------------------ 19
II.2.4. Situations de décision --------------------------------------------------------------------------------------- 20
II.2.5. Synthèse et Discussion--------------------------------------------------------------------------------------- 33
II.3. OUTILS ET METHODES DE L’AIDE A LA DECISION ------------------------------------------------------------------- 34
II.3.1. Outils de l’aide à la décision -------------------------------------------------------------------------------- 34
II.3.2. Méthodes de l’aide à la décision--------------------------------------------------------------------------- 53
II.3.3. Exemple de méthode et outil d’aide à la décision stratégique : PRIMA-STRAT -------------- 61
II.4. LE SYSTEME D’INFORMATION : SOURCE DE CONNAISSANCES POUR L’AIDE A LA DECISION STRATEGIQUE 63
II.4.1. Systèmes d’information : Fondements de base -------------------------------------------------------- 63
II.4.2. Constats relatifs aux méthodes de conception des systèmes d’information-------------------- 65
II.4.3. Systèmes d’information : source potentielle de connaissances pour l’aide à la décision --- 66
II.5. CONCLUSION --------------------------------------------------------------------------------------------------------------- 68

CHAPITRE III. INGENIERIE DE CONNAISSANCES POUR L’AIDE A LA


DECISION STRATEGIQUE ---------------------------------------------------------------------- 71
III.1. INTRODUCTION ----------------------------------------------------------------------------------------------------------- 72
III.2. CONNAISSANCE----------------------------------------------------------------------------------------------------------- 73
III.2.1. Définitions ----------------------------------------------------------------------------------------------------- 73
III.2.2. Typologies des connaissances ---------------------------------------------------------------------------- 76
III.2.3. Cycle de vie de la connaissance -------------------------------------------------------------------------- 78
III.2.4. Connaissance et système cognitif de l’individu versus de l’organisation ---------------------- 79
Table des matières ii

III.3. MANAGEMENT DE CONNAISSANCES ---------------------------------------------------------------------------------- 81


III.3.1. Définition ------------------------------------------------------------------------------------------------------ 81
III.3.2. Management de connaissances et processus décisionnel ----------------------------------------- 82
III.3.3. Management de connaissances et aide à la décision ----------------------------------------------- 83
III.4. INGENIERIE DE CONNAISSANCES -------------------------------------------------------------------------------------- 84
III.4.1. Définition ------------------------------------------------------------------------------------------------------ 84
III.4.2. Ingénierie de connaissances et aide à la décision coopérative ----------------------------------- 85
III.4.3. Ingénierie ontologique ------------------------------------------------------------------------------------- 85
III.5. ACQUISITION DE CONNAISSANCES ------------------------------------------------------------------------------------ 92
III.5.1. Définition ------------------------------------------------------------------------------------------------------ 93
III.5.2. Méthodes d’acquisition de connaissances ------------------------------------------------------------- 93
III.5.3. Techniques d’acquisition de connaissances ---------------------------------------------------------- 109
III.5.4. Acquisition de connaissances et multi-expertise ---------------------------------------------------- 110
III.5.5. Synthèse et Discussion ------------------------------------------------------------------------------------ 111
III.6. CONCLUSION------------------------------------------------------------------------------------------------------------ 113

CHAPITRE IV. COOPERATION COGNITIVE POUR L’EMERGENCE DE


CONNAISSANCES AGREGEES ---------------------------------------------------------------- 117
IV.1. INTRODUCTION --------------------------------------------------------------------------------------------------------- 118
IV.2. NOTION DE COOPERATION -------------------------------------------------------------------------------------------- 119
IV.2.1. Définitions ---------------------------------------------------------------------------------------------------- 119
IV.2.2. Objectifs de la coopération ------------------------------------------------------------------------------- 120
IV.2.3. Typologies de la coopération ---------------------------------------------------------------------------- 121
IV.2.4. Méthodes de coopération --------------------------------------------------------------------------------- 122
IV.3. COOPERATION COGNITIVE -------------------------------------------------------------------------------------------- 123
IV.3.1. Groupe d’acteurs cognitifs -------------------------------------------------------------------------------- 123
IV.3.2. But du groupe ------------------------------------------------------------------------------------------------ 124
IV.3.3. Moyens de la coopération cognitive ------------------------------------------------------------------- 125
IV.4. RESULTATS DE LA COOPERATION COGNITIVE --------------------------------------------------------------------- 128
IV.4.1. Apprentissage organisationnel -------------------------------------------------------------------------- 128
IV.4.2. Emergence de connaissances de l’organisation ----------------------------------------------------- 132
IV.5. CONCLUSION ------------------------------------------------------------------------------------------------------------ 140

CHAPITRE V. INTERACTIONS DANS LES SYSTEMES MULTI-AGENTS -------- 142


V.1. INTRODUCTION----------------------------------------------------------------------------------------------------------- 143
V.2. CONCEPT D’AGENT ------------------------------------------------------------------------------------------------------ 143
V.2.1. Définition ------------------------------------------------------------------------------------------------------- 144
V.2.2. De l’objet à l’agent ------------------------------------------------------------------------------------------- 145
V.2.3. Plusieurs types d’agents ------------------------------------------------------------------------------------ 146
V.2.4. Architecture BDI : une architecture d’agents cognitifs--------------------------------------------- 151
V.3. FORMES D’INTERACTION DANS LES SYSTEMES MULTI-AGENTS ------------------------------------------------ 152
V.3.1. Coopération dans les Systèmes Multi-Agents --------------------------------------------------------- 153
V.3.2. Coordination dans les Systèmes Multi-Agents ------------------------------------------------------- 157
V.3.3. Communication dans les systèmes multi-Agents ---------------------------------------------------- 162
V.4. CARACTERISTIQUES D’UN ESPACE D’INTERACTION ---------------------------------------------------------------- 170
V.5. METHODOLOGIES ORIENTEES AGENTS ------------------------------------------------------------------------------ 173
V.6. CONCLUSION ------------------------------------------------------------------------------------------------------------- 174
Table des matières iii

CHAPITRE VI. AMEACAA (APPROCHE METHODOLOGIQUE D’ACQUISITION


DE CONNAISSANCES AGREGEES A BASE D’AGENTS) ------------------------------- 176
VI.1. INTRODUCTION --------------------------------------------------------------------------------------------------------- 177
VI.2. CARACTERISTIQUES D’AMEACAA ---------------------------------------------------------------------------------- 177
VI.3. DESCRIPTIF DETAILLE DES MODELES D’AMEACAA ------------------------------------------------------------- 182
VI.3.1. Modèle d’Agent ---------------------------------------------------------------------------------------------- 183
VI.3.2. Modèle d’expertise ------------------------------------------------------------------------------------------ 187
VI.3.3. Modèle de tâches -------------------------------------------------------------------------------------------- 188
VI.3.4. Modèle de coordination orienté négociation cognitive-------------------------------------------- 190
VI.3.5. Modèle de Conception ------------------------------------------------------------------------------------- 198
VI.4. CONCLUSION ------------------------------------------------------------------------------------------------------------ 203

CHAPITRE VII. ENISACAA (ENVIRONNEMENT INFORMATIQUE SUPPORT A


L’ACQUISITION DE CONNAISSANCES AGREGEES A BASE D’AGENTS
COOPERANTS). ----------------------------------------------------------------------------------204
VII.1. INTRODUCTION -------------------------------------------------------------------------------------------------------- 205
VII.2. OBJECTIFS ASSIGNES ------------------------------------------------------------------------------------------------- 205
VII.3. ARCHITECTURE GENERALE ------------------------------------------------------------------------------------------ 205
VII.4. ENVIRONNEMENT DE DEVELOPPEMENT -------------------------------------------------------------------------- 208
VII.4.1. Langages de programmation--------------------------------------------------------------------------- 209
VII.4.2. Editeur de développement ------------------------------------------------------------------------------- 209
VII.4.3. Plateforme des agents ------------------------------------------------------------------------------------ 209
VII.4.4. Editeur de l’ontologie ------------------------------------------------------------------------------------- 210
VII.4.5. Système de gestion de bases de données (SGBD) -------------------------------------------------- 210
VII.5. DESCRIPTION DES PRINCIPALES FONCTIONNALITES D’ENISACAA ------------------------------------------ 211
VII.5.1. Constitution d'un réseau d’agents coopérants ------------------------------------------------------ 211
VII.5.2. Gestion du projet ------------------------------------------------------------------------------------------- 212
VII.5.3. Gestion des conversations médiées entre ACMs--------------------------------------------------- 214
VII.5.5. Normalisation et validation des résultats de la négociation ----------------------------------- 215
VII.6. CONCLUSION ----------------------------------------------------------------------------------------------------------- 219

CHAPITRE VIII. CONCLUSION ET PERSPECTIVES -----------------------------------220


VIII.1. BILAN ------------------------------------------------------------------------------------------------------------------- 221
VIII.2. CONTRIBUTIONS ----------------------------------------------------------------------------------------------------- 222
VIII.3. PERSPECTIVES -------------------------------------------------------------------------------------------------------- 223

REFERENCES BIBLIOGRAPHIQUES ------------------------------------------------------ 225

ANNEXES ------------------------------------------------------------------------------------------ 242


ANNEXE A. MANAGEMENT VERSUS ORGANISATION PAR PROCESSUS ----------------------------------------------- 243
ANNEXE B. SYNTHESE DES PRINCIPALES METHODES ORIENTEES-AGENTS ----------------------------------------- 248
Liste des Figures vi

LISTE DES FIGURES


FIGURE 1. NOTION DE PROCESSUS .......................................................................................................................... 2
FIGURE 2. FONDEMENTS DE BASE D’AMEACAA .................................................................................................. 7
FIGURE 3. PROCESSUS DECISIONNEL : ALTERNANCE DE PHASES DE DIVERGENCES ET DE CONVERGENCES
[GAVRILOFF 2001] ...................................................................................................................................... 15
FIGURE 4. PROCESSUS DE DECISION SELON H.A. SIMON [SIMON 1960] ............................................................ 17
FIGURE 5. BOUCLE DE CONTRE-REACTION, INDICATEURS ET TABLEAUX DE BORD [MELESE 1972] ................... 18
FIGURE 6. LES CINQ PARTIES DE L’ORGANISATION SELON H. MINTZBERG [MINTZBERG 1982] ........................ 21
FIGURE 7. EXEMPLE DE STRUCTURE FONCTIONNELLE ........................................................................................ 22
FIGURE 8. EXEMPLE DE STRUCTURE DIVISIONNELLE .......................................................................................... 22
FIGURE 9. EXEMPLE DE STRUCTURE MATRICIELLE ............................................................................................. 23
FIGURE 10. SCHEMA PILOTE- SYSTEME TECHNOLOGIQUE [MELESE 1972] ........................................................ 25
FIGURE 11. SCHEMA D’UN SOUS-SYSTEME [MELESE 1972] ................................................................................. 26
FIGURE 12. CHAINE DE PILOTAGE (ADAPTE DE L’AMS (MELESE 1972))............................................................. 27
FIGURE 13. PROCESSUS CLES (ADAPTE DE [CHALAL 2006]) ............................................................................... 32
FIGURE 14. CLASSIFICATION DES OUTILS DE L’AIDE A LA DECISION CENTREE USAGES ........................................ 35
FIGURE 15. ARCHITECTURE D’UN SIAD [EL MANSOURI 1998] .......................................................................... 39
FIGURE 16. LES DIFFERENTS SOUS-SYSTEMES D’UN ODSS SELON [TURBAN 2001] ........................................... 45
FIGURE 17. ARCHITECTURE D’UN DATAWAREHOUSE [GOGLIN 2000] ............................................................... 46
FIGURE 18. STRUCTURE “EN ETOILE” DU MODELE DE DONNEES D’UN ENTREPOT DE DONNEES ......................... 47
FIGURE 19. PROCESSUS KDD [FAYYAD 1996] ..................................................................................................... 52
FIGURE 20. LE MODELE EN « SPIRALE » ADAPTE DEPUIS [SOMMERVILLE, 1995] .............................................. 56
FIGURE 21. DEROULEMENT DE LA METHODE ROMC. ......................................................................................... 57
FIGURE 22. ARCHITECTURE TYPE D’UN SIAD STRATEGIQUE. ............................................................................. 58
FIGURE 23. ARCHITECTURE GENERALE DE PRIMA [ALQUIER 2001]. ............................................................... 62
FIGURE 24. SYSTEME D’INFORMATION : DISCIPLINE CARREFOUR ....................................................................... 64
FIGURE 25. SYSTEME D’INFORMATION DANS L’ENTREPRISE ................................................................................ 64
FIGURE 26. NIVEAUX DE MODELISATION D’UN SYSTEME D’INFORMATION ......................................................... 68
FIGURE 27. SCHEMA CONCEPTUEL DE L’AIDE A LA DECISION............................................................................... 69
FIGURE 28. RELATIONS CONCEPTUELLES ENTRE DONNEE, INFORMATION ET CONNAISSANCE (ADAPTE DE
[DAVENPORT 1998] .................................................................................................................................... 74
FIGURE 29. TYPOLOGIE DES CONNAISSANCES SELON A.M. ALQUIER [ALQUIER 2000]. .................................... 77
FIGURE 30. LES QUATRE MODES DE TRANSFORMATION DE LA CONNAISSANCE [NONAKA 1995] ....................... 78
FIGURE 31. LIEN ENTRE CONNAISSANCE, LANGAGE ET ACTION CHEZ L’INDIVIDU [ALQUIER 2000]. ................. 80
FIGURE 32. LIEN ENTRE CONNAISSANCE, LANGAGE ET ACTION DANS UNE ORGANISATION [ALQUIER 2000]. .. 81
FIGURE 33. PRINCIPALES CATEGORIES D’ONTOLOGIES [VAN HEIJST 1997], [MIZOGUCHI 2002] ..................... 88
FIGURE 34. PRINCIPALES ETAPES DE DEVELOPPEMENT D’UNE ONTOLOGIE [FÜRST 2001] ................................ 91
FIGURE 35. TYPOLOGIE DES METHODES D’ACQUISITION DE CONNAISSANCES ..................................................... 94
FIGURE 36. MODELE DE KOD ADAPTE DE [DIENG 1990] ................................................................................... 96
FIGURE 37. CYCLE DE VIE DE KADS ADAPTE DE [DIENG 1990] .......................................................................... 98
FIGURE 38. INTERACTIONS DES MODELES KADS ................................................................................................ 98
FIGURE 39. LE SYSTEME DE REFERENCE [ERMINE 1996A] ............................................................................... 103
FIGURE 40. LES TROIS AXES DE MUSIC [ALQUIER 1993] ................................................................................ 106
FIGURE 41. STRUCTURATION EN PROFONDEUR DANS MUSIC [ALQUIER 1993] .............................................. 106
FIGURE 42. STRUCTURATION SPATIALE DANS MUSIC [ALQUIER 2000] ........................................................... 108
Liste des Figures vii

FIGURE 43. MECANISMES DE COORDINATION SELON [MINTZBERG 1982] ....................................................... 126


FIGURE 44. LES RELATIONS LANGAGE, CONNAISSANCE, SAVOIR-FAIRE ET ACTIONS, SI AUTOMATISE. ............ 128
FIGURE 45. SCHEMA DE DESCRIPTION D’UN RISQUE.......................................................................................... 139
FIGURE 46. RELATION AGENT-ENVIRONNEMENT ............................................................................................. 144
FIGURE 47. CLASSIFICATION DES PRINCIPAUX AGENTS COGNITIFS [GRISLIN-LE STRUGEON 2001]................ 149
FIGURE 48. ARCHITECTURE BDI ...................................................................................................................... 151
FIGURE 49. COMMUNICATION PAR PARTAGE D’INFORMATIONS ........................................................................ 164
FIGURE 50. LA STRUCTURE D’UN MESSAGE KQML. .......................................................................................... 166
FIGURE 51. LA STRUCTURE D’UN MESSAGE FIPA ACL. ..................................................................................... 168
FIGURE 52. GENEALOGIE DES METHODES ORIENTEES AGENT ET LES DIFFERENTES INFLUENCES [PICARD 2004]
................................................................................................................................................................... 173
FIGURE 53. PROBLEME D’AGREGATION DE CONNAISSANCES ET DE COMMUNICATION ...................................... 178
FIGURE 54. LES MODELES DE MAS-COMMONKADS [HENESEY 2003] ........................................................... 181
FIGURE 55. SYNTHESE DES MODELES D’AMEACAA .......................................................................................... 182
FIGURE 56. PRINCIPAUX AGENTS DE LA SITUATION DECISIONNELLE [GHOMARI 2006] .................................. 184
FIGURE 57. ARCHITECTURE MODULAIRE D’UN ACM ......................................................................................... 185
FIGURE 58. ARCHITECTURE MODULAIRE D’UN ASU ......................................................................................... 186
FIGURE. 59. DES CONNAISSANCES AUX DONNEES ET DES DONNEES AUX CONNAISSANCES (ADPATE D’[ALQUIER
1993] .......................................................................................................................................................... 187
FIGURE 60. DIAGRAMME DE CLASSES ................................................................................................................ 192
FIGURE 61. STRUCTURATION DE L’ESPACE PARTAGE (TABLEAU NOIR) .............................................................. 192
FIGURE 62. MODELEDE COORDINATION ORINETE NEGOCIATION COGNITIVE ................................................... 192
FIGURE 63. DIAGRAMME D’ACTIVITES « LANCEMENT DE NEGOCIATION » ....................................................... 195
FIGURE 64. LES CATEGORIES DES REACTIONS POSSIBLES A UNE PROPOSITION ................................................. 196
FIGURE. 65. DIAGRAMME D’ACTIVITES « DEROULEMENT D’UNE NEGOCIATION »............................................ 197
FIGURE 66. CARACTERISTIQUES DE L’AGENT ..................................................................................................... 199
FIGURE 67. CARACTERISTIQUES DE LA TACHE COGNITIVE................................................................................. 200
FIGURE 68. CARACTERISTIQUES DE LA PROPOSITION ........................................................................................ 201
FIGURE 69. CARACTERISTIQUES DE LA CONTRE-PROPOSITION ......................................................................... 202
FIGURE 70. CARACTERISTIQUES DE LA CRITIQUE .............................................................................................. 202
FIGURE 71. ARCHITECTURE GENERALE D’ENISACAA [GHOMARI 2007] ......................................................... 206
FIGURE 72. APPLICATION WEB 3-TIERS ............................................................................................................. 208
FIGURE 73. PAGE D’ACCUEIL D’ENISACAA ....................................................................................................... 211
FIGURE. 74. LES AGENTS D’ENISACAA ............................................................................................................. 212
FIGURE 75. PAGE CREER UN PROJET (PARTIE1)................................................................................................. 212
FIGURE 76. PAGE: CREER UN PROJET (PARTIE2) ............................................................................................... 213
FIGURE 77. PAGE D’ACCUEIL D’UN SUPERVISEUR (PROJETS EN COURS) ............................................................ 213
FIGURE 78. PAGE GESTION DES PROJETS .......................................................................................................... 214
FIGURE. 79. PAGE D’ACCUEIL ACM ................................................................................................................... 214
FIGURE. 80. GRAPHE DES CONTRIBUTIONS LORS D’UNE COOPERATION............................................................ 215
FIGURE. 81. FENETRE DE SUPERVISION D’UNE COOPERATION ........................................................................... 216
FIGURE. 82. VOLET CONTROLE DE LA COOPERATION : NOMBRE ET TYPE D’INTERACTION PAR PROPOSITION .. 217
FIGURE. 83. VOLET CONTROLE DE LA COOPERATION : TRIS DES CONTRIBUTIONS............................................ 218
FIGURE. 84. NORMALISATION ET VALIDATION D’UNE PROPOSITION SELECTIONNEE ........................................ 218
Liste des tableaux ii

LISTE DES TABLEAUX

TABLEAU 1. TYPES DE DECISIONS ET NIVEAUX DE PILOTAGE (ADAPTE DE [TURBAN 1993]) ............................... 29


TABLEAU 2. CARACTERISTIQUES DES DECISIONS STRATEGIQUES ........................................................................ 30
TABLEAU 3. COMPARATIF GESTION STRATEGIQUE, GESTION OPERATIONNELLE ................................................. 30
TABLEAU 4. PRINCIPAUX MODELES DE DECISION STRATEGIQUE D’APRES [TARONDEAU 1998] ......................... 31
TABLEAU 5. COMPARAISON DES PROCESSUS OLTP ET OLAP ............................................................................. 49
TABLEAU 6. COMPARATIF ENTRE AGENT COGNITIF ET AGENT REACTIF ............................................................. 149
TABLEAU 7. SITUATIONS DE COOPERATION [FERBER 1995] .............................................................................. 154
TABLEAU 8. LISTE DES PERFORMATIFS KQML .................................................................................................. 167
TABLEAU 9. LISTE DES PERFORMATIVES DE FIPA-ACL .................................................................................... 169
TABLEAU 10. COMPARATIF DE METHODOLOGIES ORIENTEES AGENT (ADAPTE DE [PICARD 2004] .................. 180
TABLEAU 11. NOTATIONS DE LA GRAMMAIRE DE FORMALISATION DES ENTITES [EL MANSOURI 1998]........... 199
1

CHAPITRE I. INTRODUCTION GENERALE


I. Introduction Générale 2

I.1. Contexte de recherche

De plus en plus de décisions prises par les organisations sont complexes1. Elles requièrent des
points de vue et des compétences multiples qui ne peuvent pas être maîtrisés par un seul
individu. De telles décisions relèvent donc d'un travail de groupe, et sont appelées décisions
coopératives.
Une décision coopérative peut être collective ou distribuée selon que chaque acteur s'occupe
de la résolution d'une partie du problème global seulement ou participe, au même titre que les
autres, à la résolution de celui-ci [Alquier 1993][El Mansouri, 1998][Baghdadi, 1997][Touati,
2006].
La complexité de la décision coopérative de nature collective s’analyse de notre point de vue à
travers la méthode MUSIC [Alquier 1993] par l’ajout ou non d’un des axes de modélisation
(profondeur, espace, temps). Partant d’une décision opérationnelle, à chaque fois que nous
ajoutons un axe, nous nous orientons vers la stratégie. Ainsi, si la décision stratégique
individuelle ajoute l’axe profondeur, la décision stratégique coopérative combine elle l’axe
espace à l’axe profondeur.

Du point de vue de l’aide à la décision, Kroenke & Hatch évoquent deux types d’aide à la
décision stratégique [Kroenke 1994] :
• celle qui s’adresse aux décideurs stratégiques (plutôt monopersonnelle ou
individuelle),
• et celle qui s’appuie sur une vision transverse (coopérative).
Nous nous intéressons plus particulièrement à ce second type d’aide à la décision stratégique
(coopérative). Il possède de réelles potentialités de changement dans une organisation.

Du point de vue de l’organisation de l’entreprise, nous nous plaçons dans des situations de
travail nouvelles et difficiles, liées à l’organisation par processus [Hammer 1993]. Un
processus étant la coordination d’un ensemble étendu d’activités menées par diverses unités
organisationnelles de l’entreprise (figure ci-contre).

sortants
Intrants
Processus client
service

Une transformation ajoutant de la valeur et


impliquant des personnes et leurs
compétences ou autres moyens

Figure 1. Notion de processus

Un processus est focalisé sur deux points de vue :


• celui du client (ses exigences et sa satisfaction)

1
Complexes : stratégiques ou tactiques telles que définies par H.A. Simon [Simon 1960].
I. Introduction Générale 3

• et celui de l’entreprise (à un haut niveau de visibilité managériale et de coopération


entre unités organisationnelles).

L’organisation par processus est considérée comme une amélioration fondamentale de


l’organisation et des résultats de l’entreprise, la meilleure réponse aux exigences d’innovation
et d’efficacité [Hammer 1993]. Les améliorations sont visibles et remarquables :
• tant du point de vue de la production : améliorations en coût, délais, qualité, utilité,
cohérence, variabilité,...
• que du point de vue du management : meilleure confrontation aux incertitudes du
marché et de la compétition, adaptation plus rapide aux changements de
l’environnement, meilleures capacités d’innovation, et avantages compétitifs décisifs.

L’organisation par processus permet ainsi de mettre en place des structures du travail orientée
processus dans l’entreprise. L’approche qualité, la diffusion de l’innovation technologique
[Porter 1985], l’usage compétitif de la technologie de l’information [Davenport 1993], la
gestion de projet [Duncan 1996], sont des approches d’organisation de processus bien
connues.

Le management par processus de son côté, se préoccupe de l’aspect management des


processus, une fois qu’ils sont définis. Il s’agit de mettre un processus sous la responsabilité
d’un manager et de définir des mécanismes de contrôle au niveau processus et entreprise.
C’est une approche radicale, difficile et longue exigeant des activateurs puissants. Des
exemples de ces processus sont notamment, la gestion des projets industriels complexes
(construction de bâtiments, production de systèmes industriels, etc.), le lancement de
formations nouvelles etc... L’intérêt de construire des réseaux, formés d’agents
potentiellement coopérants, capables de réagir rapidement prend toute son importance.
L’entreprise moderne doit donc adopter :
• Une organisation par processus, permettant la création de connaissances. Nous nous
sommes positionnés dans la vision de [Nonaka 1994] [Davenport 1993],
• Une attitude managériale orienté processus (désignation des responsables de processus,
définition de mécanismes de contrôle à tous les niveaux,…)[Hammer, 1993]
• Une approche intégrée et cognitive du Système d’Information d’une entreprise est donc
nécessaire [Alquier 2000][Ermine 1996a][Zacklad 2000]. Elle suppose la prise en compte
cohérente de tous les aspects d’informatisation, et notamment les usages à forte valeur
ajoutée : aide à la décision, management des connaissances, ...

I.2. Problématique

La décision, notamment la décision complexe, est basée sur la capacité à manœuvrer la


connaissance et est une activité de fabrication de nouvelles connaissances par rapport à une
action à engager. Nous nous appuyons sur le constat d’Holsapple à savoir, « la connaissance
I. Introduction Générale 4

est la matière première, le processus et le produit fini de la prise de décision » [Holsapple


1996].

Le décideur est donc le seul à pouvoir transformer une information en connaissance ou une
connaissance en information. Ainsi, L’aide à la décision est à aborder comme un système de
connaissances. L'efficacité de l'action dans une organisation va donc dépendre de la qualité
des connaissances mobilisées par les agents, de la coordination de leurs utilisations et de leurs
modifications dans le temps.

Dans les processus de décision stratégiques (coopératives), il est fait appel à des
connaissances, des savoirs et savoir-faire répartis dans l’espace global et local de
l’organisation. Ces connaissances sont agrégées et synthétiques et ne sont en général pas
organisées dans les entreprises et ce, pour deux raisons :
• Elles ne sont pas produites par les niveaux inférieurs de la hiérarchie, d’où elles
proviennent pourtant. Les connaissances y sont détaillées, volumineuses, dispersées,
correspondant aux procédures de travail et aux tâches quotidiennes [Bouguettaya
1998]. Ces connaissances sont cependant au niveau des tâches. Elles ne sont pas
directement utilisables au niveau du management. Elle doivent faire l’objet d’un
traitement particulier pour un usage en aide à la décision stratégique. Elles peuvent
néanmoins être exploitées comme des connaissances lorsqu’elles sont mises en
perspective par rapport à des décisions à prendre (requêteurs, datamining, ...). En
effet, mises à jour fréquemment, aisément disponibles, ils doivent pouvoir profiter à
l’aide à la décision. De plus, les outils existants donnent de nouvelles possibilités (Base
de données multidimensionnelles [Codd 1993], OLAP,...). Les acteurs locaux ont des
difficultés à communiquer et à agréger leurs connaissances pour qu’elles soient
utilisables pour le management.
• Elles ne sont pas produites par le niveau supérieur : Les managers ont d’une part, des
difficultés à exprimer leurs attentes et leurs indicateurs. Ils n’ont aucun usage de la
connaissance des niveaux inférieurs telle que celle-ci se présente : détaillée,
volumineuse et dispersée. Quand des indicateurs sont formulés, il est constaté que les
unités organisationnelles (niveau inférieur) ont des difficultés à synthétiser leurs
connaissances en indicateurs, d’autre part. Or ces connaissances agrégées ont un
intérêt majeur : la cohérence entre le management et l’opérationnel, la mise en œuvre
des directives de management dans les opérations quotidiennes.
L’amélioration de la prise de décision stratégique est ainsi liée à l’acquisition des
connaissances. L’amélioration peut porter sur une amélioration du processus cognitif et/ou
sur une amélioration de la connaissance sur la situation décisionnelle.

Nous avons identifié au moins deux problèmes que sont :


I. Introduction Générale 5

I.2.1. Le problème de l’acquisition et formulation explicite des


connaissances du décideur

Ce premier problème est relatif à l’acquisition et la formulation explicite des connaissances du


décideur local ou décideur métier. Le décideur est perçu comme un agent cognitif ayant des
capacités de perception, de raisonnement/interprétation (expertise du domaine) et d’action
[Ferber 1995]. Il dispose de connaissances locales et d’un ou plusieurs modèles de
raisonnement à travers notamment le ou les SIAD disponibles. Leurs intérêt est qu’ils
constituent un corpus de connaissances car ce sont les décideurs qui les ont produits et
utilisés. Donc il ne se pose pas de problème d’insertion d’un outil inconnu et difficile à utiliser.
En l’absence de SIAD, il faut effectuer de l’acquisition de connaissances non formulées et non
structurées. Il est toujours possible de la faire en lieu et place du décideur, en analysant la
situation de décision grâce à l’AMS (Analyse Modulaire des Systèmes) [Mélèse 1972].

I.2.2. Le problème d’acquisition de connaissances agrégées co-


construites par les décideurs-métiers pour le besoin du management
Le second problème réside dans la complexité de l’acquisition des connaissances agrégées co-
construites par les décideurs métiers pour le besoin du niveau management.
En effet, le décideur est dans une structure organisationnelle qui l’oblige à communiquer voire
coopérer. Dans ses activités, le décideur transforme les connaissances qu’il a constituées pour
sa prise de décision ou pour les communiquer. Ce comportement (plus ou moins) coopératif se
matérialise par une perception et une interprétation du but fixé par le niveau supérieur (dans
le cadre de la structure organisationnelle) et par un rôle à jouer dans le cadre de la
coopération.
Les modèles et techniques de gestion de projets sont à voir différemment pour le niveau
management (business)2. En effet, le manager de processus ne peut utiliser les connaissances
détaillées du niveau hiérarchique inférieur. Il a besoin de connaissances agrégées et d’une
intermédiation.

Nous nous focalisons sur l’amélioration de la situation décisionnelle qu’est la prise de décision
coopérative dans le cadre d’une organisation par processus. Cette situation décisionnelle
montre clairement :
• Une multiplicité d’acteurs (décideurs-métiers),
• une dynamique dans la co-construction coopérative de connaissances aggrégées (les
besoins doivent être cohérents, gérés de façon cohérente par rapport à des besoins
d’organisation),
• un besoin de faire émerger de la connaissance de haut niveau (business).

2
Correspond au niveau stratégique et tactique selon le découpage des niveaux de décisions [Anthony 65].
I. Introduction Générale 6

I.3. Hypothèse de base


Nous considèrons qu’en entreprise, le partage de connaissances n’est en général pas spontané.
Il doit être par conséquent encouragé.

En effet, au niveau de l'individu, la coopération est modulée par la confiance qu’il porte envers
les autres acteurs. Cette confiance peut revêtir trois formes [Zucker 1986] :

 elle peut être fonction de caractéristiques propres à la personne telle que


l’appartenance à un groupe, à une famille, à une ethnie (il s’agit de la confiance intuitu
personae) ;

 elle peut également être liée aux précédents échanges, à la réputation de l’autre acteur
(il s’agit alors de la confiance relationnelle) ;

 elle peut être liée à une structure formelle garantissant les activités de l’autre acteur
(cette confiance est nommée institutionnelle). Notre thèse s’inscrit plutôt dans cette
forme.

Nous partons ainsi de l’hypothèse suivante : Les décideurs locaux (ayant des points de vues
différents) sont capables d’interagir en local (échange, explication, ajustement, ..) pour co-
construire un langage commun. Au bout d’un certain temps, à partir de leurs propres besoins
et des besoins exprimés par le responsable du projet (niveau global), un langage commun se
constitue et constitue un langage pivot de la coopération. Ce langage pivot est le résultat d’un
processus d'harmonisation et de communication de connaissances hétérogènes et diversifiées.
Il favorise la diversité ; l'hétérogénéité est considérée comme fertile et facteur d’innovation,
comme l’ont montré [Nonaka, 1995] et [Davenport, 1998].

Le moyen pour y parvenir consiste à décrire une approche méthodologique permettant à une
organisation de structurer de façon systématique les connaissances agrégées et synthétiques
d’un niveau coopératif infra pour faire émerger des connaissances décisionnelles du niveau de
management.

I.4. Fondements de notre approche méthodologique


Les fondements épistémologiques et méthodologiques de notre travail de recherche reposent
sur le constructivisme3 [Piaget 1970] et l’interactionnisme4 [Varela 1989]. Il y a en effet une
boucle de causalité mutuelle, voire un rapport complexe :
• entre la connaissance du tout et sa structure: l'organisation

3
Jean Piaget (1896-1980). Le constructivisme a donné naissance à l’épistémologie constructiviste pour
répondre à des questions relatives à la nature, à l’objectif, aux sources et à la validité des connaissances.
L’épistémologie constructiviste reconnaît le caractère relatif de la connaissance et sa dépendance de la
construction du sens par les individus en se basant sur leurs expériences et leurs interactions avec leur
environnement (contexte).
4
le "faire-émerger", c'est à dire amorcer ou accélérer la construction de connaissances ou savoirs
nouveaux.
I. Introduction Générale 7

• et entre les connaissances de ses composants : les acteurs locaux (décideurs métiers) .
Ils sont à la fois produits et producteurs les uns des autres. Les organisations sont des
systèmes adaptatifs et intelligents dont les connaissances évoluent au cours du temps.

L’approche méthodologique que nous proposons est baptisée AMéACAA (Approche


Méthodologique d’Acquisition de connaissances Agrégées à base d’Agents coopérants). Elle est
orientée management des connaissances dans les organisations par processus. Elle a la
caractéristique d’être un semi-prototypage. Elle repose :
• d’une part, sur une analyse itérative des besoins permettant une évolutivité,
• elle prend source des activités existantes d’autre part. En effet, dans le cadre de
décisions peu ou pas structurées comme celles auxquelles nous nous intéressons, nous
recherchons les exigences dans l’organisation de l’entreprise elle-même.

Elle repose sur les trois principes suivants, illustrés par la figure ci-contre:

AMéACAA

(3)
(2)
(1)

une démarche
une ingénierie des
d'acquisition de L'exploitation
besoins de l'aide à
connaissances de des agents
la décision
l'organisation

Figure 2. Fondements de base d’AMéACAA

1. Une ingénierie des besoins de l’aide à la décision


L’ingénierie est « un ensemble de concepts, d’outils et de méthodes généralisables,
reproductibles et évaluables » [Tort 2000]. L’ingénierie des besoins elle, est une activité
exploratoire guidée par la compréhension des objectifs de l’organisation étudiée et des
activités permettant leur réalisation. Elle est créative, car elle se situe dans une démarche
d’explicitation et de formalisation des besoins [Tort 2000].

L’ingénierie de l’aide à la décision englobe deux types d’ingénierie, celle des besoins et celle de
réalisation. Nous nous intéressons plus particulièrement à l’ingénierie des besoins de l’aide à
la décision. Cette dernière, analyse la prise de décision sous son double volet : [Alquier 1993]
• Le processus de prise de décision, toujours mené par un ou plusieurs décideurs. Nous
ananlyseons le fonctionnement cognitif du décideur, selon le principe général de la
rationalité limitée de H.A. Simon.
• Les exigences de la situation de décision. Dans le cadre de décisions peu ou pas
structurées et normalisées comme celles auxquelles nous nous intéressons, il faut en
effet rechercher des exigences dans l’organisation de l’entreprise elle-même. Nous
axerons beaucoup plus sur les décisions stratégiques (coopératives).

L’aide à la décision coopérative suppose un modèle différent du SI :


I. Introduction Générale 8

• Elle est à aborder comme un système de connaissances, « la connaissance est la


matière première, le processus et le produit fini de la prise de décision » selon
[Holsapple, 1996]. Le décideur est donc le seul à pouvoir transformer une information
en connaissance ou une connaissance en information. L’aide à la décision et le
management de connaissances sont ainsi étroitement articulés
• Elle est à structurer par rapport aux activités de création de connaissances et de prise
de décision plus ou moins complexe.

Pour prendre en charge le problème des grands processus et de l’hétérogénéité due à la


distribution spatiale des connaissances, nous nous référerons au modèle coopératif de la
méthode MUSIC [Alquier 1993] [Baghdadi 1997].

MUSIC [Alquier 1993][Prince 1996][Alquier 1998 a] propose une approche de conception du


système d'information orientée par des finalités de :
• Management des connaissances,
• Aide à la décision stratégique,
• et de management par processus.
Ce modèle distingue quatre systèmes de connaissances : le système de connaissance collectif,
le système de connaissance départemental, le système de connaissance individuel et le
système de connaissance coopératif. L'intérêt du dernier modèle cité, est qu'il nous permet de
spécifier l'ensemble des connaissances mises en œuvre dans le cadre d'une prise de décision
coopérative.
Toutefois, pour le besoin ce cette thèse, nous ne ferons pas de distinction entre connaissances
individuelles et connaissances départementales (métiers). Elles représentent les
connaissances spécialisées dont dispose un agent, quelles soient permanentes (indépendantes
du contexte) ou contextuelles (relatives à la tâche qui lui est allouée). Les connaissances
coopératives comprennent les connaissances émergeantes de la coopération (connaissances
co-construites).

2. Une acquisition de connaissances de l’organisation (connaissances


business)
La « connaissance de l’entreprise » est devenue ainsi un centre d’intérêt marqué, à la fois pour
les entreprises et en recherche. La connaissance est placée au centre de l’organisation comme
un véritable actif stratégique.
Les Sciences Cognitives s'intéressent essentiellement aux processus cognitifs individuels.
Nous nous sommes intéressé ici, à la connaissance d'une Organisation (ou plus généralement
de groupes d'individus réunis et organisés pour atteindre une finalité déterminée) comme un
"knowledge construct"5.

5
le produit de tous les processus de connaissance, une émergence ayant sa structure propre
[Wojciechowski, 78].
I. Introduction Générale 9

La situation décisionnelle qui nous intéresse est caractérisée par :


• un processus d’acquisition : regroupant des activités de recueil, contrôle,
normalisation, ..) des connaissances hétérogènes émanant du niveau infra (décideurs-
métiers). C’est par le biais d’un langage commun co-construit que le niveau supra
constitue de nouvelles connaissances explicites ;
• des corpus : Les SIAD locaux sont considérés comme nos principales sources de
connaissances ;
• des auteurs de corpus: Les décideurs métiers sont les principaux acteurs au niveau
local. Ils sont dans une structure d’organisation et une situation organisationnelle qui
les oblige à communiquer voir à coopérer. Leur comportement se matérialise par une
perception et une interprétation du but fixé par le niveau supérieur et par un rôle à
jouer dans le cadre de la coopération cognitive.

3. L’exploitation des systèmes multi-agents:

Les méthododologies à base d’agents fournissent des abstractions, des protocoles et des
langages de haut niveau pour traiter la distribution, l'hétérogénéité et l’autonomie qui sont
inhérentes à l’organisation coopérative. Elles permettent de décrire la coordination entre
acteurs tant au niveau micro à travers les aptitudes cognitives des agents eux-mêmes, qu’au
niveau macro à travers des abstractions organisationnelles telles que les rôles, les groupes, les
engagements, etc…
Afin de décrire et d’opérationnaliser l’approche proposée, notre choix s’est porté sur la
méthode MAS-Common KADS et certains de ses modèles descfiptifs. Cette dernière met en jeu
des agents à forte granularité (agents cognitifs) ainsi que des techniques de conception des
protocoles dans le but de modéliser les agents et les interactions entre agents [Iglesias 1998].

I.5. Structure de la thèse


Notre rapport de thèse est structuré en huit chapitres de la manière suivante :

Après un premier chapitre « introduction générale », dans lequel on présente le contexte de


recherche, la problématique, l’hypothèse de base et un aperçu des fondements de base de
l’approche méthodologique proposée, les quatre chapitres suivants sont consacrés à l’état de
l’art relatif aux principaux domaines concernés par notre problématique. Le sixième et
septième chapitre décrivent respectivement l’approche méthodologique AMéACAA,
permettant à une organisation de structurer de façon systématique les connaissances agrégées
et synthétiques d’un niveau coopératif infra pour faire émerger des connaissances
décisionnelles du niveau de management supra et EnISACAA, la plate-forme logicielle support
à AMéACAA.
I. Introduction Générale 10

Le second chapitre présente un état de l’art du domaine de l’aide à la décision et plus


particulièrement, l’aide à la décision stratégique (coopérative). Nous y aborderons
successivement :
• La prise de décision selon qu’elle soit individuelle ou coopérative: Nous analyserons le
fonctionnement cognitif d’un décideur puis d’un groupe de décideurs, puis les
situations de décision en axant sur les décisions stratégiques.
• L’aide à la décision à travers deux volets : les outils de l’aide à la décision et les
méthodes de conception de systèmes d’aide à la décision. En ce qui concerne le
panorama des outils de l’aide à la décision, une classification a été adoptée selon qu’ils
soient destinés à un individu (un décideur), un groupe de décideurs ou à l’organisation
dans son ensemble.
• L’analyse du rôle du système d’information comme source potentielle de
connaissances pour l’aide à la décision stratégique. Nous montrerons qu’une
approche intégrée et cognitive du Système d’Information d’une entreprise est donc
nécessaire et ce à travers la prise en compte cohérente de tous les aspects
d’informatisation, et notamment les usages à forte valeur ajoutée : aide à la décision,
management des connaissances, ...

Nous concluerons sur le constat d’Holsapple, à savoir que «la connaissance est la matière
première, le processus et le produit fini de la prise de décision stratégique » [Holsapple 1996].
En d’autres termes, les connaissances sont intimement liées à la prise de décision et qu’il est
important de considérer les activités de prise de décision comme corpus de base pour
l’acquisition de connaissances business.

Le troisième chapitre tente de présenter un domaine aussi vaste qu’est l’ingénierie des
connaissances at analyser son apport pour l’aide à la décision stratégique.

Nous présentons les concepts de base que sont la connaissance, le management de


connaissances, l’ingénierie de connaissances et enfin l’acquisition de connaissances. Une
typologie des principales méthodes d’ingénierie de connaissances est dressée en adoptant une
classification différenciant les méthodes d’acquisition à partir d’un individu de ceux adoptant
une approche plus globale (toute l’organisation).
Nous montrerons à la fin du chapitre que l’ingénierie de connaissance apporte à l’ingénierie de
l’aide à la décision tout le savoir-faire d’acquisition de connaissances et de modélisation de
processus cognitifs.

Le quatrième chapitre se focalise sur la coopération cognitive pour l’émergence de


connaissances agrégées. L’objectif de ce chapitre est de clarifier le concept de coopération et
plus particulièrement la coopération cognitive au travers des acteurs cognitifs que sont les
décideurs métiers, les buts, les moyens de la coopération (coordination, langage) et les
résultats que sont l’apprentissage organisationnel et l’émergence de connaissances agrégées.
I. Introduction Générale 11

Nous tenterons de démythifier la notion d’émergence à travers les définitions, les principales
caractéristiques et des exemples de phénomènes émergents.

Le cinquième chapitre présente une synthèse sur l’interaction telle qu’elle est perçus par la
communauté de chercheurs en SMA (Systèmes Multi-Agents). Nous aborderons tout d'abord
le concept d'agent (de l’objet à l’agent) et des systèmes multi-agents. Nous axerons par la suite
sur les formes d’interaction dans les systèmes multi-agents que sont: la coopération, la
coordination et la communication. Nous décrirons ensuite les principales caractéristiques d’un
espace d’interaction. Enfin, un descriptif des principales méthodes orientées agents est dressé
en s’inspirant d’un comparatif plus large effectué par Picard [Picard 2004].

Le sixième chapitre décrit l’approche d’acquisition de connaissances agrégées à base d’agents


pour les systèmes d’aide à la décision stratégique baptisée AMéACAA. Nous présenterons
l’approche via ses principaux modèles inspirés de MAS-CommonKADS permttant ainsi de
décrire une organisation formelle. Le modèles d’agents et de coordination (orienté négociation
sémantique) se taillent la part du lion.

Le septième chapitre est consacré à la description de l’environnement informatique support


à AMéACAA baptisé EnISACAA, capable d’offrir un espace de médiation utile pour l’ingénierie
de l’aide à la décision coopérative dans les organisations par processus. Un prototype de
l’environnement en pahse de finalisation est décrit. Enfin, un exemple d’application est
déroulé afin de montrer l’utilisation des princiaples fonctionnalités des modules de
l’environnement informatique.

Le huitième chapitre est réservé à la conclusion (bilan et principales contributions) ainsi que
les perspectives de ce travail de recherche.

Un chapitre Annexes présente un complément d’informations sur deux aspects importants de


la thèse. L’annexe A détaille le contexte du travail de recherche qu’est l’organisation par
processus. L’annexe B elle, synthétise les principales méthodologies orientées agents.
II. Aide à la décision stratégique (coopérative) 12

CHAPITRE II. AIDE A LA DECISION STRATEGIQUE


(COOPERATIVE)

"Tout progrès de la connaissance profite à l'action, tout progrès de l'action profite à la


connaissance". [Edgar Morin]
II. Aide à la décision stratégique (coopérative) 13

II.1. Introduction

Le but de l’aide à la décision est de rendre le travail plus intelligent et d’opérer un changement
dans les méthodes de travail personnelles (efficacité) et de l’entreprise (efficacité, réactivité,
productivité, innovation).
Les attentes des managers, au regard des potentialités des Systèmes d’Aide à la Décision,
annoncées dans les recherches sont triples [Carlsson 2002]:
• les décideurs peuvent résoudre des problèmes complexes d’une manière plus efficace ;
• les décideurs peuvent prendre des décisions plus rationnelles, sans pour autant utiliser
des outils d’optimisation ;
• les décideurs peuvent profiter pleinement de leurs capacités cognitives, les activités
routinières étant à la charge du SIAD.
Seulement les attentes ne rejoignent pas toujours les résultats.

Nous avons organisé ce chapitre de la manière suivante :

• La prise de décision selon qu’elle soit individuelle ou coopérative.


L’ingénierie de l’aide à la décision englobe deux types d’ingénierie, celle des besoins et
celle de réalisation. Nous nous intéressons plus particulièrement à l’ingénierie des
besoins. Cette dernière, analyse la prise de décision sous son double volet : [Alquier
1993]

o Le processus de prise de décision, toujours mené par un ou plusieurs


décideurs. Nous ananlyseons le fonctionnement cognitif du décideur et.des
décideurs, selon le principe général de la rationalité limitée de H.A. Simon.

o Les exigences de la situation de décision. Dans le cadre de décisions peu ou pas


structurées et normalisées comme celles auxquelles nous nous intéressons, il
faut en effet rechercher des exigences dans l’organisation de l’entreprise elle-
même. Nous axerons beaucoup plus sur les décisions stratégiques
(coopératives).

• L’aide à la décision stratégique, Nous nous intéressons plus particulirement à


l’aide à la décision stratégique dans la cadre de la seconde approche (cognitive). Deux
types d’aide à la décision stratégique sont relevés par Kroenke & Hatch [Kroenke
1994] :

o celle qui s’adresse aux décideurs stratégiques (plutôt individuelle ou


monopersonnelle),

o et celle qui s’appuie sur une vision transverse (coopérative). en présentant


succesivement un panorama des outils de l’aide à la décision.
II. Aide à la décision stratégique (coopérative) 14

Nous adoptons une classification des outils selon les usages (individuel (un décideur),
groupe ou l’organisation dans son ensemble) puis les principales méthodes de
conception de systèmes d’aide à la décision (individuel et stratégique) et un aperçu
des méthodes dédiées à certains outils.

• Un intérêt particulier sera ensuite accordé aux systèmes d’information comme


source de connaissances pour les systèmes d’aide à la décision
stratégique.

• Enfin, un bilan est dressé.

II.2. Prise de Décision individuelle versus Coopérative

II.2.1. Concept de décision

« La décision, qu'elle soit monolithique ou basée sur un travail de groupe, peut être définie
comme un engagement dans une action, le signal d'une intention explicite d'agir »
[Mintzberg 1982].
Elle est toujours prise pour résoudre un problème qui se pose à l'organisation ou à l'individu
[Lévine 1989]. Il peut s'agir d'une réponse à une modification de l'environnement ou d'une
saisie d'une opportunité.
Les approches théoriques de la prise de décision façonnent la manière avec laquelle un
système d’aide à la décision sera conçu. Une interprétation historique de la théorie
décisionnelle permet de dégager deux grandes étapes successives du point de vue de la mise en
oeuvre de Systèmes d’Aide à la Décision [Lebraty 2001].
• Le courant de la recherche opérationnelle : Les premières théories décisionnelles se
fondaient sur l’application d’un modèle normatif de la décision conduisant à
déterminer une solution optimale face à un problème donné. Cette vision
optimisatrice consistait en la détermination d’un ensemble des possibles et dans le
calcul de la solution optimale selon un critère prédéfini. Pour faire face à la complexité
décisionnelle, deux aménagements ont été mis oeuvre. Premièrement, afin de prendre
en compte l’incertitude liée aux états de la nature, les analyses probabilistes se sont
développées. Deuxièmement, pour intégrer les préférences des décideurs, la théorie
des probabilités subjectives a été adoptée avec comme critère de décision, celui de
l’utilité subjective [Roy 1985]. De nombreux Systèmes d’Aide à la Décision ont été
conçus en fonction de ce courant théorique. Ces Systèmes d’Aide à la Décision se
fondent donc sur des modèles mathématiques de haut niveau. Des applications ont été
développées dont, notamment le domaine de l’aide aux décisions financières.
• Les approches comportementalistes et cognitives : La précédente approche,
normative et optimisatrice de la prise de décision, a largement été remise en cause par
l’introduction de la psychologie et des sciences cognitives [Tversky 1974]. Cette
II. Aide à la décision stratégique (coopérative) 15

seconde étape est marquée par la reconnaissance d’un type de raisonnement efficace,
fondé sur des heuristiques. On entend par heuristique : « une démarche relativement
empirique, établissant des hypothèses provisoires dans laquelle l’imagination,
l’expérience, et l’histoire personnelle ont une place non négligeable ». Ces modes de
raisonnements heuristiques permettent de résoudre des problèmes pour lesquels
l’énumération exhaustive des états de la nature s’avère impossible. Ils constituent un
moyen indirect, mais efficace d’appréhender des problèmes complexes pour lesquels
la démarche algorithmique est inapplicable. Ce courant dit des « théories
cognitives », s’attache à étudier le processus de décision [Simon 1960][Newell 1972].
On ne cherche plus à déterminer un critère d’utilité mais à comprendre les étapes qui
s’enchaînent lors d’une prise de décision. La vision organisationnelle de la décision
postule que le décideur ne possède pas une connaissance totale de la situation, d’où le
terme de rationalité limitée cher à H.A. Simon [Simon 1983].

Nous nous intéressons moins à la recherche d’un résultat optimal, qu’aux fonctions
psychologiques qui traitent et interprètent l’information. Ainsi se constitue une approche
cognitive de la prise de décision, c'est-à-dire liée à la connaissance des décideurs.

II.2.2. Prise de décision individuelle

II.2.2.1. Processus cognitif du décideur

Le processus de décision peut être vu comme une alternance de phases de divergences et de


convergences comme le montre la figure 3. Il est décrit comme un ensemble d’activités non
nécessairement séquentielles.

Besoin Problème, Souhait, contexte

1ère activité
Divergence lors de l'exploration
1er moment
du problème et du contexte
Exploration

2ème moment 2ère activité


Reformulation Re- convergence dans la
formulation du problème

3ème activité
Divergence pour recherches et
3ème moment
production des idées
Production d'idées

4ème moment 4ème activité


Selection d'idées Re-convergence pour sélection
et choix des idées

Décision

Solution
potentielle

Figure 3. Processus décisionnel : alternance de phases de divergences et de convergences


[Gavriloff 2001]
II. Aide à la décision stratégique (coopérative) 16

Le processus de décision est aussi décrit comme tâtonnant et ne peut être détaillé à l'avance.
Le décideur procède par buts partiels, définis étape par étape. Les étapes sont à horizon limité,
sont parcourues de façon non linéaire et font l'objet de retours en arrière car les buts partiels
choisis peuvent être des impasses dans l'atteinte de la solution. Les critères de décision utilisés
tout au long du processus peuvent changer, voire être contradictoires.
Le décideur est guidé dans ses tâtonnements par son expertise et son savoir-faire, il recherche
des solutions aux problèmes à résoudre en utilisant ses heuristiques. Le principe de recherche
énoncé par Simon désigne cette démarche par essais-erreurs.
En effet, d'après Le Moigne [Le Moigne 1990], les approches systémiques de modélisation des
processus de décision sont nées des observations de processus de décision réalisées par Simon.
En effet, on considère alors le modèle complexe de la décision entendue comme un processus
cognitif complexe et non plus comme un objet tenu pour bon ou mauvais au regard d'un
unique critère de rationalité disjonctive.
Le décideur développe donc une expertise, des heuristiques, des modèles cognitifs qu'il aura
du mal à expliquer avant d'avoir pris sa décision. Le décideur traite des connaissances
enfouies, avec un haut niveau d'opérationnalité par rapport aux problèmes qu'il a à résoudre.
Dans ce contexte, le décideur cherche la ou les première(s) solution(s) qui lui procure un
résultat satisfaisant par rapport à son niveau d’aspiration (principe de satisfaction). C'est le
principe de rationalité limitée.

II.2.2.1.1. Rationalité Limitée

Les modèles habituels de décision supposent que le décideur dispose d’une information
complète. Lorsque la réalité ne corrsepond pas à la théorie, on remet en question le postulat de
la rationalité de l’acteur [Jarronson 2004]
Dans la pratique, acquérir de l’information demande du temps, cela induit un coût en énergie
et éventuellement en argent. Le décideur ne dispose pas d’une information complète pour
décider et il le sait. Il ne serait pas forcément rationnel. Le décideur ayant l’intuition de ses
limites, ne cherche pas à prendre la meilleure décision mais une décision acceptable comptet
tenu de ses objectifs. L’horizon de la rationalité est ainsi limité.

Le décideur est un expert et est le centre du dispositif à mettre en place pour améliorer la
décision. Simon H.A [Simon 1960] a focalisé ses travaux sur le rôle du décideur et son
processus de décision. Son processus cognitif, est décrit par ce dernier et reste toujours la
référence.

H.A. Simon [Simon 1983] considère que les capacités cognitives de l'homme sont limitées. Il
ne peut pas appréhender tous les choix possibles. Ce que cherche le décideur c'est une solution
satisfaisante compte tenu de ses fins. C'est le principe de la rationalité limitée, qui correspond
à la recherche d'une solution satisfaisante et l'affirmation que l'on peut organiser
rationnellement le processus de recherche de cette décision. Cela signifie que la rationalité est
dans la procédure.
II. Aide à la décision stratégique (coopérative) 17

La rationalité procédurale correspond à la façon dont l'être humain conduit son raisonnement
en rapprochant ses propres intentions à ses perceptions de l'environnement.

II.2.2.1.2. Modèle IDC

De nombreux modèles de prise de décision sont fondés sur cette vision. Le modèle le plus
référencé dans la littérature est celui de H.A. Simon [Simon 1983] qu’est IDC (Intelligence -
Design - Choice). Une quatrième phase appelée « Review ou implémentation » fut rajoutée
ultérieurement au modèle. La confrontation avec l'action et les résultats de l'action amène
également le décideur à revoir le processus (cf. Figure 4) :

Intelligence
Feed-back
Design s

Choice
Action

Evaluation

Figure 4. Processus de décision selon H.A. Simon [Simon 1960]

Ces phases ne se déroulent pas de façon séquentielle ; elles font l'objet de retours en arrière,
d'ajustements, de corrections, de reprises de résultats antérieurs,…:
• La phase « Intelligence » comprend plusieurs tâches :
o Définir le problème à résoudre,
o Rechercher les informations pertinentes selon les questions que se pose le
décideur. La phase implique ainsi une classification de ces informations. En effet,
dans certains problèmes, il est parfois difficile de trouver les informations
pertinentes ; or ce sont elles qui sont à l'origine du processus de décision et leur
choix est crucial. La recherche d'information est une phase longue et difficile. Les
informations pertinentes sont le plus souvent disséminées, peu accessibles,
hétérogènes, non structurées Elles influencent fortement les autres phases puisque
les autres choix en découlent,
o Rassembler les informations,
o Organiser les informations dans une représentation du problème utilisable par la
mémoire du décideur,
o Feedback (ou retour en arrière): toute activité peut être interrompue pour
reprendre des activités antérieures (principe de recherche) : compréhension de la
situation de décision, recherche de nouvelles informations,….
• La phase «Design» ou Conception : consiste à construire et étudier des solutions, à
partir et en utilisant les informations sélectionnées. Durant cette phase, différents
ensembles d’actions possibles sont analysés. Le modèle de la situation de décision est
II. Aide à la décision stratégique (coopérative) 18

construit et conceptualise le problème et ses abstractions sous une forme quantitative et/ou
qualitative. Si nécessaire, des hypothèses simplificatrices seront faites afin de rendre le
problème plus facile à comprendre et à appréhender. Il faudra trouver alors un compromis
entre une représentation la plus proche possible de la réalité et une représentation
simplifiée permettant une résolution du problème. Mais cette simplification ne doit pas
déformer la représentativité du modèle. Si un problème est trop simplifié, et ceci à un
niveau trop élevé, il sera certes plus facile de trouver des solutions, mais ceci se fera au
détriment de la réalité sensée être décrite.
Durant la construction du modèle, différents scenarii possibles sont générés. Ils sont alors
évalués pour prévoir les résultats possibles. Selon le degré de connaissance du décideur sur
les résultats de ces alternatives, la prise de décision est dite assortie d’un « niveau
d’incertitude », permettant de définir les probabilités des différents résultats. Dans le cas
où le décideur est capable d’exprimer une certitude, les probabilités ne seront pas utilisées,
il donnera sa solution,
• La phase «Choice» ou Choix : consiste à sélectionner une des solutions élaborées, celle-
ci devenant le résultat de la décision. Elle se base sur des indicateurs agrégés, qualitatifs ou
quantitatifs. Elle permet d’effectuer la comparaison des différentes alternatives en fonction
de leurs conséquences supposées. Les alternatives sont alors ordonnées suivant une échelle
de préférences et mènent à un choix rationnel de la meilleure d'entre elles.
• La phase d’évaluation : Une évaluation des alternatives par le décideur, en accord avec
ses objectifs, est possible. Cette évaluation permet de recommander la solution la plus
appropriée au modèle.

II.2.2.2. Décision et action

Un décideur est en position de décision par rapport à son rôle, ses capacités d’action, la
hiérarchie dans l’entreprise. Sa décision se traduit par des actions dont il va mesurer les effets.
La Théorie des Systèmes a fourni un modèle de l’action du décideur [Mélèse 1972], c’est le
pilotage par contre-réaction (Figure ci-dessous).

Informations
externes
Entrées Sorties
Décideur
Système
à piloter capteurs Variables
Objectif Variables
souhaité, TB d'action essentielles
contraintes

IP
Informations
informations sur
internes informations
le fonctionnement
agrégées
réel du système

Figure 5. Boucle de contre-réaction, indicateurs et tableaux de bord [Mélèse 1972]


II. Aide à la décision stratégique (coopérative) 19

Il complète la vision du processus cognitif ci-dessus par les modalités d’interaction du


décideur avec le problème à résoudre. Le modèle montre le pilotage de la situation par le
décideur, décrit comme un processus d’ajustements périodiques déclenchés par l’appréciation
de la dérive de la situation réelle par rapport aux objectifs prévus.
Ce pilotage est basé sur un processus et des instruments informationnels :
• Assemblage d’informations internes sur la situation réelle, appelées « variables
essentielles » [Mélèse 1972] ou IP (Indicateurs de Performance) [Kaplan 1998]. Ces
informations sont agrégées pour tenir compte des limites cognitives du décideur.
• Organisation d’informations externes (sur l’environnement de l’entreprise), utiles pour
la décision ;
• Traduction des objectifs et des contraintes à respecter ;
• Fabrication de tableaux de bord de synthèse mettant en perspective la situation réelle
et les objectifs. [Kaplan 1998]
• Simulation de solutions et aide au choix.

II.2.3. Prise de décision coopérative


Il existe de nombreuses façons pour un groupe de prendre des décisions. Elles vont différer
selon l’organisation du processus de prise de décision.
Desanctis dans [Desanctis 1987], définit le groupe pour la prise de décision comme « la
combinaison de deux ou plusieurs personnes qui joignent leur responsabilité afin de détecter
un problème, élaborer la nature du problème, générer des solutions potentielles et formuler
des stratégies d’implémentation des solutions. Les membres du groupe peuvent ou non être
localisés physiquement au même endroit, mais ils ont conscience de l’existence des uns et des
autres et de leur participation au sein d’un groupe ayant pour objectif de prendre une
décision ».
Un groupe est donc une collection d’entités :
• Cherchant à atteindre un but commun explicitement identifié,
• Partageant des normes et des règles de fonctionnement,
• Elaborant un ensemble de rôles,
• Partageant des connaissances.
L’action du groupe résulte de décisions distribuées ou coopératives.
• La prise de décision distribuée : Chaque acteur cognitif est ici spécialisé dans son
domaine et ne possède qu’une vue partielle du problème global à résoudre. Il n’aura
pas à interagir sur le processus de prise de décision. L’acteur cognitif pourra résister
activement ou essayer d’atténuer les conséquences d’une décision jusqu’à la prochaine
prise de décision.
• La prise de décision coopérative : La prise de décision coopérative est un moyen de
prendre une décision qui fait appel à la créativité de chaque acteur cognitif, elle
possède de réelles potentialités de changement dans une organisation. C’est un
II. Aide à la décision stratégique (coopérative) 20

processus dans lequel aucune décision ne peut être prise tant que tous les participants
ne l’acceptent. Elle se distingue par une plus grande collégialité. Elle fonctionne par
compromis (système de contrats entre deux acteurs cognitifs ou plus). Il est utilisé
comme méthode pour prendre une décision, obtenu habituellement par la négociation.
Deux parties, ou plus, annoncent leur position respective et la changent petit à petit,
par des concessions mesurées. La négociation peut conduire à une insatisfaction des
deux parties, car personne n’est totalement satisfait [Verrons 2004]. Chaque acteur
cognitif peut s’opposer à une décision à partir du moment où son refus est argumenté
et s’il est d’accord pour essayer de trouver une solution. Il peut prendre beaucoup de
temps à mettre en place, car le consensus est le produit patient de toutes les meilleures
idées et volontés dans un groupe, dans un esprit de cohésion et d’équilibre, en évitant
les dysfonctionnements. Par ailleurs, la façon dont les promesses seront tenues influera
fortement sur la suite des événements. Le meilleur compromis ne vaut rien sans son
exécution, on parlera alors de traçabilité des engagements. Cependant, l’avantage de
telles prises de décision est de déboucher sur de meilleures solutions.
Notre de travail de recherche s’inscrit plutôt dans le cadre de la prise de décisions coopérative.

II.2.4. Situations de décision


La situation de décision correspond aux exigences assignées au(x) décideur(s) du fait de son
(leur) rôle(s) dans l’entreprise. La décision d’un ou plusieurs décideurs est donc contextualisée
par rapport au fonctionnement de l’entreprise. Elle se justifie et est évaluée par rapport aux
buts de l’organisation.
Il est clair que l’organisation consitue un contexte très influent dans la décision de l’acteur.
L’organisation influence les individus et leurs décisions de plusieurs manières : [Jarronson
2004]
• par la division de travail qui oriente et limite l’attention des personnes sur certaines
tâches,
• par les procédures, qui définissent comment les choses doivent êtres faites,
• par l’autorité qui définit le champ sur lequel chacun peut décider,
• par l’identité qui définit des normes implicites sur les décisions possibles et
impossibles,
• par la loyauté qui conduit l’individu à adopter certaines des valeurs de l’organisation.

II.2.4.1. Décisions et structures d’Organisations

La structure d’une Organisation peut être définie comme la somme totale des moyens
employés pour diviser le travail entre tâches distinctes et pour ensuite assurer la coordination
nécessaire entre ces tâches [Mintzberg 1982].
Une Organisation comprend cinq éléments de base (figure ci-contre) :
• le centre opérationnel (production des biens et des services),
II. Aide à la décision stratégique (coopérative) 21

• le sommet stratégique (éléments de l’organisation chargés des responsabilités les plus


larges),
• la ligne hiérarchique (joint le sommet stratégique au centre opérationnel),
• la technostructure (agents de la standardisation dans l’organisation),
• et les fonctionnels de support logistique (en dehors du flux direct de travail, ils ont une
fonction de support).

sommet
stratégique

Technostructure Support
logistique
Ligne
Hiérarchique

Centre
Opérationnel

Figure 6. Les cinq parties de l’Organisation selon H. Mintzberg [Mintzberg 1982]

Les modèles organisationnels qui ont marqué la littérature et représentent une référence en la
matière sont certainement ceux proposés par H. Mintzberg [Mintzberg 1986]. L’auteur
considère que la plupart des organisations sont soumises à cinq forces pesant sur chacune des
parties de l’organisation. En effet, le sommet stratégique pousse à la centralisation afin de
conserver le contrôle sur les décisions. La technostructure pousse elle à la standardisation des
procédés de travail puisque la conception des standards est sa raison d’être. Les membres du
centre opérationnel poussent à la décentralisation horizontale et verticale afin de minimiser
l’influence de l’encadrement et des analystes et de travailler ainsi d’une façon autonome. Les
cadres opérationnels poussent à la division de la structure en unités où ils peuvent exercer un
contrôle. Enfin, les fonctionnels de support logistique poussent l’organisation à se regrouper
en petites unités (groupes de projets) pour la réalisation du travail, à une décentralisation
sélective vers ces équipes et à l’intérieur de ces équipes. Cela, afin de conduire l’organisation à
recourir à leur collaboration et à leur expertise.

Ces forces conduisent finalement l’organisation à se structurer selon l’une des configurations
suivantes : S.S (Structure simple), B.M (Bureaucratie Mécaniste), B.P (Bureaucratie
Professionnelle), la structure divisionnalisée et l’adhocratie ou structure innovatrice.
• La structure simple : Cette forme organisationnelle est caractérisée par la
centralisation des décisions. La coordination y est surtout réalisée par supervision
directe. La communication circule surtout entre le directeur général et tous les autres
membres de l’organisation et elle est surtout de nature informelle.
• La bureaucratie mécaniste : Cette forme est caractérisée par des tâches opérationnelles
routinières et très spécialisées, des procédures très formalisées, une prolifération de
II. Aide à la décision stratégique (coopérative) 22

règles, des unités de grande taille au niveau opérationnel, une communication


formalisée, un groupement des tâches sur la base des fonctions (fig. 7), une
centralisation relativement importante des pouvoirs de décision et une structure
administrative élaborée.

Figure 7. Exemple de structure fonctionnelle

• La bureaucratie professionnelle : Dans cette forme de structure, les spécialistes (les


professionnels) ont une latitude considérable dans le contrôle de leur propre travail.
Chacun agit d’une façon indépendante et sait ce qu’il peut attendre des autres. La
coordination se fait donc par la standardisation des qualifications et du savoir. Ainsi,
par exemple, au cours d’une opération chirurgicale, le chirurgien et l’anesthésiste ont
une connaissance mutuelle des attentes de l’un et de l’autre.

• La structure divisionnalisée : Elle est caractérisée par des entités (divisions)


quasi-autonomes couplées et une structure administrative centrale (Fig. 8). Chaque
division a sa propre structure, dispose de ses propres départements et a des
interdépendances minimales avec les autres divisions. Ses besoins de coordination
avec celles-ci sont donc faibles.

Figure 8. Exemple de structure divisionnelle


II. Aide à la décision stratégique (coopérative) 23

• L’adhocratie : Cette configuration tend à regrouper les spécialistes en petites unités


fonctionnelles (groupes de projets) pour la réalisation du travail et à encourager une
utilisation importante de l’ajustement mutuel à l’intérieur des équipes et entre les
équipes. La coordination vient donc des interactions entre les membres du groupe.
Dans une organisation adhocratique au sens de Mintzberg, les informations et les
processus de décision circulent de façon flexible afin de promouvoir l’innovation. Cette
organisation implique progressivement les acteurs de l’entreprise qui peuvent
influencer la décision ou sa mise en œuvre. L’organisation la plus souvent rencontrée
dans l’adhocratie est l’organisation par processus, considérée comme une nouvelle
théorie d’organisation du travail (depuis le début des années 90). Elle constitue un
changement profond des méthodes d’organisation du travail dont l’objectif principal
est de raccourcir les cycles de l’innovation dans un contexte concurrentiel. Elle repose
sur une structure matricielle (fig. 9), dont l’axe horizontal représente les processus, et
l’axe vertical les métiers.

Figure 9. Exemple de structure matricielle


Elle présente deux caractéristiques :
o C’est une vue horizontale de l’entreprise, qui passe à travers l’organisation des
tâches et les frontières existantes des UO (Unités Organisationnelles). Dans
une telle organisation les flux de connaissance et d’information doivent servir
deux types d’organisation du travail très différentes, hiérarchique,
traditionnelle (métiers et fonctions) et transversale (travail concourant ou
projet). C’est un changement radical de l’organisation hiérarchique par
fonction.
o L’entreprise organisée par processus est essentiellement pilotée par les
exigences client et la façon dont l’entreprise fournit la valeur.
II. Aide à la décision stratégique (coopérative) 24

De plus, ce mode transversal engendre des problèmes au niveau des repères


hiérarchiques et sociaux des acteurs. En effet, au sein de l’entreprise, l’individu se
positionne par rapport à des repères liés aux individus qui l’entourent. Il connaît ses
supérieurs et les personnes avec lesquelles il travaille. Dans le cas du projet, son cadre
de référence est perturbé. Ainsi, il doit créer un nouveau cadre de référence lui
permettant de se stabiliser et d’évoluer dans le projet.

H. Mintzberg considère neuf paramètres pour la conception d’une structure organisationnelle


répartis en quatre groupes. Les paramètres de conception sont les moyens formels et semi-
formels que les organisations utilisent pour diviser et coordonner leur travail de façon à créer
des comportements stables. Parmi les neuf paramètres de conception, la décentralisation
verticale et/ou horizontale constitue le parachèvement du travail de conception et/ou
reconception des organisations.

Le groupe 4, relatif à la conception du système de prise de décision met en exergue


l’importance de la décentralisation des décisions dans les organisations modernes. Les niveaux
de la décision dépendent ainsi du type de décentralisation :
• verticale, ou dispersion du pouvoir vers le bas à l’intérieur de la ligne hiérarchique. La
décentralisation verticale est essentiellement régulée par des systèmes de contrôle des
performances. La décomposition hiérarchique des décisions peut refléter
l’organisation hiérarchique d’une entreprise dans le cadre d’une décentralisation
verticale ; les décisions stratégiques sont souvent prises par la direction générale, les
décisions tactiques par les cadres, alors que les décisions opérationnelles sont souvent
prises par les chefs de sections, d’ateliers, etc.
• horizontale, ou passage de la décision vers des personnes situées en dehors de la ligne
hiérarchique. Dans la décentralisation horizontale, on observe que le pouvoir est
déplacé vers les analystes ou les experts. Ces derniers sont en général impliqués dans
les trois niveaux de décision, cas typique de l’adhocratie.

II.2.4.2. Décisions et pilotage de l’organisation

L’organisation du pilotage de l’entreprise [Lemoigne 1974][Mélèse 1972][Avenier 1988] repose


sur un ensemble de centres de décision dont la portée limitée assure une meilleure efficacité
de la prise de décision. C’est le système de pilotage de l’entreprise.
Le pilotage ou Système de Décision de l’organisation s’appuie sur la comparaison entre :
• les buts ou missions : le prévu, le souhaité, l’intériorisation de la finalité externe. Une
organisation existe en fonction de finalités à accomplir, buts qu’elle se donne ou qu’on
lui donne.
• et les conduites et comportements du système opérant : le réalisé, l’effectif,
l’extériorisation des actions internes.
II. Aide à la décision stratégique (coopérative) 25

Les buts ou le prévu sont définis de façon descendante, à partir des missions. L’effectif est
défini de façon ascendante, à partir des tâches opérationnelles et des activités des agents.

L’A.M.S (Analyse Modulaire des Systèmes) [Mélèse 1972] demeure l’une des rares méthodes
d’ingénierie systémique. En effet, l’AMS est une application des concepts de la théorie des
Systèmes à la description de l’entreprise. L’AMS est un support d’identification des hiérarchies
de but, et inclut la modélisation des informations de pilotage par niveaux.
La méthode peut être utilisée de différentes façons :
• Identification et diagnostic des dysfonctionnements de pilotage du système, à partir
de la description du système existant,
• Identification et diagnostic des problèmes spécifiques au Système d’Information par
rapport aux systèmes de décision et d’opération,
• Identification des systèmes et sous-systèmes, de leurs liens, en fonction de leurs
objectifs,
• Méthode d’aide à la conception de tableaux de bord.

L’A. M. S. développe une description à deux dimensions :


• Une description organique de tous les modules ou activités de l’entreprise : Toute
activité technique ou administrative peut être représentée sous forme d’un couple MT
(Module Technologique) – MP (Module de Pilotage), munis d’entrées, de sorties, de
variables d’actions et de variables essentielles (figure ci-dessous)

entrées
informations informations
Variables essentielles:

Equipements,
Boucle de pilotage Personnel Activité
Evaluation
Contraintes externes Variables Activités, Tâches quantitative
d'action
Equipements Degré
Personnel d'automatisation Coût

Règles de Délégation de
décision responsabilité
Efficacité
Degré de Consignes Règles Evaluation
complexité détaillées opératoires qualitative
MP MT

informations informations
sorties de la
fonction de
production

Mission du Système

Figure 10. Schéma Pilote- Système technologique [Mélèse 1972]

Préalablement à toute analyse, il faut identifier la mission, qui justifie l’existence même
du système observé. Le MT effectue les transformations correspondant aux fonctions
de production administrative ou technique. Il transforme les entrées en sorties alors
II. Aide à la décision stratégique (coopérative) 26

que le MP contrôle et régule les transformations opérées par le M.T. par rapport à la
mission.
La mesure de la mission réalisée se fait selon les trois axes des variables essentielles :
o activité : ou mesure quantitative par rapport à la mission à atteindre
o coût : ou aspects financiers du fonctionnement du module
o efficacité : indique les variables non valorisables ou non mesurables
La délégation de responsabilité au MT représente la capacité décisionnelle du MT. Si
son niveau de pilotage est jugé intéressant, le MT est décomposé à son tour en un
couple (MT, MP). C’est ainsi qu’on peut établir une décomposition.

Description organique d’un système : Un système ou sous-système est une


combinaison hiérarchisée d’activités élémentaires, c’est-à-dire de couples (MT, MP).
On aboutit à une structure emboîtée où un MT se décompose lui-même en (MT, MP)
jusqu’à ce que l’on ne trouve plus de pilote qui soit intéressant pour le projet. Mais il ne
s’agit pas de décomposition et recomposition analytiques. Chaque niveau a sa propre
modélisation. Ainsi :
o les liens entre les consignes de niveau 1 et les contraintes de niveau 2 ne sont
pas des liens d’héritage.
o de même, les mesures de la mission réalisée ne sont pas des sommations du
niveau 2 vers le niveau 1.
informations informations
entrées
informations

2
2 M
P M
T 1
M 1
P
informations
2' 2'
M M
P T
MT
informations sorties informations

Figure 11. Schéma d’un sous-système [Mélèse 1972]

Selon le but de l’analyse on peut choisir un maillage plus ou moins fin pour la
description : Certains modules peuvent ne pas être détaillés si on considère qu’il n’y a
pas de problèmes dans ce secteur. La décomposition est une décomposition
descendante seulement. Elle se fait par identification des sous-objectifs et peut faire
II. Aide à la décision stratégique (coopérative) 27

apparaître à chaque niveau de décomposition des contraintes, missions ou variables de


pilotage non définis par le niveau supérieur. C’est en cela que l’AMS est une méthode
d’analyse systémique.
• Une description dynamique des chaînes de pilotage : A côté des descriptions
organiques statiques, existent les phénomènes dynamiques qu’elles recouvrent. On
dénombre deux processus dynamiques, l’un correspondant aux flux horizontaux sur les
schémas, l’autre aux flux verticaux. Les flux horizontaux décrivent les chaînes de
pilotage, les flux verticaux les échanges entre modules. Les chaînes de pilotage : Le
principe de base pour Mélèse est la participation active de tous les hommes concernés à
la description des modules et des chaînes de pilotage. Chaque niveau fixe les objectifs
du niveau inférieur et à mesure qu’on descend du haut vers le bas de la structure, le
degré de détail des objectifs augmente et l’horizon d’anticipation (année – mois –
semaine) diminue. Le M.T. est soumis à des aléas et des contraintes provenant de
l’extérieur ou de l’intérieur. Le pilote tente alors d’atteindre les objectifs en jouant sur
les variables d’actions. S’il ne peut pas y arriver, le niveau supérieur entre à son tour en
action, soit pour modifier certains réglages (moyens, méthodes), soit pour modifier
certaines contraintes venant d’autres modules, soit pour modifier les objectifs (figure
ci-dessous).

Figure 12. Chaîne de pilotage (adapté de l’AMS (Mélèse 1972))

Même si Mélèse limite la modélisation par l’AMS aux tâches répétitives, aux décisions de
régulation, on peut en réalité l’utiliser de façon plus large. Elle est notamment utilisable :
• pour la décomposition en sous-systèmes nécessaire dans toutes les méthodes, et plus
particulièrement dans la méthode proposée,
II. Aide à la décision stratégique (coopérative) 28

• pour la modélisation du pilotage, et la recherche du Système de Décision de


l’organisation,
• pour gérer l’interdisciplinarité.
• pour l’étude de besoins précis en aide à la décision
Notre problématique thématique est plus précisément attachée à ce quatrième usage.

II.2.4.3. Typologie des situations de décisions

Holsapple [Holsapple 1996] évoque plusieurs dimensions à considérer pour effectuer une
classification des décisions, dont notamment :
• Le degré de structuration : Structurée, Semi-structurée, non structurée
• Le niveau de pilotage : Stratégique, tactique, opérationnel
• La négociation : décisions négociées, décisions unilatérales
• La fonction Managériale : planification, organisation, contrôle, …
• Le domaine fonctionnel : Finance, Marketing, Production, Ressources humaines, …
Pour le besoin de cette thèse, nous décrirons uniquement les deux premières typologies :

II.2.4.3.1. Typologie selon le degré de structuration

Le processus de décision peut être décrit selon les caractéristiques de son degré de
structuration. Ce dernier varie du fortement structuré au fortement non-structuré.
• Les processus de décision structurés : font référence à des problèmes routiniers et
répétitifs pour lesquelles des solutions standards existent. Pour les problèmes
structurés, les objectifs sont clairement identifiés et la procédure d’obtention de la
meilleure solution souvent connue.
• Les processus non-structurés : représentent les problèmes complexes qui ne disposent
d’aucune recette de solution. Les problèmes non structurés reposent quant à eux sur
l’intuition humaine.
• Les processus semi-structurés : Il existe un type de problèmes intermédiaire. Il s’agit
des problèmes semi-structurés. Ils impliquent souvent la combinaison des deux
approches citées précédemment : la consultation et l’étude de solutions standards et le
jugement individuel du décideur.

II.2.4.3.2. Typologie selon les niveaux de pilotage

Les décisions en entreprise se décomposent en trois niveaux [Anthony 1965] [Le Moigne 1974]
[Ansoff 1976] [Ansoff 1984].
• Décisions de régulation ou opérationnelles : correspondent aux décisions de conduite
du fonctionnement dans un environnement stable et/ou prévisible. Elles sont plutôt
normalisées et structurées, et s’appuient surtout sur des informations internes
représentant le fonctionnement de l’entreprise
• Décisions d’adaptation ou tactiques : font référence aux pratiques d’adaptation à des
changements de l’environnement tels que l’entreprise ne peut utiliser ses processus
II. Aide à la décision stratégique (coopérative) 29

habituels. Toutefois ces changements ne sont pas suffisamment influents pour


remettre en cause profondément les savoir-faire, et ceux-ci permettront de trouver de
nouveaux processus. Les décisions auront besoin d’aller chercher ces savoir-faire et de
les mettre en rapport avec les informations dont elle dispose sur son environnement.
Informations externes et internes ont un poids équivalent.
• Décisions stratégiques : de type peu structuré et peu normalisé, et auront un besoin
majeur d’informations sur l’environnement, des informations externes à l’entreprise.
Beaucoup de travaux ont été consacrés aux décisions stratégiques, incluant les
Technologies de l’Information [Alquier 2000].
Cette décomposition hiérarchique des décisions reflète souvent l’organisation hiérarchique de
la plupart des entreprises. En effet, les décisions stratégiques sont souvent prises par la
direction générale, les décisions tactiques par les cadres, alors que les décisions
opérationnelles sont souvent prises par les chefs de sections ou d’ateliers.

II.2.4.3.3. Types de décisions et niveaux de pilotage


Le croisement des deux dimensions présentées précédemment à savoir le degré de
structuration de la décision et le niveau de pilotage indique le degré d’automatisation possible
selon la situation de décision.

Niveaux de pilotage
Opérationnel Tactique Stratégique
Structurée Automatisation Forte Automatisation Forte Automatisation
(1) (2) (3)
structuration
Degré de

Semi- Automatisation Forte Automatisation Automatisation Faible


structurée (4) (5) (6)
Non structurée Automatisation Automatisation Faible Automatisation Faible
(7) (8) (9)

Tableau 1. Types de décisions et niveaux de pilotage (adapté de [Turban 1993])

Le tableau ci-dessus montre bien que les zones 6, 8 et 9 (en gris) regroupent les problèmes
complexes nécessitant toujours une intervention humaine pour la prise de décision
contrairement aux zones 1,2,4 qui nécessitent très peu d’intervention de la part du décideur.
La prise de décision pour ces problèmes peut être en grande partie aisément automatisée.
Nous nous focaliserons dans ce travail plus particulièrement sur les décisions stratégiques et
(peu structurées et non programmables). L’interprétation sémantique demeure complexe, et
une importance qualitative ou quantitative des informations externes est exigée.

II.2.4.4. Décisions stratégiques : caractéristiques de base

Les décisions stratégiques recouvrent l’attitude réactive ou proactive de l’entreprise face à des
environnements incertains et non probabilisables. Ces décisions sont de type peu structuré et
II. Aide à la décision stratégique (coopérative) 30

peu normalisé, et auront un besoin majeur d’informations sur l’environnement, des


informations externes à l’entreprise [Salles 2000].
Les connaissances requises par les décisions stratégiques sont agrégées, alors que les
connaissances requises par les décisions opérationnelles sont détaillées (tableau ci-contre).

Nature des décisions Opérationnelles Stratégiques

Domaine Exploitation Stratégie, relation avec


l’environnement
Horizon Très court terme moyen et long terme
Effets Très brève durable
Modalités Adaptation aux aléas fixation d’objectifs à long
Correction des déviations par terme relatifs à l’évolution et
rapport à la trajectoire aux mutations de l’entreprise
Répétitivité des choix forte répétitivité à fréquence unicité des choix (absence de
élevée répétitivité)
Procédure de décision programmable non programmable
Types de connaissance Connaissances détaillées Connaissances agrégées
Incidence de la décision Portée restreinte (1 service) Portée générale (toute
l’entreprise)

Tableau 2. Caractéristiques des décisions stratégiques

Un Comparatif entre le niveau stratégique et le niveau opérationnel par rapport aux


caractéristiques de l’information (tableau ci-contre) illustre bien la complexité de la prise en
charge de ce niveau :
Gestion stratégique Gestion opérationnelle
Précision Faible Elevée
Niveau de détail Agrégée Détaillée
Horizon temporel Futur Présent
Source Externe Interne
Ampleur Vaste Etroite
Type Qualitative Quantitative
Age Historique Courant

Tableau 3. Comparatif gestion stratégique, gestion opérationnelle

Pour pallier les limites des modèles rationnels, des approches de modélisation de la décision
en organisation ont été développées, en Sciences de Gestion et en Management Stratégique
[Arregle 2001]. Il s’agit alors de considérer la décision comme un processus complexe, et
d’intégrer dans sa modélisation l’importance de la cognition, les relations affectives,
inconscientes, collectives des êtres humains.
II. Aide à la décision stratégique (coopérative) 31

Tarondeau met en évidence quatre modèles de décisions stratégiques [Tarondeau 1998]


synthétisés dans le tableau ci-contre.

Le modèle de Ce modèle rationnel représente un individu unique cherchant à


l’acteur Unique atteindre des objectifs parfaitement identifiés et non conflictuels en
optimisant l’utilisation de ressources parfaitement identifiées et
disponibles. Il se décompose en quatre phases : la formulation du
problème, l’identification des actions à entreprendre, l’évaluation des
alternatives et le choix de la meilleure solution.
Le modèle politique Ce modèle met en évidence l’importance de savoirs relationnels
permettant d’identifier le jeu et le système politique dans le processus
de décision.
Le modèle Ce modèle tente de représenter le processus de décision de
organisationnel l’organisation. Il s’agit d’un processus collectif rassemblant des
acteurs ayant des motivations et comportements différents qui sont
associés à des systèmes de rôles différents.
Le modèle de la On considère qu’une décision est toujours, mais à des degrés divers, le
poubelle résultat d’une rencontre fortuite entre un problème à résoudre et une
solution satisfaisante à celui-ci. Les rencontres se font dans les lieux
et des moments où des décisions doivent être prises.

Tableau 4. Principaux modèles de décision stratégique d’après [Tarondeau 1998]

II.2.4.5. Exemple de décisions stratégiques (coopératives) : Processus


RAO (Réponse à Appels d’Offres)

Le processus RAO (Réponse à Appels d’Offres) est un processus transverse entre les métiers et
les UO, qui doivent tous contribuer à la proposition à bâtir, et c’est un des processus clés d’une
organisation par processus. En effet, les impacts business de la réorganisation du processus
RAO sont tangibles, puisque le processus RAO s’achève par la signature d’un contrat avec le
client.
Le processus RAO (Réponse à Appels d’Offres) est un processus type, incluant des décisions de
type stratégiques et coopératives [Alquier 1998b]. Il s’agit d’un des vingt processus clés tels
que définis par T. H. Davenport [Davenport 1993].
II. Aide à la décision stratégique (coopérative) 32

Figure 13. Processus clés (adapté de [Chalal 2006])

En effet, la phase RAO est définit en gestion de projet comme la phase dite conceptuelle,
période critique de choix et de décisions, à délai court (temps de réponse en général imposé
par le client potentiel). C’est lors de cette première phase que les aides à la décision offrent le
plus de retour sur investissement pour l’entreprise : Il s’agit de décisions de management, car
concernant directement le volume d’affaires de l’entreprise [Michaels 1989].
Les décisions stratégiques principales sont :
• Savoir si on répond ou non à l’appel d’offre (bid / no bid),
• Définir la meilleure offre en élaborant une offre technique qui à la fois satisfait les
besoins du client (prix attractif) et minimise la prise de risque encouru sur le produit
ou le processus industriel :
o Les besoins du client peuvent porter sur les délais, coûts et qualité
(fonctionnalités) du système industriel ou du service.
o L’organisation est contrainte à prendre des risques (opportunités ou dangers) et
de les manager efficacement pour meilleure compétitivité.
Sur le court terme, les gains en efficacité sont aisément mesurables par rapport à la RAO :
• Un temps de préparation raccourci,
• La réduction des ressources humaines nécessaires à la constitution d’une offre,
• La diminution des coûts pour établir une offre,
• Une meilleure position de l’entreprise par rapport aux concurrents,
• L’amélioration de la qualité de l’offre, grâce à une identification des éléments critiques,
• L’organisation d’une étape « go/ no go », tôt dans le processus RAO. Elle permet
d’éviter de se lancer dans le processus où les chances de gagner sont faibles, et au contraire
de consacrer les efforts sur des offres dont on améliore les possibilités de gagner,
• L’amélioration des décisions de faire ou de sous-traiter.
II. Aide à la décision stratégique (coopérative) 33

II.2.5. Synthèse et Discussion

Le concept de Systèmes d’Aide à la Décision, en Sciences de Gestion, a initialement été défini


de manière formelle par A. Gorry et M. Scott Morton [Gorry 1971] . Leur démarche de
raisonnement a été d’intégrer les deux taxinomies suivantes :
• types d’activités de management décrivant les activités de management sous la forme
de trois niveaux : stratégique, intermédiaire et opérationnel ;
• types de décision proposant, premièrement, une analyse des problèmes sous l’angle de
la possibilité de les formaliser ou non (du programmable ou non programmable) et
deuxièmement, un modèle décrivant le processus de prise de décision individuel (le
modèle « Intelligence – Design – Choice »).
Nous avons vu précedemment que l’homme occupe ainsi une place prépondérante dans la
prise de décision. En même temps que ses capacités sont limitées dans la prise de décision, on
reconnaît au cerveau humain des facultés d’expertise, de construction de modèles agrégés et
puissants, d’acquisition de savoir-faire, de mémorisation,…
Le déploiement de l'expertise dans le processus de décision a un impact sur ce processus
cognitif, le faisant évoluer le cas échéant. Non seulement, le décideur a du mal à exprimer son
besoin, mais ce besoin peut changer parce qu'il l'a exprimé.
Le champ d’étude de la décision étant très vaste, aussi nous sommes nous imposé deux
limites :
• En premier lieu, nous avons principalement étudié des décisions individuelles puis
coopératives. L’attention portée à l’individuel constituait tout de même une première
étape dans la compréhension globale des problèmes décisionnels.
• En second lieu, et concernant le degré de structuration des décisions, nous avons
totalement écarté l’étude des processus décisionnels structurés et donc les approches
de type recherche opérationnelle. En effet, le propre des décisions structurées est
qu’elles sont complètement formalisables et programmables. Dans ce cadre, le
comportement du décideur n’entre que très faiblement en ligne de compte. Aussi, nous
sommes nous tourné vers des processus moins structurés et non structurés. Le
processus cognitif du décideur est complexe, peu structuré, peu formalisé, d’autant
plus s’il s’agit de décisions stratégiques. Celles-ci sont non structurées et non
programmables nécessitant la mise en place de produits ou procédés nouveaux ainsi
qu’une interprétation sémantique complexe.

La complexité de la décision stratégique peut s’analyser par l’ajout ou non d’un des axes de
modélisation : profondeur, espace, temps [Alquier 1993]. Partant d’une décision
opérationnelle, à chaque fois qu’on ajoute un axe, on est allé vers la stratégie. La décision
stratégique individuelle ajoute l’axe profondeur. La décision stratégique coopérative ajoute
l’axe espace à l’axe profondeur.
II. Aide à la décision stratégique (coopérative) 34

La situation de décision à laquelle nous nous intéressons est un processus qui engage plusieurs
décideurs. C’est une situation de coopération cognitive entre décideurs métiers pour la
construction d’un langage commun utilisable à un plus haut niveau.
Le modèle de Simon a ouvert la voie à l’aide à la décision en tant qu’outils informatiques. Nous
présentons un panorama complet des ces outils dans la section qui va suivre.

II.3. Outils et Méthodes de l’aide à la décision

L’aide à la décision est définie comme « …l’activité de celui, qui prenant appui sur des
modèles clairement explicités mais non nécessairement complétement formalisés, aide à
obtenir des éléments de réponses aux questions que se pose un intervenant dans un processus
de décision, éléments concourant à éclairer la décision et normalement à prescrire, ou
simplement favoriser, un comportement de nature à accroitre la cohérence entre l’évolution
du processus d’une part, les objectifs et le système de valeurs au service desquels cet
intervenant se trouve placé d’autre part» [Roy 1985].
L’aide à la décision se positionne au carrefour de plusieurs disciplines telles que les
mathématiques appliquées (optimisation, statistiques etc..) et des théories du domaine de
l’organisation des entreprises et les sciences cognitives…etc.
Le but de l’aide à la décision est de rendre le travail plus intelligent et d’opérer un changement
dans les méthodes de travail personnelles (efficacité) et de l’entreprise (efficacité, réactivité,
productivité, innovation).
Les systèmes d’aide à la décision sont issus de deux principaux courants de recherche,
l’approche organisationnelle [Simon 1991] [Mintzberg 1976] à la fin des années 50 et au début
des années soixante et des travaux plus techniques réalisés au MIT (Massachusset Institute of
Technology) dans les années 60. [Shim 2002]

II.3.1. Outils de l’aide à la décision


Les outils de l’aide à la décision se caractérisent à la fois par leur continuité et par leur variété.
Aucun outil informatique de type aide à la décision n’a été abandonné. De plus en plus d’outils
émergent grâce à l’évolution des TIC (Technologies de l’Information et de la Communication.
La variété d’outils d’aide à la décision pose cependant problème, que ce soit pour :
• mesurer l’impact réel,
• le choix des outils adaptés à une situation déterminée,
• adopter les méthodes de mise en place adéquates.
Cette section dresse un panorama des principaux outils de l’aide à la décision. Nous avons
classé ses outils selon qu’ils soient destinés à l’usage individuel, à un groupe ou à l’organisation
dans son ensemble (Figure ci-dessous).
II. Aide à la décision stratégique (coopérative) 35

Outils de l'aide à la
décision

Usage individuel Usage Groupe Usage Entreprise Usage Mixte

GDSS
IUF ODSS
Groupware
Requêteurs Datawarehouse
Datamart DM/ KDD
SIAD KDD
Workflow
Outil DM

Figure 14. Classification des outils de l’aide à la décision centrée usages

Un bilan sera dressé pour montrer les mérites et limites de chaque outil par rapport à notre
problématique.

II.3.1.1. Outils de l’aide à la décision à usage individuel

II.3.1.1.1. IUF (Informatique de l’Utilisateur Final)

Elle regroupe l’ensemble des outils dont a besoin un décideur durant son travail. Ils
constituent les supports pour l’aide à sa décision individuelle. Ils permettent :
• la réalisation de documents, de présentations, de graphiques, etc.,
• la collecte des données nécessaires à sa prise de décision, par l’extraction de données
internes ou externes, la constitution de bases de données, etc…,
• l’organisation personnelle de son travail (gestion de projet, modèles de documents,
etc.),
• la construction de SIAD personnels grâce à un tableur.
L’apport évident de ce type d’outils est l’aide personnelle à la formalisation des processus
cognitifs du décideur ; grâce à ses efforts de présentation synthétique et agrégée le décideur
pourra exprimer ses modèles mentaux. Cette connaissance que le décideur, ou tout autre
acteur de l’entreprise, crée grâce à ce type d’instruments de travail personnel, constitue des
connaissances déclaratives : formalisées et stockées, elles peuvent s’intégrer dans un processus
de gestion de connaissances ou tout au moins constituer un élément d’analyse durant la phase
d’ingénierie de la connaissance.
II.3.1.1.2. SE (Systèmes Experts)

Les systèmes experts sont apparus à partir du début des années 80. Ils constituèrent alors le
succès de l’Intelligence Artificielle [Aussenac 1989]. Ce type d’outil avait comme objectif de
faire « assimiler » le savoir humain d’un expert par un système : ils nécessitaient l’acquisition
II. Aide à la décision stratégique (coopérative) 36

d’une base de connaissance très détaillée et l’écriture de centaines de règles de production


interdépendantes.
Pour une application SE, il fallait disposer d’un ou plusieurs experts humains dans le domaine
considéré pour acquérir les connaissances et non pas un informaticien ; ce dernier ne faisait
que transcrire le savoir de l’expert afin de le « porter » sur le système.
La principale approche de conception de tels outils était donc la collecte auprès de l’expert des
règles et leur encodage direct. Chaque règle spécifie une réponse à un problème dans un
certain contexte. La connaissance et son utilisation étaient alors fortement liées et codées en
une forme procédurale.
Les premiers systèmes experts ne fonctionnaient qu’en logique binaire et n’enchaînaient que
des décisions de type vrai/faux. Pour compenser le manque de réflexion de l’expert
« automatique », il fallait multiplier le nombre de règles ; ces dernières sont de la forme : SI
(conditions) alors (conclusions). Un système expert est constitué principalement de :
• une base de règles contenant les règles de production (réflexion),
• une base de faits ou mémoire de travail (apprentissage, déduit et acquis),
• un moteur d’inférence analysant et déduisant les faits.
Le moteur d’inférence essaye d’appliquer les règles aux faits connus et aux faits déduits
lorsqu’une règle s’applique ; la base de faits est mise à jour en permanence. Le moteur
d’inférence « cale » lorsqu’aucune règle n’est applicable.
L’inconvénient majeur des systèmes experts réside dans l’apprentissage parfois long et difficile
à réaliser suivant la complexité de l’application : maintenance et détection de pannes,
diagnostic médical, prédictions météo, etc. Ces derniers nécessitant l’acquisition d’une base de
connaissance très détaillée et l’écriture parfois de centaines de règles de production
interdépendantes.
La première génération de systèmes experts fut donc largement basée sur des heuristiques et
des règles. Pour surmonter leurs limitations, une nouvelle ligne de recherche a été amorcée
par l’utilisation d’une connaissance plus « profonde », souvent désignée sous le nom de
raisonnement « basé sur des modèles », « causal » ou « qualitatif ».
Puisque les approches basées sur des modèles et les approches heuristiques semblent être en
grande partie complémentaires, les travaux récents ont commencé à combiner ces deux
processus de raisonnement dans un même type d’outils.
Un autre courant de recherche a été constitué, visant à faire adopter aux méthodes de
résolution de problèmes « des architectures tâche spécifiques » beaucoup plus explicites. La
recherche s’est orientée alors dans la conception de systèmes qui combinent des architectures
multiples tâches spécifiques génériques ou primitives.
II. Aide à la décision stratégique (coopérative) 37

II.3.1.1.3. Requêteurs

Un requêteur permet à l’utilisateur final d’accéder aux données de l’entreprise de manière


autonome, dans un langage proche de celui de son métier. Ces outils peuvent nécessiter la
connaissance de la structure de la base que l’on interroge.
Les outils d’interrogation (requêteurs) sont ainsi les moyens par excellence pour les échanges
de données. Ces derniers sont non procéduraux : ils n’exigent pas la description de la manière
d’extraire les données de la base. Il suffit à l’utilisateur de spécifier ce qu’il recherche ou ce
qu’il désire modifier. Ce dernier point implique une autonomie des données, d’où la nécessité
de la connaissance du métier. Plus la requête est ciblée, sophistiquée et moins elle est
utilisable par d’autres.
Différentes générations d’outils se sont succédées sur le marché. Si au départ ils étaient de
simples outils d’interrogation graphique, ils tendent désormais à s’orienter vers les métiers des
utilisateurs pour permettre une utilisation plus intuitive. Les premières solutions nécessitaient
la connaissance de la structure le la base de données et même parfois du langage SQL.
Aujourd’hui ces éléments sont de plus en plus transparents pour l’utilisateur final. La facilité
d’utilisation des outils s’est accrue ainsi que leurs coûts de mise en place et de maintenance.
Le grand avantage des outils de requêtes reste la possibilité d’obtenir des informations
immédiates grâce aux requêtes ponctuelles ce qui semble contribuer au développement de
l’intuition de l’utilisateur qui réagit ainsi plus vite aux changements de signaux.
Le requêteur demeure pauvre en éléments d’analyse. L’utilisateur est autonome dans ses
traitements, le résultat d’une requête peut lui servir d’argument à une autre, et plus la requête
contient de la valeur ajoutée et moins elle laisse de l’attitude à l’utilisateur. Donc
l’administrateur doit savoir gérer aux mieux cet antagonisme.

II.3.1.1.4. SIAD (Systèmes Interactifs d’Aide à la décision)


a. Définitions

A. Gorry et M. Scott Morton ont définit les SIAD de la manière suivante: «système informatisé
interactif aidant le décideur à manipuler des données et des modèles pour résoudre des
problèmes mal structurés » [Gorry 1971].
Dès lors, de nombreux chercheurs ont décrit et proposé des angles d’étude du concept de
SIAD. La fonction d’aide à la décision a été intégrée dans le concept plus vaste de management
des systèmes d’information.
Puis, P. Keen et M. Scott Morton [Keen 1978] ont pris en compte la dimension cognitive du
décideur en proposant alors la définition suivante: «Les SIAD réunissent les ressources
intellectuelles des individus avec les potentialités des ordinateurs dans le but d’améliorer les
décisions prises ».
II. Aide à la décision stratégique (coopérative) 38

Courbon J.C lui définit un SIAD comme «un système homme-machine qui, à travers un
dialogue, permet à un décideur d’amplifier son raisonnement dans l’identification et la
résolution de problèmes mal structurés » [Courbon 1993].
Dans l’expression du SIAD (Système Interactif d’Aide à la Décision), en anglais DSS (Decision
Support System), on trouve :
• Le mot « système » qui se réfère à un système de traitement de l’information ayant une
architecture plus ou moins complexe.
• Le mot « interactif » qui traduit l’existence d’un dialogue coopératif entre l’utilisateur
et le système. P. Lévine souligne en effet que ce qui distingue un SIAD d’un autre
système informatique, c’est son interactivité (tout ou une partie du contrôle dans la
conduite du processus de décision est laissé à l’utilisateur) [Lévine 1989].
• Le terme « aide à la décision » indique que la priorité est donnée à l’utilisateur. C’est
lui qui exerce le contrôle dans le processus de décision et prend les décisions ultimes.
Le système ne fait que l’aider dans sa démarche.
Enfin c’est dans le domaine des problèmes « mal structurés » que le SIAD trouve sa raison
d’être. H.Simon identifie un problème mal structuré comme « une situation pour laquelle le
système ne possède pas de procédures spécifiques de résolution du problème rencontré, et où
l’on doit se rabattre sur une capacité générale à générer une action intelligente, adaptative et
centrée sur le problème ».
Les causes de faible structuration des décisions sont multiples :
• caractère multicritère des objectifs à satisfaire,
• aspect combinatoire des variables mises en jeu,
• difficultés dans la disponibilité et l’interprétation des variables mises en jeu,
• difficultés dans la disponibilité et l’interprétation des informations utilisées,
• nature qualitative de certaines données.
Face à des problèmes qui tés habituellement ont de telles caractéristiques, les SIAD ne sont
bien évidemment pas la seule aide envisageable mais constituent un apport potentiel non
négligeable.

b. Historique

Il existe une littérature spécialisée sur les systèmes support à la décision (anglais. « DSS,
Decision Support Systems »). Elle est née dans les années 70 [Keen 1978]. Elle est issue de
certaines branches de l’informatique commerciale comme les systèmes bureautiques, les
systèmes d’information de gestion (angl. « Management Information Systems », MIS), etc.
Les chercheurs et techniciens en systèmes d’information ont étudié et construit les systèmes
interactifs d’aide à la décision étudiés (SIAD) pendant plus de 40 années. Les développements
ont commencé par le SIAD guidé par les modèles vers la fin des années 60, des
développements théoriques dans les années 70, la réalisation des systèmes de planification
financière et des SIAD de groupe au début et vers la moitié des années 80s. Ensuite, les EIS
II. Aide à la décision stratégique (coopérative) 39

(Systèmes d’Information Exécutifs), OLAP et Business Intelligence. Tout récemment, les SIAD
orienté Web (la moitié des années 90).

c. Taxinomies

Différents auteurs proposent différentes classifications ou taxinomies.


• Du point de vue Utilisateur, [Hättenschwiler 1999] différencie entre les SIAD passifs,
actifs ou coopératifs.
• Du point de vue conceptuel, [Power 2002] différencie entre les SIAD guidés par la
communication ou Communication-Driven DSS, les SIAD guidés par les données ou
Data-Driven DSS, les SIAD guidés par les documents ou Document-Driven DSS, SIAD
guidés par les connaissances Knowledge-Driven DSS et enfin les SIAD guidés par les
modèles ou Model-Driven DSS.
• Du point de vue technique, [Power 1997] parle de Enterprise-wide DSS liés à des
entrepôts de données et servent plusieurs décideurs dans une entreprise et Desktop
DSS qui sont des petits systèmes résidant sur des postes de décideurs.
S. Alter [Alter 1977] a proposé une taxinomie des différents types de Systèmes d’Aide à la
Décision selon leurs fonctionnalités. Notamment, il a mis en avant deux grands types de
Systèmes d’Aide à la Décision (orientés modèle et orienté données).
D’autres auteurs (Holsapple et Whinston, Donovan et Madnick, Hackathorn et Keen, Golden,
Hevner et Power) ont proposé d’autres taxonomies que nous n’avons pas jugées utiles de
présenter ici.

d. Architectures des SIAD

L’architecture des SIAD comporte quatre composants (Figure ci-contre) : le module de


données, le module de modèles, le noyau fonctionnel et le système de gestion de l’interface
homme/machine :
Utilisateur

Interface H/M

SGBD NF SGBM

Base de Modèles Base de Données

Figure 15. Architecture d’un SIAD [El Mansouri 1998]

• Le module de données : comprend la BD (Base de Données) manipulée au cours de la


résolution du problème. Elle contient l’ensemble des informations internes et externes
à l’entreprise. Ces informations peuvent être permanentes ou temporelles.
II. Aide à la décision stratégique (coopérative) 40

• Le module de modèles : Ce module comprend la base de modèles (BM) et le système de


gestion de ces modèles (SGBM). Ce dernier comprend l’ensemble des fonctions
logicielles permettant de gérer la base de modèles : création de modèles, modification,
mise à jour.
• Le NF (Noyau Fonctionnel) : Ensemble des programmes permettant de traiter, de
raisonner et d’élaborer de nouvelles informations en se basant sur des données et des
modèles. Ces informations peuvent être des conseils, des diagnostics ou des
estimations. Ce composant de SIAD est souvent intégré dans le module de modèles.
• L’interface homme/machine : Elle supporte et assure les flux d’informations en
provenance de l’utilisateur d’une part et le noyau fonctionnel d’autre part. Les flux
d’informations en provenance de l’utilisateur peuvent être des paramètres de scénarios
par exemple. Les flux d’informations en provenance du noyau fonctionnel peuvent être
sous forme de résultats de calculs, de graphiques, etc. L’interface homme/machine
peut être de type conversationnel sous forme de questions/réponses ou de type
graphique.
L’apport des systèmes experts et des « systèmes à base de connaissance » aux SIAD modifie
sensiblement cette architecture en substituant ou en juxtaposant aux modules «données » et
« modèles » des modules correspondants de type « faits et règles » et moteur d’inférence ».
Selon [Turban 1998], un SIAD est composé plutôt de 5 sous-systèmes distincts (figure ci-
dessous), qui sont : Un sous-système de gestion des données , un sous-système de gestion des
modèles en sous-système de gestion des connaissances, un sous-système de gestion
d’interfaces et l’utilisateur (qui est considéré aussi comme sous-système)
• Le sous-système de gestion des données : concerne la base de données qui contient les
données du système. Cette base de données est gérée par un SGBD (Système de
Gestion de Base de Données).
• Le sous-système de gestion des modèles : fournit les modèles quantitatifs qui
constituent les possibilités analytiques du SIAD. Inclus dans ce sous-système on
retrouve le logiciel à mettre à jour, à combiner, etc. et qui représente le modèle qui est
utilisé dans le SIAD. Ce logiciel est parfois désigné sous l’appelation de SGM (Système
de Gestion des Modèles).
• Le sous-système de gestion des connaissances : a comme rôle la collecte, la
dissémination et la catégorisation de la connaissance dans le système. Ce sous-système
peut agir dans le SIAD comme un composant indépendant ou comme composant de
«support logistique » aux autres sous-systèmes.
• Le sous-système de gestion d’interfaces : il réalise la communication avec l’utilisateur
et achemine l’interaction de ce dernier aux autres sous-systèmes.

e. Organisation technologique des SIAD


II. Aide à la décision stratégique (coopérative) 41

Spargue & Carlson [Sprague 1982] identifient trois niveaux de technologies devant être
incluses dans l’expression des SIAD. A chaque niveau de technologie correspond un niveau
d’utilisation, c’est-à-dire qu’un niveau technologique détermine une catégorie particulière
d’utilisateurs.
Ils distinguent ainsi :
• les SIAD Spécifiques : sont des systèmes utilisant les techniques des SIAD au sens
classique : exploration heuristique, paramétrage, contrôle effectué par l’utilisateur, etc.
Ils sont destinés à aider un décideur dans le processus de décision dans un domaine
particulier (analyse financière, analyse de risque, etc.). Ils intègrent donc des données,
des modèles et des interfaces homme/machine.
• les générateurs de SIAD : sont des éléments matériels et logiciels permettant de
développer rapidement des SIAD spécifiques. Ces générateurs de SIAD sont destinés à
des utilisateurs non informaticiens. Ils les utilisent pour résoudre des problèmes non
structurés en appliquant leur propre expérience et leurs propres heuristiques. Les
générateurs de SIAD fournissent donc la possibilité de construire différents modèles
que l’utilisateur adaptera en fonction du contexte d’utilisation.
• et les outils de SIAD : sont des programmes fondamentaux tels que les systèmes
d’exploitation, les langages de programmation, les compilateurs et les divers utilitaires
de développement qui permettent aux informaticiens de développer des SIAD
spécifiques ou des générateurs de SIAD. Les outils de SIAD peuvent concerner la
création des interfaces homme/machine, la création de modèles ou la création de bases
de données.

II.3.1.1.5. EIS (Executive Information System) et ESS (Executive Support


System)

Un EIS (Executive Information System) est un système spécialement conçu pour répondre aux
besoins de la haute direction d’une entreprise et qui lui est exclusivement réservé. L’intérêt
des EIS est de faciliter l’accès aux informations pertinentes en permettant de naviguer de la
synthèse au détail. Le but étant de confronter ces informations aux objectifs recherchés.
Un EIS étant un outil facilitant l’accès aux informations agrégées pertinentes, tout en
permettant de naviguer de la synthèse au détail, offre les fonctionnalités essentielles
suivantes :
• Confronter les informations agrégées aux objectifs recherchés
• L’accès aux données critiques existantes
• La génération d’états et de graphiques
• Le transfert de données
• L’intégration avec les outils de l’utilisateur final
[Holsapple 1996] préconise d’intégrer dans les EIS les fonctionnalités suivantes :
II. Aide à la décision stratégique (coopérative) 42

• Manipuler de la connaissance utile à un large panel de décisions réalisées par les


cadres de haut niveau,
• Ne doivent pas être restreint à une fonction de l’organisation en particulier.
• Doivent combiner et la prise de décision immédiate et celle à court terme,
• Satisfaire aux besoin informationnels ad-hoc sur les performances courantes et les
activités anticipées de l’entreprise.
• Doivent avoir des possibilités de modélisation relativement simple.
• Doivent être construits et maintenus par des développeurs professionnels.

Un ESS (Executive Support System) par contre, permet d’aller du simple accès aux données
critiques pour intégrer également l’analyse de ces données. Cela signifie que pour qu’un EIS
soit considéré comme un ESS, il faut qu’il offre la possibilité de supporter également les
phases de conception et de choix. Un ESS permet, outre la navigation et le croisement
multidimensionnel, de traiter des volumes importants, d’assurer l’intégration d’informations
d’origine diverses, de gérer des hiérarchies et des agrégats.

EIS et ESS ne sont donc rien d’autre que des variantes de SIAD. Ce qui les distingue, c’est la
nature des informations sur lesquelles ils portent. Ces informations sont de nature stratégique.
Ils diffèrent d’un système d’aide à la décision, dans la mesure où leur fonction principale est de
fournir de l’information, la plupart du temps en temps réel, plutôt que d’être un outil d’analyse
et de prise de décision.

II.3.1.2. Outils de l’aide à la décision à usage groupe

II.3.1.2.1. SIAD de Groupe ou GDSS (Group Decision Support Systems)

Systèmes Interactifs d’Aide à la Décision de Groupe, en anglais GDSS(Group Decision Support


Systems), consistent en un ensemble de technologies qui soutiennent les activités effectuées
par des décideurs organisés en un groupe. En cela, ils sont un type particulier de groupwares
dédiés à la prise de décision.
Selon [Turban 2001], le groupe de décideurs est assisté généralement par :
• un leader, qui programme les réunions, coordonne les activités du groupe, etc... ,
• ainsi qu’un facilitateur dont la mission consiste à promouvoir l’utilisation des
techniques de résolution des problèmes et à encourager la construction d’un
consensus.
Ce type d’outil doit souvent permettre la génération continue d’idée, l’analyse des problèmes,
etc. Il facilite la prise de décision dans un groupe et peut de ce fait améliorer la qualité des
décisions en réduisant le risque d’apparition d’un « groupe de réflexion » (voir section plus
haut) en permettant, par exemple, de rendre anonymes les opinions.
Les principales caractéristiques propres aux GDSS selon Turban et Aranson [Turban 2001]
sont :
II. Aide à la décision stratégique (coopérative) 43

• Le but d’un GDSS est d’assister des groupes de décideurs durant leur travail. Ils
doivent améliorer le processus de prise de décision et de là les performances de ces
groupes.
• Un GDSS doit être facile à utiliser et accessible à tout utilisateur,
• La conception d’un GDSS peut être réalisée autour d’un seul type de problèmes ou
autour d’une variété de problèmes qui sont le(s) sujet(s) de la prise de décision.
Holsapple [Holsapple 1996] évoque deux familles de fonctionnalités pour ce type d’outils :
• Les fonctionnalités d’assistance :
o Eliminer les barrières de communications
o Faciliter la structuration des échanges de délibérations
o Aider les participants à générer des idées, organiser les commentaires, analyse
les résultats, classer les alternatives etc.
• Les fonctionnalités d’organisation :
o Les participants se réunissent dans une salle équipée d’ordinateurs organisés
en réseau local et un écran d’affichage : « la salle de réunion électronique »
o Chaque ordinateur possède un espace privé (pour la préparation des
actions/contributions de l’utilisateur) et d’un espace public (pour voir les
résultats collectifs)
o Certains GDSS peuvent permettre aux utilisateurs d’être dans des zones
géographiques distantes.

II.3.1.2.2. Groupware

Les outils de Groupware aident les individus à travailler ensemble et ce en évitant les
contraintes de lieu et de temps [Saadoun 1996].
Résultats des premiers travaux de recherche du CSCW (Computer Supported Cooperative
Work) initiés dès 1984, les groupwares se sont peu à peu orientés vers un terme générique
renvoyant à tout outil permettant un travail à plusieurs utilisateurs, qu’il soit collaboratif ou
coopératif. Ils offrent le plus souvent des interfaces multi-utilisateurs permettant l’accès aux
fonctionnalités de messagerie, de forum électronique et de workflow, et permettent de mettre
en pratique les méthodes du CSCW.
Le groupware est une technologie qui recouvre des domaines aussi vastes que la coopération,
l’interaction homme-machine et l’interaction interpersonnelle via des techniques numériques.
Ceci avec l’objectif d’améliorer et de transformer les entreprises de manière radicale. En effet,
l’adoption des outils de groupware est basée sur la communication et le partage du savoir, ce
qui nécessite une organisation sociale aplatie, démocratique et coopérative. Dans cette
optique, ces technologies ne peuvent pas être utilisées de manière optimale avec des modèles
de management de type autoritaire, hiérarchique et bureaucratique.
II. Aide à la décision stratégique (coopérative) 44

II.3.1.2.3. Workflow

La WFMC (WorkFlow Management Coalition), organisme international de normalisation des


opérateurs de ce secteur définit le workflow comme «l’automatisation de tout ou partie d’un
processus d’entreprise, au cours duquel l’information circule d’une tâche à l’autre, c’est-à-
dire d’un participant à l’autre, pour une action en fonction d’un ensemble de règles de
gestion» [WFMC 1999].
Souvent la technologie Workflow est considérée comme une application du Groupware. La
technologie Groupware permet aux individus de travailler ensemble, par la communication, la
collaboration et la coordination. On y inclut des activités, aussi variées que les forums
électroniques, l’édition conjointe et le Workflow. Ces activités se distinguent par leur
structuration (plus ou moins forte) et leur orientation (données ou processus). Dans ce
contexte, le Workflow est une technologie qui supporte la coordination d’activités structurées
et qui est centrée autour des processus.
Aujourd’hui ces deux types d’outils tendent à se fondre en une seule catégorie : les outils de
travail collaboratif ou CSCW (Computer Supported Coopérative Work). Ils offrent le plus
souvent des interfaces multi-utilisateurs permettant l’accès aux fonctionnalités de messagerie,
de forum électronique et de Workflow, et permettent de mettre en pratique les méthodes du
CSCW.

II.3.1.3. Outils de l’aide à la décision à usage organisationnel

II.3.1.3.1. ODSS (Organizational Decision Support System)

Une évolution du SIAD fut réalisée avec l’introduction du terme SIAD Organisationnel
(Organizational Decision Support System) [Hackathorn 1981]. Selon King et Star [King 1990],
le concept d’ODSS renvoie à «l’application de technologies informatiques et de
communications dans le but d’améliorer le processus de prise de décision collective dans
l’entreprise».
Alquier insiste sur le fait qu’un ODSS est « un système focalisé sur les besoins de prise de
décision stratégique affectant le management de processus transverses de l’entreprise. »
[Alquier 2001].
L’utilité d’un tel type d’outil est dans la reconnaissance qu’une prise de décision stratégique
diffère amplement d’une prise de décision menée par un collectif et qu’une telle prise de
décision nécessite d’intégrer différentes fonctions de l’entreprise, réparties à différents niveaux
hiérarchiques, et de les faire converger vers un but commun [Touati 2005].
Les Fonctionnalités/caractéristiques d’un ODSS [Turban 2001] :
• Il se concentre sur des activités et des décisions d’organisation où de multiples
problématiques et/ou unités organisationnelles sont concernées.
II. Aide à la décision stratégique (coopérative) 45

• concerne non seulement de multiples problématiques et/ou unités organisationnelles,


il concerne également différentes couches fonctionnelles et hiérarchiques dans une
organisation.
• doit supporter des décisions inter-reliées mais autonomes. En terme de technologie, il
diffère des autres systèmes automatisés par les composants, outils et langages utilisés
dans son développement

Figure 16. Les différents sous-systèmes d’un ODSS selon [Turban 2001]

Un SIAD de type ODSS est un SIAD multi-participants, conçu pour soutenir un décideur dans
un environnement nécessitant une infrastructure bien plus évoluée que celle nécessaire à un
groupe (c’est-à-dire., impliquant des rôles spécialisés, des modèles de communication, des
niveaux différents d'autorité).
En conclusion, un ODSS intègre très souvent différents types de technologies de
communication et/ou informatiques.

II.3.1.3.2. DataWarehouse ou Entrepôt de données


Apparu au début des années 1990 et mis en avant par W. Inmon et R. Kimball , de nombreuses
définitions ont été proposées, soit académiques, soit par des éditeurs d’outils de bases de
données ou par des constructeurs, cherchant à orienter ces définitions pour mettre en valeur
leurs produits.
Littéralement, on peut dire que Datawarehouse signifie en français « Entrepôt de Données ».
B. Inmon [Inmon 2000.1] le définit comme « Une collection de données orientées sujet,
intégrées, non volatiles et historisées, organisées pour le support d’un processus d’aide à la
décision. ».
Précisons les différents éléments de cette définition :
• orientées-sujet : signifie que les données sont structurées en fonction des centres
d’intérêt des managers. Afin de réaliser une telle structure de données, de nouveaux
II. Aide à la décision stratégique (coopérative) 46

modèles de données ont été mis en oeuvre (modèle multidimensionnel en étoiles ou en


flocons)
• intégrées : les données proviennent de différentes sources (par exemple, les bases
transactionnelles de l’organisation) et sont réunies au sein de l’entrepôt de données
• évoluant avec le temps : les données de chaque champ sont liées à une date
• non volatiles : renvoient au fait que les données ne sont pas remplacées dans un
processus de mise à jour, mais, les données sont conservées.
• historisées : la donnée ne doit jamais être mise à jour. Elle représente une valeur
insérée dans le système décisionnel à un certain moment. Le Datawarehouse stockera
ainsi l’historique, l’ensemble des valeurs que la donnée aura prises au cours du temps.
En outre, un DW intègre d’une manière systématique des métadonnées afin de fournir un
référentiel unique à l’ensemble des utilisateurs.
Si le Datawarehouse est construit pour réunir et organiser toutes les informations présentent
dans une organisation, les Datamarts (ou entrepôts métiers) réunissent les informations d’un
seul département de l’entreprise, ils focalisent sur un seul aspect du système d’information. Il
est définit comme « un sous-ensemble logique d’un entrepôt de données » [Kimball 2000]
Tous deux possèdent sensiblement les mêmes fonctionnalités. Beaucoup d’experts, d’ailleurs,
recommandent de commencer par un projet de Data Mart car il est moins risqué et il permet à
l’entreprise de se familiariser avec la technologie du Data Warehouse. Par contre, multiplier le
nombre de Datamarts peut créer des problèmes que le Datawarehouse est censé éliminer. Les
systèmes doivent pouvoir communiquer entre eux pour éviter notamment la resaisie.

Architecture d’un Datawarehouse :

Figure 17. Architecture d’un Datawarehouse [Goglin 2000]


II. Aide à la décision stratégique (coopérative) 47

• Le système source : On appelle, de façon générale, les bases de production toutes les
sources (qu’il s’agisse de données de production, d’informations internes ou externes
quel que soit leur mode de stockage) dont il va falloir extraire des données en vue
d’alimenter le datawarehouse. Ce sont souvent les applications de gestion. La
principale propriété du système source est le temps de disponibilité.
• La zone de préparation des données : regroupe l’ensemble des processus qui nettoient,
transforment, combinent, archivent, suppriment les données. Elle prépare les données
sources en vue de leur intégration et de leur exploitation dans le data warehouse. Les
outils d’alimentation sont utilisés pour extraire les données des bases de production et
des bases d’informations internes et externes, pour les convertir, les transformer et en
fin les stocker dans le data warehouse.
• Le serveur de présentation : Ce composant correspond à la machine cible sur aquelle le
Datawarehouse est stocké et organisé pour répondre en accès direct aux requêtes
provenant des utilisateurs ou d’autres applications. Le datawarehouse est supporté par
une base de données relationnelle, multidimensionnelle ou objet. D’un point de vue
technique, les données d’un datawarehouse sont structurées selon un schéma « en
étoile » (figure ci-dessous) :

Figure 18. Structure “en étoile” du modèle de données d’un entrepôt de données

Une table centrale contient tous les faits à analyser et pour chaque dimension/paramètre
de la table des faits, on a une table qui définit une des clés étrangères de la table des
faits.
• Le portail de restitution : C’est la partie publique de l’entrepôt de données Les services
offerts par le portail de restitution sont les services d’accès aux données, les
applications de modélisation et de data mining. Les services d’accès aux données
comprennent la navigation dans le Datawarehouse, dans les méta données, la
surveillance de l’activité, la gestion des requêtes et la génération d’états standards.

Nouvelles tendances : DataWeb


La recherche se penche de plus en plus à la prise en compte du Web. Un concept fusionne le
datawarehouse et le Web : il s’agit du dataweb. Ce dernier contient l’idée d’un accès à une base
de données universelle quelle que soit la plateforme d’hébergement, sa localisation ou le
II. Aide à la décision stratégique (coopérative) 48

format de données. Il s’agit de l’alimentation du Data Warehouse à partir de données


présentes dans des grandes bases de données mises à disposition sur le Web ou des services de
bourse, etc. Elle peut même se faire à l’aide d’agents intelligents qui vont scruter les sites pour
y détecter l’information intéressante en conjonction avec des moteurs de recherche ad-hoc. Le
dataweb sera accessible à partir d’un simple navigateur Internet. L’objectif est ici d’augmenter
la qualité des décisions en augmentant la qualité de l’information à la base.
Plusieurs éditeurs supportent ce média à différents niveaux : sauvegarde des tableaux
statiques générés au format HTML, interfaces d’accès au système via un navigateur et
génération dynamique de résultats au format HTML, possibilité de télécharger des cubes ou
des documents originaux à partir de pages Web “interactives”, ...

II.3.1.2.3. OLAP (On-Line Analytical Processing)

R. Kimball a défini le concept OLAP comme « une activité globale de requêtage et de


présentation de données textuelles et numériques contenues dans l’entrepôt de données ; style
d’interrogation et de présentation spécifiquement dimensionnelle » [Kimball 2000].

OLAP est une technologie créée en 1993 par E. Codd, pour répondre aux besoins d’analyse et
de reporting des applications de gestion. Ces bases de données relationnelles étaient nées du
modèle OLTP (On Line Transactionnal Processing ». Codd a poursuivi dans la même
direction en définissant pour les bases multidimensionnelles le modèle OLAP « On Line
Analytical Processing ».

II.3.1.2.3.1. Systèmes OLTP versus OLAP

Les bases de données sont utilisées dans les entreprises pour gérer les importants volumes
d’informations contenus dans leurs systèmes opérationnels. Ces données sont gérées selon des
processus transactionnels en ligne (OLTP : « On-Line Transactional Processing » [Codd
1993]) qui se caractérisent de la manière suivante [Inmon 1996] :
• ils sont nombreux au sein d’une entreprise, - ils concernent essentiellement la mise à
jour des données,
• ils traitent un nombre d’enregistrements réduit, - ils sont définis et exécutés par de
nombreux utilisateurs.

L’exploitation de l’information contenue dans ces systèmes opérationnels est devenue une
préoccupation essentielle pour les dirigeants des entreprises qui désirent améliorer leur prise
de décision par une meilleure connaissance de leur propre activité, de celle de la concurrence,
des employés, des clients et des fournisseurs. Les entreprises se sont atelés à rechercher des
systèmes supportant efficacement les applications d’aide à la décision. Ces applications
décisionnelles utilisent des processus d’analyse en ligne de données OLAP [Codd 1993]. Ces
processus répondent aux besoins spécifiques des analyses d’information. Codd définit un
cahier des charges comprenant douze règles que doivent satisfaire les systèmes décisionnels :
II. Aide à la décision stratégique (coopérative) 49

l’analyse des données doit se faire de manière interactive et rapide, pour des données
quelconques et historisées.

Ces processus OLAP se caractérisent de la manière suivante :


• ils sont peu nombreux, mais leurs données et traitements sont complexes,
• il s’agit uniquement de traitements semi-automatiques visant à interroger, visualiser et
synthétiser les données,
• ils concernent un nombre d’enregistrements importants aux structures hétérogènes,
• ils sont définis et mis en œuvre par un nombre réduit d’utilisateurs qui sont les
décideurs. Le Tableau 1 compare les caractéristiques des processus OLTP et OLAP.

Processus OLTP Processus OLAP


Données Exhaustives Résumées
Courantes Historiques
Dynamiques Statiques
Orientées applications Orientées sujets (d’analyse)
Utilisateurs Nombreux Peu nombreux
Variés (employés, directeurs,…) Uniquement les décideurs
Concurrents Non concurrents
Mises à jour et interrogations Interrogations
Requêtes prédéfinies Requêtes imprévisibles et complexes
Réponses immédiates Réponses moins rapides
Accès à peu d’information Accès à de nombreuses informations

Tableau 5. Comparaison des processus OLTP et OLAP

Afin de formaliser le concept OLAP, E. Codd définit douze règles que tout système de pilotage
multidimensionnel devrait respecter. Ces règles sont :
1- Vue multidimensionnelle: La base s’appuie sur un hyper-cube (cube à n dimensions).
L’administrateur définit les dimensions représentant une façon de trier l’information et
regroupent une liste de membres du même type (temps, produit, région,...). L’analyse
pourra ainsi être affinée dans le détail (vision pyramidale).
2- Transparence: L’utilisateur doit pouvoir utiliser ses progiciels habituels (tableur,
reporting, interface graphique ...) sans percevoir la présence d’un outil OLAP.
3- Accessibilité: L’outil rend invisible à l’utilisateur l’hétérogénéité des données. Il accède
simultanément à n’importe quel type de base et effectue les mêmes requêtes en
conservant le cohérence des résultats.
4- Performance continue dans les restitutions: Les performances sont indépendantes du
nombre de dimensions. Elles ne dépendent pas du volume mais de la complexité
graphique.
II. Aide à la décision stratégique (coopérative) 50

5- Architecture Client/Serveur: Une répartition intelligente des traitements et des


données est effectuée.
6- Dimensions graphiques: Les axes d’analyse ne dépendent pas de la structure. Toute
fonction appliquée à une dimension s’applique aussi aux autres.
7- Gestion dynamique des matrices creuses: Les cellules non renseignées ( pas de
correspondance entre les dimensions ) ne doivent pas encombrer la mémoire. On doit
pouvoir modifier la structure de données de l’outil OLAP et changer dynamiquement
les méthodes d’accès.
8- Support multi-utilisateurs: Les accès simultanés sont gérés (récupération, mise à
jour,...).
9- Opérations entre dimensions: On doit pouvoir effectuer des calculs sur toutes les
combinaisons possibles de dimensions sans restrictions techniques. De plus, les outils
OLAP gèrent les calculs inter-dimensions sans faire appel aux usagers du système.
10- Manipulation intuitive des données: L’utilisateur dispose d’une ergonomie de
consultation. Il peut manipuler les données sans avoir recours à un menu ou à des
allers / retours successifs.
11- Flexibilité des restitutions: L’élaboration de rapports doit être souple et conviviale pour
un non-initié. Il doit pouvoir cliquer sur une colonne ou une ligne afin d’obtenir le
détail.
12- Nombre de dimensions et de niveaux de hiérarchie illimités: L’outil OLAP gère au
moins quinze dimensions dans le même modèle. Le nombre de niveaux d’agrégation
est illimité.

II.3.1.2.3.2. Architectures OLAP

Lors de la création d’un cube OLAP, il faut décider de la manière de stocker les données
automatiques ainsi que les agrégats (regroupement).

Trois versions d’OLAP s’affrontent actuellement. L’architecture MOLAP « Multidimensional


OLAP » s’appuie sur une base de données multidimensionnelle. ROLAP « Relational OLAP »
représente leur équivalent sur une base de données relationnelle et enfin HOLAP «Hybrid
OLAP ».
• Architecture MOLAP « Multidimensional OLAP» : Les données du cube et les
agrégations sont stockées dans une structure multidimensionnelle. Le stockage OLAP
de type multidimensionnel (MOLAP) fournit un potentiel adapté aux temps de
réponses les plus rapides, dépendant seulement du pourcentage d’agrégations et du
modèle d’agrégation du cube. D’une façon générale, le stockage MOLAP est plus
approprié pour les cubes qui sont utilisés fréquemment et nécessitent une réponse
rapide.
Avantages : rapide, formats propriétaires.
Inconvénient : ne supporte pas de très grands volumes de données.
II. Aide à la décision stratégique (coopérative) 51

• Architecture ROLAP « Relational OLAP » : Les données du cube et les agrégations


sont stockées dans l’entrepôt existant. (Bases de données relationnelles). Le temps de
réponse OLAP de type relationnel (ROLAP) aux requêtes est généralement plus long
que celui des deux autres options. Le mode de stockage ROLAP est généralement
utilisé pour les grands jeux de données qui ne sont pas interrogés fréquemment,
notamment les données d’historiques portant sur des données éloignées.
Avantages : souplesse, évolution facile, permet de stocker de gros volumes.
Inconvénient : peu efficace pour les calculs complexes.
• Architecture HOLAP : Les données du cube sont stockées dans l’entrepôt relationnel
existant, et les agrégations dans une structure multidimensionnelle. Pour les requêtes
accèdant aux données de synthèse, le stockage OLAP de type Hybrid est similaire au
stockage MOLAP. Les requêtes qui accèdent aux données de base, comme celles qui
descendent de niveau jusqu’à atteindre un simple fait, doivent extraire les données de
la base de données relationnelles. Le temps de réponses à ces requêtes ne sera pas
aussi rapide que si les données de base avaient été stockées dans une structure
MOLAP. Les cubes stockés dans le mode HOLAP sont de plus petite taille que les cubes
MOLAP et permettent de répondre plus rapidement que les cubes ROLAP aux requêtes
lancées sur des données de synthèse. Le mode de stockage HOLAP convient
généralement pour les cubes qui nécessitent des réponses rapides aux requêtes sur des
données de synthèse calculées à partir d’un volume important de données de base.

II.3.1.4. Outils d’aide à la décision à usage mixte (individuel,


organisationnel)

II.3.1.4.1. KDD (Knowledge Discovery from Databases):

L’accumulation des données opérationnelles des entreprises et la concurrence amènent les


entreprises à analyser leurs données pour avoir un avantage concurrentiel stratégique.
Le KDD (Knowledge Discovery in Databases) traduit en français par ECD (Extraction de
Connaissances de Données) est un processus interactif, itératif et « non-trivial »,
d’identification de connaissances qui sont valides, nouvelles, potentiellement utiles et
compréhensibles.
Le KDD évolue et continue à évoluer, par l’intersection des recherches menées dans plusieurs
disciplines à la fois comme les bases de données [Matheus 1993][Dhar 1993][Gardarin 1999],
apprentissage automatique, reconnaissance de formes, statistique [Jambu 1999], intelligence
artificielle et raisonnement incertain, acquisition de connaissances pour des systèmes experts
[Aussenac 1989], visualisation de données.
Le KDD s’inscrit dans une démarche d’aide à la décision : les données disponibles sont d’abord
transformées en une information dont on va extraire une connaissance intelligible, utile,
intéressante dans le contexte (apport du datamining), qui favorisera une meilleure décision.
(figure ci-contre)
II. Aide à la décision stratégique (coopérative) 52

In te rp r é ta ti o n /
E v a lu a ti o n
F o u il le
C o n n a is s a n c e
T ra n s fo r m a ti o n

P r e -tra it e m e n t

s tr u c tu r e
S e l e c ti o n
D . tra n s f o rm é s
D p ré - tr a ié té e s

D . c ib l e
D on n ées
s

Figure 19. Processus KDD [Fayyad 1996]

Ce processus cyclique comporte les phases de sélection de données, de pré-traitements, de


transformations, de data mining, d’interprétation, visualisation et d’évaluation de la
connaissance extraite.

II.3.1.4.2. Datamining (Fouille de données)


Les concepts de data mining et de KDD ou ECD (Extraction de Connaissances à partir de
Données) sont parfois confondus et considérés comme synonymes. Mais, la définition la plus
partagée du concept de data mining le voit comme un élément essentiel intervenant dans le
processus ECD. L’équivalent de ce terme en français est « fouille de données ».
Le dataMining est le processus de découverte de corrélations, patterns et des
tendances. Il peut être itératif et/ou parfois interactif selon les objectifs à atteindre par
une analyse d’un large volume de données (data warehouse) historiques, internes et externes
en utilisant des méthodes et techniques issues de l’IA et des mathématiques/statistiques,
pour : visualiser les données, corriger les données, découvrir des connaissances afin de mieux
décider [Fayyad 1996].
Le data mining fait appel à un lot de méthodes issues de la statistique, de l’analyse des
données, de la reconnaissance des formes, de l’intelligence artificielle ou de l’apprentissage
automatique [Adrians 1996].
Le terme Data Mining n’a été introduit qu’en 1990. Naturellement, les statistiques classiques
constituent la base des algorithmes de Data Mining : les notions de distribution, de variance,
d’analyse régressive, de déviation, d’analyse par clusters, d’analyse discriminante, d’intervalles
de confiance sont la bible en la matière.
L’intelligence artificielle vient en second lieu. Ce domaine se fonde sur l’heuristique plus que
sur les statistiques et tente d’appliquer un traitement qui se rapprocherait de la pensée
humaine aux données. L’IA n’a pas connu l’engouement attendu à cause de la puissance
phénoménale de calcul nécessitée.
La troisième et dernière branche importante est l’apprentissage machine (Machine learning),
qui est un mariage entre les statistiques et l’IA. Cette discipline tente de laisser à l’ordinateur
la tâche d’apprendre lui-même les données étudiées, influant sur le comportement et les
décisions du programme.
II. Aide à la décision stratégique (coopérative) 53

Parmi les méthodes les plus connues du data mining, nous citons les règles d’association
[Agrawal 1993], les méthodes de classement (ou d’apprentissage supervisé ou de classification
supervisée) et les méthodes de classification automatique (ou d’apprentissage nonsupervisée
ou de classification non-supervisée).
Web Mining : Le mariage du web et du décisionnel est né de la volonté de récupérer
l’information de ce réservoir de données mondial. Le web constituera la principale plateforme
pour les applications décisionnelles (échanges Intra-entreprises ou Inter-entreprises) et
permettra de récupérer des informations multimédias :
• Alimenter l’entrepôt de données d’une entreprise avec les données présentes dans les
grandes bases de données mises à disposition sur le web (services de bourse,...).
• Interroger, analyser, naviguer dans les données d’une entreprise à l’aide d’un simple
browser (commerciaux sur portables).
• Télécharger des cubes ou documents originaux à partir de pages web interactives.
• Télédistribuer non seulement des documents mais de la logique.

II.3.1.5. Synthèse et discussion

Les outils de l’aide à la décision se sont diversifiés et continuent à l’être bénéficiant de


l’émergence de nombreuses technologies (Internet/Intranet, Outils de médiation, et en
stockage massif des données etc..) et des architectures client-serveur, trois-tiers, architectures
parallèles.
Toutefois, si l’entrepôt de données se différencie du système d’information opérationnel par
l’orientation de l’usage de données vers la décision plutôt que vers le simple archivage, il
demeure très peu intéressant pour l’aide à la décision stratégique, sauf si on fait du
Datamining agrégatif. En réalité, les données internes issues des procédures ne sont pas très
intéressantes à elles seules pour l’aide à la décision complexe. Les décisions n’ont pas comme
seules sources les données procédurales.
Le KDD (Knowledge Discovery from Databases) est considéré comme un des outils
d’agrégation les plus intéressants. [Fayyad 1996]. Ce processus est cependant « Data-
pushed ».
Chaque outil informatique est doté de ses propres méthodes de réalisation et de mise en
œuvre : méthodes KOD [Vogel 1988] ou KADS [Breucker 1994] pour les systèmes experts,
Data Mining, KDD, méthodes de développement rapides d’applications ou RAD,
Datawarehouse, …
Nous allons présenter quelques unes des principales méthodes de l’aide à la décision.

II.3.2. Méthodes de l’aide à la décision


Les méthodes de l’aide à la décision sont nombreuses, diversifiées, non reliées, utilisant des
concepts et des formalismes différents selon les outils. Seule la modélisation des données reste
un point à peu près partagé. Il n’existe pas non plus de méthode des méthodes.
II. Aide à la décision stratégique (coopérative) 54

Il n’existe pas de panorama complet des méthodes, incluant définition des besoins, choix d’un
type d’outil et réalisation.
La conception de système d’aide à la décision peut être abordée selon différentes approches,
chacune de ces approches privilégiant un aspect particulier de l’environnement informatique
multi-utilisateurs [Touati 1995]:
• Conception orientée génie logiciel : Cette approche a pour objet de définir les
méthodes d'analyse et de conception permettant d'identifier les différents composants
des SIAD.
• Conception orientée espace d'information partagé : cette approche est basée sur les
systèmes de bases de données multi-utilisateurs. La coopération est, ici, fondée sur
l'accès aux informations communes. Ces informations peuvent être utilisées comme
moyen de perception des autres.

II.3.2.1. Méthodes orientées génie logiciel

Une synthèse des principaux modèles de conception [Touati 2006] sont :


• les modèles séquentiels, souvent représentées par le modèle en « cascade ». Il
constitue l'une des méthodes les plus communément utilisée pour le développement
de système. L’approche est apparue dès 1970 et a été dénommée ainsi du fait de
l'enchaînement en cascade, les unes après les autres, des différentes étapes du
processus de développement logiciel. Chaque étape, dans le modèle, n'est initiée
qu'après clôture de l'étape qui la précède. Ceci implique que chaque étape dépend des
résultats de sa précédente et qu'il n'existe aucun retour-arrière possible lorsqu'une
étape est terminée
• les modèles de prototypage rapide ou RAD, Le prototypage, qui selon [Sommerville,
1995] doit être considéré par définition comme évolutif, est basé sur l'implémentation
d'un prototype initial incomplet. Le prototype doit être ensuite exposé aux critiques
afin de permettre un raffinement du prototype initial ; ainsi de multiples versions
améliorées sont construites jusqu'à ce que le système désiré ait été atteint et réalisé.
Un prototype permet d’établir et de clarifier les besoins des utilisateurs.
Il existe trois types de prototypes :
o Les prototypes « jetables » : Un prototype « jetable » sert à appréhender les
besoins à faire remplir par le futur système. Il doit englober au départ les
besoins mal-identifiés ou faiblement formalisés. Un prototype de ce type ne
devra pas faire partie du système final ; une fois que les besoins du système
sont parfaitement formalisés, le prototype sera détruit.
Un prototype jetable devra être rapide à construire, aidera à clarifier les besoins
et empêchera une mauvaise compréhension concepteurs/utilisateurs, Enfin il
permettra aux concepteurs de relever les futures difficultés possibles.
II. Aide à la décision stratégique (coopérative) 55

Ils peuvent ne pas remplir les standards de qualité et peuvent même être écrits
dans un langage différent de celui adopté pour l’outil final.
o Les prototypes évolutifs : Ces prototypes s’intègrent parfaitement dans une
optique de modèle évolutif :
 Participent au développement d’un système identifié par un sous-
ensemble bien-formalisé de besoins,
 Permettent de fournir un système et d’en obtenir le retour-utilisateur,
 Permettent de sélectionner les prochains besoins les mieux appréhendés
et de poursuivre le processus.
o Les prototypes progressifs : ils s’utilisent lorsque les besoins sont connus par
avance, la construction du système est alors menée par une suite de prototypes
sous forme de composants fonctionnels. Leurs avantages sont :
 Chaque livraison fournit certaines fonctionnalités, ce qui fait que
l’utilisateur final ne sera point surpris par l’outil ou produit final fourni
en fin de développement,
 L’utilisateur est fortement impliqué dans le processus.
Les phases classiques d’une approche de prototypage se présentent comme suit :
o Analyse et définition des besoins : détermination et définition des objectifs du
système global, ainsi que ses exigences fonctionnelles ou de performance, ceci
en concertation avec les futurs utilisateurs,
o Prototypage : Développement en une conception rapide et construction d’un
prototype de certains éléments du système,
o Test : Les utilisateurs évaluent les fonctions et recommandent un certain
nombre de changement afin de mieux répondre à leurs besoins,
o Itération : une itération se produit lorsque le processus est répété, et on tentera
alors de dériver un modèle acceptable,
o Production : production d’un prototype en appliquant les étapes décrites dans
le modèle classique de processus logiciel.
Le modèle du prototypage nous semble adéquat à des situations adhocratiques où les
futurs utilisateurs sont clairement identifiés et disposent d’une forte autonomie de
décisions et du choix de leurs ressources. Ce choix, impactant que d’une manière
limitée le fonctionnement de l’entreprise, peut même conduire à l’abandon de la
production du système.

• Les modèles en spirale, L’approche évolutive en « spirale » est itérative. Le produit


« évolue » par une série de processus itératifs et concourants, à la différence des
approches traditionnellement plus séquentielles présentées plus-haut. Elle exige une
collaboration plus accrûe des futurs utilisateurs. L’approche combine les concepts de
II. Aide à la décision stratégique (coopérative) 56

simultanéité ou d’ingénierie concourante, d’itérations, et de prototypage dans un


même et unique modèle.

Figure 20. Le modèle en « spirale » adapté depuis [Sommerville, 1995]

L’approche suit les phases suivantes :


o Positionnement des objectifs : détermination des objectifs, leurs alternatives et
ainsi que leurs contraintes
o Estimation du risque et réduction :
 Les alternatives sont évaluées,
 Les risques clefs sont identifiés, analysés et l’information est collectée
pour réduire ces risques,
o Développement et validation
 Développement selon les objectifs établis et vérification que ces objectifs
sont atteints,
 Choix d’un modèle approprié pour la phase suivante,
o Planification
 Revue des résultats obtenus durant le cycle en cours,
 Planification d’une autre itération si nécessaire.
L’approche nous semble la plus adéquate pour des problématiques fortement
complexes, en contexte adhocratique. Elle est encore plus justifiée dans les situations
décisionnelles à large échelle qui impactent le mode d’organisation, la stratégie et les
acteurs de l’entreprise. Les besoins des utilisateurs ne peuvent être complètement
identifiés car l’identification complète des futurs utilisateurs est difficile et ne se
formalise qu’en situation organisationnelle concrète et prolongée. L’adéquation entre
besoins à satisfaire par le système et les paramètres du coût et du délai de son
développement doit se faire uniquement au regard des besoins globaux du niveau
II. Aide à la décision stratégique (coopérative) 57

stratégique, au-delà des besoins individuels ou d’une unité organisationnelle


fonctionnelle quelconque.

Nous présentons ici la seule méthode proposée pour la conception de SIAD ayant un caractère
générique, à savoir ROMC proposée par Sprague et Carlson [Spargue 1982].
Dans un deuxième temps, nous présentons une méthode de conception de SIAD stratégique
puis des méthodes dédiées.
II.3.2.1.1. Méthode de conception d’un SIAD individuel
La méthode ROMC est une démarche de prototypage orientée vers la conception de SIAD
individuel. Elle prend en compte les phases cognitives du décideur de H.A. Simon [Simon
1960]. La méthode s’articule autour de quatre phases importantes
• Représentation : Conceptualisation de l’information utilisée pour la prise de décision
• Opération (O) : Manipulation logique et analytique de données
• Mémoire (M) : Aide-mémoire
• Contrôle : Fonctions pour permettre à l’utilisateur de contrôler les activités d’un SIAD.
L’approche est itérative (fig. ci-dessous). Le SIAD «évolue» par une série de processus
itératifs. Elle exige une collaboration plus accrûe du décideur. C’est une approche typique du
modèle en spirale [Boehm 1988], dans le domaine industriel qui préconise l’utilisation de
plusieurs itérations. Durant chaque itération on retrouvera le modèle « en cascade » classique.
Phases de développement d'un logiciel
Etapes Compréhen- Conception Choix, Installation
du SIAD sion du des réalisation et tests
problème solutions de la
possibles solution
R Objectifs, Schémas Modèles Saisie des
schémas, conceptuels logique et données
figures, de données, technique Test
documents dictionnaire des données Manuel
des données
Choix des
outils
O Traitements de Etats et flux Réalisation Manipula-
données de données, - de la basetion sur les
Description de formalisa- de modèles données et
calculs tion des - des les
calculs modèles opérations
Choix des Manuel
outils (suite)
Aide- Aides, Formalisa- Réalisation Test
Mémoire Contraintes tion Fin des
d'intégrité et manuels
de sécurité
Contrôle Type de Menus, Réalisation Test
dialogue écrans interface Manuel à
compléter

Figure 21. Déroulement de la méthode ROMC.

Elle propose une modularité du SIAD s’intéressant à des activités cognitives différentes :
II. Aide à la décision stratégique (coopérative) 58

• Phase de raisonnement (R et O),


• Phase d’utilisation ergonomique du SIAD (M et C) :
o M : Les aides mémoire sont extrêmement utiles dans le processus de décision et
doivent être prévus dans les SIAD. Ils peuvent être sous forme physique tels que les
mémos et les rapports, sous forme de règles mentales que le décideur applique ou
encore sous forme d’une fonction à la charge d’une personne parmi les subordonnés
d’un décideur,
o C : Les décideurs se différencient par leur style, leur compétence et leur connaissance.
Par conséquent les SIAD doivent aider les décideurs et développer leurs styles,
compétences et connaissances. Les décideurs s’attendent à exercer un contrôle direct
sur le système. Ils ne doivent pas pour autant travailler sans intermédiaire ; au
contraire, ils doivent être capables d’analyser les entrées et d’interpréter les sorties.

II.3.2.1.2. Méthode de conception d’un SIAD stratégique


Une architecture générique pour un SIAD stratégique a été élaborée lors du projet DECIDE
[Solivares 1997] et réutilisée par le projet PRIMA [Alquier 1999][Prima 2000].
Nous qualifions cette architecture d’architecture type pour la conception de SIAD Stratégique.
Elle est basée sur la dualité systématique entre externe et interne. (figure 20)

Externe Interne
Source Source
d'informations Informations Informations d'informations
externe & & interne
Modèles Modèles

Simulation stratégique

Décideur

Figure 22. Architecture type d’un SIAD Stratégique.

Cette dualité correspond à la mise en perspective d’une cible et des moyens de l’atteindre.
Ainsi, chaque métier, par exemple, participant au projet (ou à un processus clé) devra avoir les
moyens de construire ses connaissances, faire des simulations lors de la coopération et utiliser
ses indicateurs métiers appropriés.
II. Aide à la décision stratégique (coopérative) 59

II.3.2.2. Méthodes orientées espace partagé


II.3.2.2.1. Méthode de conception d’entrepôts de données

Les entrepôts de données sont, maintenant, bien implantés dans les organisations et ils
constituent une architecture décisionnelle globale utilisée par l’ensemble des décideurs d’une
organisation.
Au départ, les DW étaient destinés à un petit nombre de décideurs : les dirigeants de
l’entreprise. En effet, le système ne pouvait supporter un grand nombre d’interrogations sur
l’ensemble des données de l’entrepôt. Cependant, les décisions se prenant à tous les niveaux
hiérarchiques, il a été nécessaire d’élargir le nombre de personnes pouvant avoir accès à cette
architecture décisionnelle. Plutôt que de donner un accès à l’entrepôt pour tous les
utilisateurs, d’autres solutions ont été mises en oeuvre :
• pour les responsables de fonctions ou d’unités (niveau N-1), les marchés de données
(Datamart) ont été crées. Ces marchés importent seulement une partie des données de
l’entrepôt afin de répondre plus rapidement à un besoin spécifique ;
• pour les cadres opérationnels ayant, par exemple, un contact direct avec la clientèle, un
nouveau type d’application a été mis en oeuvre. Plutôt que d’interroger directement la base
de données transactionnelle, le concept de magasin de données opérationnelles
(Operational Data Store) a été développé. Ces magasins possèdent certaines
caractéristiques des entrepôts de données (orientation « sujet » des données, par exemple)
et d’autres des bases transactionnelles (processus de mis à jour des données, par exemple).
Ils constituent, à ce jour, le dernier développement de l’architecture fondée sur des DW.
Ainsi, une véritable architecture décisionnelle destinée à l’ensemble des personnels de
l’organisation se met en place. D’ailleurs, W. Inmon et C. Imhoff parlent de «Corporate
Information Factory » [Inmon 2000.2].
L’approche du Data Warehouse est néanmoins limitée par le type de données qu’elle
manipule : ce sont le plus souvent des données internes formelles et structurées, contenues
dans des applicatifs peu valorisables en aide à la décision ; de telles sources de données
procédurales ne peuvent être les seules sources d’une prise de décision complexe.
Nous rajouterons que mettre à plat toutes les données transactionnelles suppose une
compréhension (au sens sémantique et cognitif) de toutes les informations de tous les métiers
par tous, ce qui est impossible et de surcroît inutile. L'incommunicabilité des métiers provient
de leur spécialisation. La communication se fait dans un but soit de coordination soit d'analyse
globale qui n'utilise pas des données détaillées.

II.3.2.2.2. Méthodes d’Extraction de Connaissances à partir de Données

Le KDD ou ECD s’inscrit dans une démarche d’aide à la décision : les données disponibles sont
d’abord transformées en une information dont on va extraire une connaissance intelligible,
II. Aide à la décision stratégique (coopérative) 60

utile, intéressante dans le contexte (apport du datamining), qui favorisera une meilleure
décision.
Une entreprise peut les utiliser dans un but d’aide à la décision mais aussi de management des
connaissances, que nous présentons dans le chapitre suivant.
En aide à la décision, les outils de type KDD sont utilisables pour la conception et la réalisation
de certains SIAD. Les méthodes reprennent d’ailleurs les préconisations classiques pour des
SIAD : interactivité, itérativité, interprétation par le décideur ou l’usager des patterns générés,
incorporation dans une représentation ad hoc,... De plus en plus d’entreprises se dotent
systématiquement d’outils frontaux d’interrogation avancée des bases de données.
L’approche KDD n’est pas une méthode de management des connaissances. Mais elle amène
dans ce domaine des réflexions intéressantes :
• L’idée de rendre actif un processus d’émergence de connaissances est un problème
particulièrement important [Varela 1989] [Hassas 2003] et qu’on retrouvera dans le
management des connaissances dans l’entreprise [Nonaka 1995].
• Les méthodes d’émergence de connaissances ne sont par contre pas nouvelles. La plus
grande partie est issue de l’analyse statistique de données, et ne fournit donc que de
l’information de type signal fort. Or les entreprises recherchent plutôt de l’information
– signal faible.
• Le travail sur la représentation des connaissances, notamment classification, évaluation
et représentation des connaissances découvertes est central à l’aide à la décision et a
donc un intérêt général.
• La gestion de l’évolution des connaissances est aussi intéressante, avec l’insertion des
nouvelles connaissances dans les bases de données constituées au départ.
• Les efforts de présentation rejoignent aussi un souci très général des SIAD.

II.3.2.3. Synthèse et discussion

Les méthodes de réalisation d'outils d'aide à la décision sont très différentes des méthodes
d'automatisation des procédures de travail.
Les méthodes de réalisation pour l’aide à la décision stratégique ou la conception de SIAD
coopératifs sont en effet encore peu formalisées et restent un domaine foisonnant sans
démarche d’ensemble. Le présent travail tente d’y contribuer en s’intéressant un volet qu’est
les démarches d’acquisition des connaissances agrégées pour l’aide à la décision stratégique.
Nous partons du postulat suivant, que la spécificité des méthodes pour les systèmes d’aide à la
décision et de pouvoir intégrer :
• l’analyse des processus cognitifs du décideur (processus mentaux, représentations,
interprétations, tatôtennements, ..)
• et l’analyse de situations décisionnelles (situation de travail, rôle défini à priori dans la
cadre de l’organisation du travail, décisions, ..)
II. Aide à la décision stratégique (coopérative) 61

Le KDD (Knowledge Discovery from Databases) est considéré comme l’une des méthodes
d’agrégation de connaissances les plus intéressantes [Fayyad 1996]. Le datawarehouse aussi.
Cependant, les décisions y sont vues sous leur aspect informationnel et procédural, et non pas
sémantique ou cognitif. Le relevé par procédure, activité ou tâches est en partie inadéquat
pour un recueil des décisions. Les décisions sont guidées par les données ou « Data-pushed »
et sont des manipulations de données [Admane 2000].

Nous avons aussi montré l’intérêt d’intégrer les connaissances issues des données historiques
(bases de données métiers) et les connaissances des experts (décideurs métiers). Le dosage
des deux catégories de connaissances émergentes dépendra de l’environnement (répétitif ou
nouveau ) [Ghomari 2004].

II.3.3. Exemple de méthode et outil d’aide à la décision stratégique :


PRIMA-STRAT
PRIMA (Project RIsks Management) [Prima 2000] aide à formaliser le processus de réponse à
appel d’offre qui est un des vingt processus clés majeurs et génériques de l’entreprise, en
amont d’autres processus, notamment les processus techniques de production.
Pour les entreprises industrielles partenaire du projet PRIMA, il s’agissait de constituer une
mémoire technico-économique d’entreprise, au niveau stratégique. Il s’agit en effet
d’entreprises fabriquant des produits uniques ou innovants, cas les plus difficiles de mémoire
d’entreprise.

PRIMA déploie une aide à la prise de décision basée sur le risque, focalisée sur ce qui est
appelé la phase conceptuelle du cycle de vie d’un projet ou d’un produit. Elle se situe au niveau
management de projet, d’un pilotage à un haut niveau décisionnel dans l’entreprise dans les
phases amont des projets. Ce niveau est clairement différencié de celui la gestion de projet, qui
intervient une fois l’affaire négociée.
Notre équipe MSI (Management des Systèmes d’Information) du Laboratoire LMCS
(Méthodes de Conception de systèmes) de l’INI a contribuée au projet Européen à travers le
projet de coopération CMEP N°00MDU485 intitulé «Management par processus et aide à la
décision en milieu industriel »6.

Dans PRIMA (fig. ci-dessous), la variable « risque » est introduite. PRIMA se base sur le fait
que le fondement des décisions d’affaire repose sur la prise de risques. Elle propose une aide à
la prise de décision basée sur une évaluation des risques, spécifique au processus de réponse à
appel d’offre.

6
2000-2003 : Accord- Programme de recherche (France-Algérie) entre l’Université de Toulouse 1 (UT1) et
l’Institut National d’Informatique (INI), dans le cadre d’un projet CMEP 00MDU 485 (Comité Mixte d'Evaluation
et de Prospective de la Coopération Inter universitaire Franco-Algérienne) intitulé « Management par processus et
management du système d’information ». http://www.esi2.us.es/prima/UT11.html
II. Aide à la décision stratégique (coopérative) 62

Externe Interne
Système
Prix du produit Coût du produit
d'information
Exigences du client Solution technique
coopératif
Risques externes Risques internes

Simulation stratégique

Chef de projet RAO

Figure 23. Architecture générale de PRIMA [Alquier 2001].

L’aide à la décision de PRIMA est de niveau stratégique. Elle a les spécificités suivantes :
• elle intervient sur l’organisation d’entreprise, pour l’amélioration d’une situation de
décision stratégique : le processus de réponse à appel d’offre. Il s’agit d’un modèle d’aide à
la décision stratégique et de support à la prise de décision coopérative.
• elle intervient sur le processus de réflexion des décideurs, qu’elle amplifie
• elle s’adapte au degré de maturité du décideur
• elle a une architecture spécifique
• elle est améliorée si le Système d’Information de l’entreprise est remanié dans le sens de
l’aide à la décision et du management des connaissances
• elle fournit des indicateurs qui sont à la fois des instruments de gestion et de
management. Par exemple, la comparaison entre prix et coût revient à analyser la marge
bénéficiaire estimée de l’entreprise, les conditions dans lesquelles elle sera obtenue, puis de
lancer un projet en « design to cost» [Michaels 1989].

L’extraction et la formalisation est faite au niveau local, lieu des connaissances spécialisées et à
capitaliser telles que :
• Solutions techniques développées durant une RAO,
• Produits, Processus et Ressources nécessités par chaque projet étudié en phase
conceptuelle,
• Coûts et Risques rattachés à ses projets.
L’approche « top -down » suivie dans PRIMA est la pratique la meilleure et plus rapide
[Davenport 1993] de réorganisation de processus.

PRIMA-STRAT se préoccupe du contrôle managérial et du contrôle du management par


processus. Quatre types d’indicateurs concernent ce contrôle. Par ordre d’importance : le
risque, le coût, la qualité (performances) et les délais. La méthode proposée est centrée sur les
deux indicateurs les plus importants, le risque et le coût et les combinent entre eux.
Concernant le contrôle managérial, les indicateurs sont organisés à un haut niveau
d’agrégation compatible avec la vision managériale. Il y a mise en perspective des exigences
externes (l’intelligence économique du projet) et de la mise en œuvre de la stratégie interne.
II. Aide à la décision stratégique (coopérative) 63

Concernant le contrôle du management par processus, l’étude amont menée avec PRIMA-
STRAT fournit un plan de management des risques du projet ultérieur et capitalise les
connaissances sur les risques et coûts effectifs des projets (retour d’expérience).

La méthode vise aussi le développement du travail coopératif. La croissante complexité des


projets et des produits mène à l'analyse de quantités énormes de données. Le processus de
RAO exige des compétences diverses et des compromis entre plusieurs organisations
techniques, industrielles et contractuelles dans une période de temps très courte, basé sur la
répartition des connaissances. La coopération et le travail en groupe pour la gestion des
connaissances sont connus pour leur impact sur le ré-ingénierie de processus d'affaires, la
gestion de qualité totale, l'ingénierie simultanée concourante.

En effet, le sommet stratégique (Système d’Information coopératif) définit l’intentionnalité


globale du Système d’aide à la décision stratégique. Par exemple, dans le cas de PRIMA, les
structures cognitives propres en phase conceptuelle, à une équipe de RAO, doivent être
formalisées en intégrant les savoir-faire sur le risque et sur le coût, elles sont ensuite ré-
utilisées par d’autres équipes de RAO et même au-delà de la phase conceptuelle, par des
équipes de projet.

La méthode donne à très court terme une forte valeur ajoutée à l’effort d’organisation fait par
l’entreprise et les décideurs. Or un retour sur investissement rapide est une incitation notable
à l’effort nécessaire à une réorganisation par processus.

II.4. Le système d’information : source de connaissances pour


l’aide à la décision stratégique
II.4.1. Systèmes d’information : Fondements de base
Le Système d’Information (SI) est défini par Le Moigne [Le Moigne 1973] comme « l’ensemble
des informations, formelles ou informelles, structurées ou non structurées, circulant dans
une organisation ». C’est un dispositif de gestion et d’organisation de l’entreprise.
De son côté, R. Reix7 définit le S.I comme: « Un ensemble organisé de ressources: matériel,
logiciel, personnel, données, procédures permettant d’acquérir, de traiter, de stocker,
communiquer des informations (sous diverses formes) dans des organisations. ”

La discipline des Systèmes d’Information est à l’interface entre les théories de l’organisation de
l’entreprise, la vision du système complexe, les processus cognitifs humains et les techniques
de mise en œuvre et de traitement de l’information : Informatique (figure ci-dessous)

7
Dans R. Reix, «Système d’information et management des organisations », Vuibert, 1995.
II. Aide à la décision stratégique (coopérative) 64

Vision Th é ories de
de
Théories
Vision
syst ésystémique
mique l'organisation
l ’ organisationde
l'entreprise
de l ’ entreprise

S.I
S.I
Technologies
Technologies de
Processus cognitifs l'information et de la
Processus cognitifs
humains de Traitement
humains
communication
de l ’ information

Figure 24. Système d’information : discipline carrefour

Le Système d’Information, tel qu’il est défini dès son origine, en référence à la théorie des
systèmes [Le Moigne 1973], a pour but essentiel de satisfaire l’aide au pilotage de l’entreprise
[Courbon 1993].
Les systèmes d’information forment une discipline appartenant, entre autres, aux sciences de
l’organisation [Rowe 2002]. A ce titre, ils ont pour préoccupation commune avec ces dernières
«l’intérêt d’abord pour la décision et l’action des individus, ensuite pour la manière dont ceux-
ci coordonnent leurs activités et communiquent à l’intérieur de d’une organisation » [Getz
1994]
Un système d’information s’appuie le plus souvent sur un système informatique, qui est un
ensemble de moyens de communication électroniques, de bases de données et de fonctions de
traitement sur ces bases (applicatifs logiciels ou progiciels).

Entreprise

SYSTEME
DE DECISION

informations SYSTEME
D'INFORMATION

énergie,... SYSTEME DE PRODUCTION

Figure 25. Système d’information dans l’entreprise

La théorie des systèmes appliquée aux organisations et notamment [Le Moigne 1974],
distingue trois types de systèmes (figure ci-dessous) dans une organisation :
• le système de production : ou système opérant au sens large (les activités
administratives ou de service y sont incluses)
• le système de décision (pilotage) : qui contrôle le fonctionnement du système, mesure
l’écart par rapport aux objectifs, et donne les ordres de corrections nécessaires au sous-
II. Aide à la décision stratégique (coopérative) 65

système opérant. Le système de décision de l’entreprise utilise et s’appuie sur le


Système d’Information.
• le système d’information, qui représente l’ensemble des informations traversant
l’entreprise (en interne, ou en liaison avec l’environnement externe). Le pilotage de
l’entreprise s’effectue sur la base de la représentation du réel qu’offre le système
d’information, et non sur la base de ce réel directement. Ceci est vrai aussi bien en ce
qui concerne la représentation du système opérant (information interne) que la
représentation de l’environnement (information externe).

II.4.2. Constats relatifs aux méthodes de conception des systèmes


d’information
Les méthodes du Système d’Information s’intéressent à comment faire ? comment passer des
buts et des résultats souhaités à la spécification et au choix des outils, de façon à tirer parti au
mieux des Nouvelles Technologies de l’Information et de la Communication. [Alquier 1993].
Les méthodes de conception classiques des systèmes d’information portent sur la conception
et la mise en œuvre des procédures automatisables. Elles partent d’un double postulat :
• d’une part que les liens entre l’homme et la machine sont stables,
• que les liens entre les différents acteurs de l’organisation sont figés d’autre part.
Leur multiplicité, leur approche par domaine, leur spécialisation par type de besoin ou par
type d’outil informatique, ont fait du Système d’Information une mosaïque non intégrée, avec
une parcellisation des connaissances de l’entreprise et une non-communication.
Or, certaines tâches sont évolutives. Elles ne peuvent pas être formalisables dans l’absolu.
Leurs liens respectifs ainsi que leurs liens avec les tâches formalisées ne peuvent pas l’être non
plus. C’est le cas de décisions stratégiques.
Le SI et le management du SI doivent permettre de satisfaire trois catégories de besoins
[Alquier 1993] :
• les procédures de travail opérationnelles,
• le décisionnel et le management des connaissances qui s’en déduit,
• et les communications au service des processus transverses.
Un Système d’Information doit donc pouvoir satisfaire simultanément des besoins très variés
voire contradictoires. On trouve ainsi :
• des besoins d’intégration (qui s’oppose au découpage en domaines),
• d’unicité des objets de gestion (qui s’oppose à la réalisation d’applications
indépendantes par domaine),
• de décentralisation des décisions et de spécialisation de tâches autonomes,
• de downsizing,
• de management des connaissances en relation avec la conception des Systèmes
d’Information,
II. Aide à la décision stratégique (coopérative) 66

• d’organisation des sources d’information pour les systèmes d’aide à la décision (data
warehouse, data mining and knowledge discovery),
• d’organisation des communications entre systèmes hétérogènes (ré-ingénierie des
Systèmes d’Information, middleware, travail coopératif), ...

La modélisation des Systèmes d’Information a besoin d’une approche renouvelée :


• Elle est tirée par le besoin : il faut répondre aux problématiques de plus en plus
complexes des entreprises qui ont besoin d’être réactives, innovantes et compétitives,
• Elle est poussée par la technologie : du fait de nouveaux supports d’information
(multimedia,...), d’outils de communication (Internet, Groupware...) ou d’aide à la
décision (EIS,...) de plus en plus puissants.
L’aide à la décision a besoin que le Système d’Information de l’entreprise soit organisé comme
une source de connaissances.

II.4.3. Systèmes d’information : source potentielle de connaissances


pour l’aide à la décision
Une source de connaissances est défini comme étant tout moyen physique, logique ou humain
ayant en sa possession des informations ou des connaissances et doté de possibilités de les
faire évoluer, de les transmettre spontanément ou moyennant des traitements spécifiques et
d’en créer de nouvelles [Admane 2006].
Le Système d’Information de l’entreprise est un système structuré dans un cadre défini par
une stratégie l’entreprise [Le Moigne 1974]. Il n’est en général pas organisé pour l’aide à la
décision. En effet, dès 1971, Gorry et Scott Morton constataient le faible impact des systèmes
d’information sur la prise de décision dans les organisations. Un constat d’autant plus
préoccupant, que selon eux, l’une des principales fonctions des SI est d’assister la prise de
décision [Davis 1986] [Amabile 2002].
Un système d’aide à la décision s’insère dans le Système d’Information de l’entreprise. Or très
souvent ce système d’information est trop orienté vers les processus répétitifs, les applications
centralisées et les bases de données.
En effet, dans les niveaux inférieurs de la hiérarchie, les connaissances sont détaillées,
volumineuses et dispersées, correspondant aux procédures de travail et aux tâches
quotidiennes. Elles peuvent être exploitées comme des connaissances lorsqu’elles sont mises
en perspective par rapport à des décisions à prendre (ex : QBE ,..). Le Datamining l’a montré.
Cette connaissance est cependant au niveau des tâches et devra donc faire l’objet d’un
traitement pour un usage en aide à la décision stratégique. Elles ne sont par conséquent pas
directement utilisables au niveau du management.
Il n’empêche que ces informations, mises à jour fréquemment, aisément disponibles, doit
pouvoir profiter à l’aide à la décision. De plus, les outils existants donnent de nouvelles
possibilités (BD multidimensionnelles, OLAP,...).
II. Aide à la décision stratégique (coopérative) 67

Le S.I, tel qu’il est organisé et mis en œuvre dans une entreprise, est la source d’informations
internes intéressantes pour un décideur, mais dans une perspective de connaissances
disponibles par des approches limitées telles que le data mining.
Le système d’information doit aussi être un outil de communication et d'aide à la décision.
Ceci suppose une vue intégrée de tous les besoins et usages, une architecture globale
permettant de faire face à la maîtrise de toutes les applications et outils informatiques, que ce
soit :
• Les automatisations localisées de fonctions, qui organisent et gèrent leur propre
système de communication et d'information (actions locales),
• Leur cohérence et leur communication,
• La mise à disposition des décideurs des sources d’informations nécessaires,
• Des systèmes globaux et une structure globale, entre les fonctions et avec le client, qui
englobe de façon adéquate les systèmes d'information spécialisés.
• Le système d’information doit aussi être un outil de communication et d'aide à la
décision.
T.H. Davenport a mis en évidence le rôle central du traitement d’information dans une
orientation de management orienté processus [Davenport 1993]. Strassman lui a montré que
seule l’innovation des processus associée aux technologies de l’information donne à ces
dernières un retour sur investissement intéressants [Strassman 1990].
Une approche intégrée et cognitive du Système d’Information d’une entreprise est donc
nécessaire. Elle suppose la prise en compte cohérente de tous les aspects d’informatisation, et
notamment les usages à forte valeur ajoutée : aide à la décision, management des
connaissances, Système d’Information d’Intelligence Economique, ...
Les TIC y ont rôle très important à jouer, sous des formes très variées. C'est dans le
management par processus que le problème du Système d'Information se pose de façon très
extensive (définition des processus, coordination entre les métiers, définition des mécanismes
de contrôle,…). Les buts d’un tel système d’information ont été synthétisés par Davenport
[Davenport 1993] :
• Le contrôle des performances d’un processus : met à la disposition des chefs de projet
les informations utiles à la vision client, à la communication décloisonnant les métiers,
• L’intégration des processus,
• Le management de l’information orientée processus.
Modéliser et organiser un SI dans sa profondeur suppose la prise en compte des niveaux de
modélisation cognitif et linguistique en amont du niveau conceptuel des méthodes de
conception [Alquier 1993] comme MERISE [Tardieu 1983][Tardieu 1985] ou UML [Penders
2002],…) :
II. Aide à la décision stratégique (coopérative) 68

A id e à la D é c is io n ,
C o g n itif
m a n a g e m e n t d e s c o n n a is s a n c e s
C o o r d in a tio n , c o m m u n ic a tio n s , L in g u istiq u e
o r g a n isa tio n p a r p r o je t
C o n c e p tu e l
A u tr e s m é th o d e s : O r g a n is a ti o n n e l
M E R IS E , U M L
T e c h n iq u e

Figure 26. Niveaux de modélisation d’un Système d’information

Une telle approche est une analyse amont, prenant en compte les exigences cognitives et
coopératives. Elle ne conduit pas nécessairement à des mises en place
techniques fondamentalement différentes ; l’organisation des éléments en place peut être
souvent conservée, mais avec une approche cognitive complémentaire.
Lors de cette analyse amont, les aspects coopératifs peuvent être également structurés : c’est la
modélisation spatiale du Système d’Information. Elle porte essentiellement sur deux aspects :
distribution des connaissances et organisation du travail, coopération cognitive et organisation
des processus transverses.
En ce qui concerne l’exemple précédent, la phase RAO requiert ainsi l’appui d’un système
d’information adapté capable de fournir une aide à la décision stratégique efficace [Chalal
2007]. Ainsi, le système d’information doit permettre de :
• Constituer un référentiel des risques internes et externes. Le risque interne est censé
être sous le contrôle de l’entreprise (les partenaires, exigences du client, composants
des produits,…). Le risque externe est le risque que l’entreprise ne peut contrôler
(contexte, client, marché, les concurrents,…),
• Recueillir et organiser l’information sur la connaissance relative aux risques,
• Gérer l’information pour faciliter l’accès à la connaissance sur les risques,
• Interagir avec la mémoire d’entreprise pour constituer la mémoire business sur les
risques.

II.5. Conclusion
L’étude des systèmes d’aide à la décision représente un champ, à part entière, de la recherche
académique. Nous nous sommes situés dans un contexte des décisions complexes,
stratégiques ou tactiques telles que définies par H.A. Simon. Le schéma conceptuel ci-contre
synthétise les principaux concepts évoqués dans ce chapitre
II. Aide à la décision stratégique (coopérative) 69

Domaine

relative

Catégorie Décision Décision

de type

prise

Décideur utilise Outil


appartient

Groupe

Outil centré individu Outil centré Groupe Outil centré organisation

Groupe (métier) Groupe (Processus)

Figure 27. Schéma conceptuel de l’aide à la décision

Dans un processus de prise de décision, données, informations et connaissances sont


monopolisées. Si l’on admet que les données sont indépendantes de l’utilisateur et que l’on
appréhende l’information comme l’interprétation de données [Newman 2001], les
connaissances occupent alors une place centrale dans la prise de décision.
L’aide à la décision suppose ainsi un modèle différent du SI :
• Il est à aborder comme un système de connaissances, « la connaissance est la matière
première, le processus et le produit fini de la prise de décision » selon [Holsapple,
1996]. Le décideur est donc le seul à pouvoir transformer une information en
connaissance ou une connaissance en information. L’aide à la décision et le
management de connaissances sont ainsi étroitement articulés.
• Il est à structurer par rapport aux activités de création de connaissances et de prise de
décision plus ou moins complexe.
Tout système d’aide à la décision utilise des informations de l’entreprise déjà structurées et
créées par d’autres systèmes, à des degrés divers. L’aide à la décision stratégique a besoin
d’informations internes agrégées, l’agrégation étant une fonction complexe et vitale.
Nous avons fait allusion à deux types d’aide à la décision stratégique [Kroenke 1994] :
• celle qui s’adresse aux décideurs stratégiques (donc plutôt monopersonnelle ou
individuelle),
• et celle qui s’appuie sur une vision transverse (coopérative).
II. Aide à la décision stratégique (coopérative) 70

Dans les processus de décision stratégiques (coopératives), il est fait appel à des
connaissances, à des savoirs et savoir-faire répartis dans l’espace global et local de
l’organisation. L’amélioration de la prise de décision est liée à l’acquisition des connaissances.
L’amélioration peut porter sur une amélioration du processus cognitif et/ou sur une
amélioration de la connaissance sur la situation décisionnelle.

Le chapitre qui va suivre s’attachera à donner un panorama des méthodes et techniques de


l’acquisition de connaissances.
71

CHAPITRE III. INGENIERIE DE CONNAISSANCES


POUR L’AIDE A LA DECISION STRATEGIQUE
III. Ingénerie de connaissances pour l’aide à la décision stratégique 72

III.1. Introduction
Une entreprise n’est pas seulement une unité de production de biens ou de services
conformément aux attentes du client, dans les meilleures conditions de coûts, délais et qualité,
mais c’est aussi une unité de production de connaissances [Grundstein 1996].
La « connaissance de l’entreprise » est devenue ainsi un centre d’intérêt marqué, à la fois pour
les entreprises et en recherche. Dans une entreprise, la connaissance peut se trouver dans des
documents, des bases de données, dans des procédures organisationnelles, des pratiques, des
normes,… Les technologies de l’information et de la communication permettent des stockages,
des manipulations et des communications solides et étendues
La connaissance est placée au centre de l’organisation comme un véritable actif stratégique. Le
nouveau statut accordé à la connaissance contribue à l’élaboration d’une théorie de la firme
basée sur les connaissances [Charlot 2002]. Afin de bénéficier d’un avantage compétitif
durable, la théorie de la firme basée sur les connaissances postule que l’entreprise doit
notamment générer de nouvelles connaissances [Charlot 2002].
Les organisations, aujourd’hui, sont de plus en plus sujettes aux tendances suivantes [Charlet
2003]:
• Elles devront conduire des innovations à un rythme accéléré au prix d’un changement
continuel des savoirs utilisés et des configurations organisationnelles ;
• On y reconnaîtra de plus en plus l’importance du capital intellectuel et des expériences
acquises par les individus et les collectifs de travail, reconnaissance qui
s’accompagnera d’une plus grande autonomie conférée aux acteurs ;
• Elles s’appuieront toujours davantage sur technologies de l’information et de la
communication qui constitueront l’architecture dorsale des nouveaux environnements
de travail virtuels et permettront de tracer toujours plus efficacement les engagements
et les savoirs.
Les TIC (Technologies de l’Information et de la Communication) jouent ainsi un rôle de plus
en plus important de support dans l’accomplissement d’une organisation basée sur les
connaissances [Holsapple 2001.1], [Charlot 2002].
Selon C.W. Holsapple, l’aide à la décision et la capitalisation des connaissances sont
étroitement articulés entre eux. En effet, la décision (notamment la décision complexe) est
basée sur la capacité à manœuvrer la connaissance et est une activité de fabrication d’une
nouvelle connaissance par rapport à une action à engager. La connaissance est donc la matière
première, le processus et le produit fini de la prise de décision [Holsapple 1996]. Le décideur
est donc le seul à pouvoir transformer une information en connaissance ou une connaissance
en information.
L’IC (Ingénierie de connaissances) en tant que discipline a pour objectif de construire des
modèles en vue d’aboutir à des artefacts automatisés venant s’insérer dans les usages de
l’utilisateur [Bachimont 1996] [Charlet 2000]).
III. Ingénerie de connaissances pour l’aide à la décision stratégique 73

Du fait de son intérêt pour la connaissance en tant qu’objet à construire, à exprimer, à


transmettre, à acquérir ou à exploiter, l’ingénierie des connaissances s’associe à de
nombreuses disciplines :
• d’une part, dans sa démarche d’ingénierie, l’IC mobilise les concepts et techniques de la
représentation des connaissances, les méthodes d’analyse et de conception à objets, le
raisonnement à base de cas, l’ingénierie documentaire ou l’ingénierie éducative, la
conception de systèmes d’information, etc,
• d’autre part, dans sa démarche de modélisation des connaissances, l’IC doit se
rapprocher de disciplines permettant de caractériser et décrire les connaissances d’un
domaine et d’évaluer leur mise en place dans les SBC. La sociologie, la gestion ou
l’ergonomie peuvent ainsi concourir à une démarche d’explicitation de ce que sont les
connaissances dans un contexte humain et organisationnel.
Le but de ce chapitre est faire un tour d’horizon du domaine de l’Ingénierie des connaissances.
Nous commencerons d’abord par une clarification du concept de connaissance et des
principales typologies. Nous retiendrons la dichotomie connaissance de l’individu et
connaissance de l’organisation.
Dans un deuxième temps, un aperçu du management de connaissances. Dans un troisième
temps, on présente un aperçu du domaine de l’ingénierie de connaissances.
Nous passerons ensuite en revue les méthodes d’acquisition de connaissances. Nous
montrerons que l’on peut diviser les méthodes en deux générations distinctes : une première
génération de méthodes dont l’objectif est une acquisition centré individu (expert) une
deuxième génération de méthodes qui nous intéresse plus particulièrement, est centrée
organisation ou systèmes de connaissance de l’organisation.
L’intérêt que nous accordons à la connaissance de l’organisation via la connaissance des ses
membres nous amènera à détailler plus la méthode MUSIC car plus appropriée pour la
coopération cognitive.

III.2. Connaissance
III.2.1. Définitions
La définition du concept de connaissance a longtemps alimenté de nombreux débats chez les
philosophes et épistémologues. Nous avons retenu une sélection qui nous semble appropriée à
notre contexte de recherche.
Plusieurs auteurs se sont intéressés à la comparaison des trois concepts que sont : donnée,
information et connaissance.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 74

Pour le besoin de cette thèse, nous retenons celle de Davenport [Davenport 1998]. Les
données, l’information et les connaissances constituent autant de points d’un continuum le
long duquel la valeur et la contribution humaine vont croissant. (figure ci-dessous)

Figure 28. Relations Conceptuelles entre Donnée, Information et Connaissance (Adapté de


[Davenport 1998]

Les données − signes des événements et des activités humaines de tous les jours − ont peu de
valeur en elles-mêmes ; elles ont néanmoins à leur crédit d’être faciles à manipuler et à stocker
sur ordinateur.
L’information, c’est ce que deviennent les données lorsque l’homme les interprète et les
contextualise. C’est aussi le support que nous utilisons pour exprimer et communiquer les
connaissances à l’intérieur des entreprises et dans la vie de tous les jours. L’information a plus
de valeur que les données, et, en même temps, une plus grande ambiguïté, comme en attestera
tout manager qui a discuté des nombreuses interprétations que les termes « client », «
commande » et « livraison » pouvaient avoir à l’intérieur d’une même entreprise.
Les connaissances, quant à elles, sont de l’information contenue à l’intérieur du cerveau
humain ; sans une personne lucide pour détenir ces connaissances, point de connaissances. La
valeur des connaissances est élevée, parce que, grâce à elles, l’homme a de nouvelles idées, de
nouvelles intuitions et de nouvelles interprétations, qu’il applique directement à l’utilisation
des informations et à la prise de décision. La connaissance est ainsi une information
valorisable, provenant de l’esprit humain, qui inclut de la réflexion, de la synthèse et un
contexte particulier. Pour les managers, il est difficile de gérer les connaissances de leurs
collaborateurs car elles sont d’ordre mental. Elles sont invisibles et leur extraction, leur
partage et leur utilisation relèvent de la motivation et de la bonne volonté de leur détenteur.
La connaissance a ainsi plus de valeur que l’information ou la donnée, car elle est plus près de
l’action. « … la connaissance est de l’information combinée à de l’expérience, du contexte, de
l’interprétation et de la réflexion » [Davenport 1998].
III. Ingénerie de connaissances pour l’aide à la décision stratégique 75

« La connaissance est du savoir, du savoir-faire, de l’expérience, voire du savoir-être ».


[Nonaka 1995]. Elle peut être tacite ou explicite. Elle n’est en tous cas identifiable que par ce
qu’elle produit, c’est à dire de l’information ou la réalisation d’actions.

J.L Ermine [Ermine 1996a] conçoit la connaissance comme un objet qui s’observe selon trois
axes : syntaxique (signe, forme), sémantique (signifié, le sens) et pragmatique (signifiant, le
contexte).
V. Prince [Prince, 1996] parle de « mode d’emploi permettant de transformer les données en
informations, c’est donc ce qui est associé au passage entre le signifiant et le signifié ». La
connaissance est donc propre à chaque individu ainsi que le savoir-faire qui permet
l’attribution de sens à des données.

Handschuh & al. [Handschuh 1998] se focalisent sur la connaissance comme information
traitée. Ils définissent la connaissance comme “the internal state of an agent following
acquisition and processing of information. An agent can be a human being, storing and
processing information in his mind, or an abstract machine, including devices to store and
process information”.

Dans la théorie systémique, la connaissance est récursive entre sujet et objet, elle produit sujet
et objet ([Piaget 1970] et [Morin 1986]), au sein d’un processus d’interaction entre sujet et
objet, émergence abstraite d’une boucle générative (sujet x objet). Celle-ci n’est pas un état ou
une constante, c’est une dynamique, une compétence qui peut prendre la forme de
performances multiples dans des actes divers, compétence qui s’enrichit au fur et à mesure
qu’elle met en jeu des performances.

Newell distingue la connaissance et sa représentation (les symboles) [Newell 1982] et affirme


qu’il «existe un niveau du système informatique au-dessus de celui des symboles et qui est
caractérisé par la connaissance comme médium et le principe de rationalité comme loi de
comportement ». Newell appelle ce niveau le «knowledge level ». Dans la littérature
francophone, ce niveau est appelé niveau cognitif. A ce niveau cognitif, un agent est considéré
comme ayant un ensemble d’objectifs, un corpus de connaissances et un ensemble d’actions.

« La connaissance est un processus continu d’évolution et de construction à partir de l’acquis.


Il y a une dialectique permanente entre les deux logiques (ou plutôt logicités) de la
connaissance et de l’ignorance, de l’ordre et du désordre » [Atlan 1979]. La connaissance
construit de l’ordre pour affronter et résoudre les incertitudes qui se présentent.

F. Varela [Varela 1989] distingue d’une part la connaissance en tant que stock de celle en tant
que flux (l’action de connaître). Ainsi, le passage de la notion d’information à celle de
connaissance s’opère au travers d’un mécanisme de cognition des informations. Cela signifie
que, l’individu opère une structuration d’une ou plusieurs informations selon une certaine
III. Ingénerie de connaissances pour l’aide à la décision stratégique 76

logique, pour aboutir à la mise en évidence d’une loi augmentant la compréhension qu’a
l’individu de son environnement.

« La connaissance comprend l’ensemble des faits manipulés qui servent à élaborer de


nouveaux faits ou à déterminer les actions qu’il faut entreprendre. Cette connaissance
n’inclut pas les faits qui servent à décrire des situations, ou ceux qui ont été établis par le
système pour donner des propriétés de ces situations ». [Pitrat 1990]

« La connaissance a priori n’existe pas : elle est construite à partir d’un projet propre au
modélisateur. Étudier cette construction permet d’essayer d’en dégager des invariants
méthodologiques. C’est le projet des épistémologies constructivistes » [Le Moigne 1995].

Selon A.M Alquier, «La connaissance est une dynamique, une compétence, un ensemble de
potentialités, qui peut s’actualiser dans des performances, voire dans des réalisations
multiples. Elle progresse au fur et à mesure qu’elle met en jeu des performances, dans un
processus d’évolution et de construction à partir de l’acquis ». [Alquier 2000]

III.2.2. Typologies des connaissances


Plusieurs typologies ont été proposées dans la littérature. Nous retenons quelques unes qui
nous semblent pertinentes pour notre recherche.
III.2.2.1. Typologie selon son degré de formalisation

Nonaka [Nonaka 1994] et se fondant sur les travaux de Polanyi [Polanyi 1967], distingue deux
types de connaissances, tacites de celles explicites :
• Connaissance « explicite » ou codifiée : fait référence à une connaissance qui peut être
transmise par voie formelle ou par le langage. Des exemples de connaissances
explicites sont les matérialisations du système d’information de l’entreprise que sont
les rapports, documents, ...
• Connaissance « tacite» : est ancrée dans l’action et propre à un contexte spécifique, ce
qui la rend difficilement formalisable et communicable. Elle apparaît sous deux
aspects, celle que l’on pourrait appeler une connaissance de contexte, ensemble de
valeurs, de normes implicites et les savoir-faire, acquis par la pratique, l’expertise.
III.2.2.2. Typologie inspirée de la psychologie cognitive

Anderson évoque plusieurs types : [Anderson 1983]


• Connaissance procédurale : elle représente comment un problème est résolu. Elle
indique comment réaliser une tâche ;
• Connaissance déclarative : elle décrit ce qui est connu du problème (des énoncés
décrivant les objets, les concepts, etc.) ;
• Connaissance causale
• Connaissance conditionnelle
• Connaissance relationnelle
III. Ingénerie de connaissances pour l’aide à la décision stratégique 77

• Connaissance pragmatique
• Connaissance environnementale

III.2.2.3. Typologie basée sur la structure organisationnelle :

A.M Alquier [Alquier 1993][Alquier 2000], propose elle une typologie des connaissances
tenant compte de la structure organisationnelle. La classification proposée (figure 27) se base
sur le mode de propagation des connaissances dans l’organisation et leur mode d’exploitation :

S ystème de Connaissance
Coopératif

S ystème de
Connaissance
Départemental

Connaissance
Locale
(Unité Cognitive)

S ystème de Connaissance
Collectif
Connaissance
Individuelle

Figure 29. Typologie des connaissances selon A.M. Alquier [Alquier 2000].

• Connaissances collectives : elles correspondent à des connaissances normalisées,


constitutives de l’organisation en tant que tout. Elles sont souvent sujettes à des
stratégies de simplification et de normalisation dans l’organisation. Leurs cycles
d’évolution sont plus lents que ceux des autres types de connaissances. Elles
correspondent à :
o Des connaissances collectives, structurantes de l’organisation en tant qu’entité ;
o Des connaissances à sémantique précise non ambiguë ;
o Des processus ou règles structurés de façon stable et collective, pour lesquelles
les moyens d’analyse, méthodologies de l’organisation sont définis.
• Connaissances départementales : Elles correspondent au processus cognitif métier ou
département de l’organisation (ensemble de personnes partageant une finalité et un
langage commun). Elles sont articulées en niveaux. Chaque niveau est un processus
cognitif d’agrégation correspondant à une fonction spécialisée. Ces connaissances sont
caractérisées par une dynamique cognitive ayant sa propre logique locale. Elles sont
caractérisées par :
o Un même type de finalité qui utilisent des langages spécialisés, décentralisés,
hétérogènes et spécialisés.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 78

o Des cycles d’évolution moyens avec un phénomène d’émergence de


connaissances nouvelles
• Connaissances individuelles : sont spécifiques à un poste de travail déterminé,
décisionnel notamment. Elles sont issues des apprentissages locaux. Elles ont souvent
des degrés de complexité importants. Elles proviennent d’individus ou groupes de
personnes en nombre restreint, autonomes sur la définition de leur travail. Actions,
langage et processus cognitifs sont en interaction directe et immédiate. L’apprentissage
est rapide par contact rapproché entre effets des actions et abstractions. L’émergence
des nouvelles connaissances ne peut être qu’au niveau local.
• Connaissances coopératives : la quasi-décomposition effectuée entre les connaissances
collectives, les connaissances départementales et les connaissances individuelles a
permis de minimiser les échanges entre elles. Cependant, ces échanges sont
fondamentaux. Ils redonnent à la juxtaposition de l’ensemble, l’intégration nécessaire
pour restituer le système de connaissance global de l’entreprise. Toute l’articulation de
ces connaissances est dans leur coopération, dans la coordination du travail et dans la
communication linguistique.

Cette dernière typologie nous convient plus particulièrement en raison de son lien avec
l’organisation (organisation spatiale). Le recensement des connaissances collectives ou
départementales nécessite, en plus des étapes classiques de recensement, des opérations de
vérification, de normalisation du langage et de la sémantique, étant donné qu’elle sont
partagées par plusieurs acteurs et donc sujettes à des compréhensions différentes.

III.2.3. Cycle de vie de la connaissance


Les liens entre les types de connaissances, passant d’un état à l’autre au cours de leur existence
ont été mis en évidence par Nonaka [Nonaka I. et Takeuchi H., 1995]. On parle alors de cycle
de vie d’une connaissance et celui-ci est intimement lié à sa transmission. Les liens entre les
différents types sont illustrés par la figure ci-dessous.

Figure 30. Les quatre modes de transformation de la connaissance [Nonaka 1995]

• Du tacite au tacite : c’est l’initiation (ou socialisation) où les connaissances tacites


des uns (le maître) sont transmises directement aux autres (apprenti) sous forme de
connaissances tacites (le partage sur le lieu de travail, apprentissage). L’acquisition de
III. Ingénerie de connaissances pour l’aide à la décision stratégique 79

la connaissance se fait par observation consciente ou inconsciente, par imitation, par


pratique, par partage d’expériences sans recours à un langage particulier. Ces
connaissances résultent de l’interaction des individus au sein d’un groupe.
• Du tacite à l’explicite : c’est l’externalisation ou la formalisation où l’individu essaie
d’expliquer son art, ses pratiques, ses croyances par le discours ou l’écrit et de convertir
son expérience en connaissances explicites (métaphores, modèles, concepts). Cette
étape nécessite de partager un langage et des concepts communs. Cette situation peut
se rencontrer par exemple au cours d’une enquête d’un cogniticien ou d’une
controverse entre professionnels amenés à justifier leur action.
• De l’explicite à l’explicite : c’est la combinaison par le biais d’un langage commun où
l’individu combine divers éléments des connaissances explicites pour constituer de
nouvelles connaissances explicites (gestion électronique documentaire, réseaux de
connaissances). Cette étape correspond à la génération de connaissances nouvelles
induites ou déduites par le rapprochement de connaissances explicites.
• De l’explicite au tacite : c’est l’internalisation où les connaissances explicites
diffusées dans l’organisation sont assimilées par le personnel pour compléter la somme
de connaissance des individus (organisation apprenante). C’est l’enracinement de la
connaissance explicite dans des séquences pouvant atteindre le stade de réflexe,
d’automatisme et permettant des gains d’efficience.

Pour le besoin de la thèse, nous retenons la dichotomie système cognitif de l’individu et celui
de l’organisation tel que définit par Alquier [Alquier 1993]

III.2.4. Connaissance et système cognitif de l’individu versus de


l’organisation
Le domaine cognitif designe tout ce qui a trait à la connaissance –de la perception (visuelle,
auditive, tactile) à l’intelligence (calcul, résolution de problèmes, intuition, choix stratégique),
en passant par le langage, la mémoire, l’apprentissage [Jars 2005].

III.2.4.1. Système cognitif de l’individu

La faculté de connaître est issue du fonctionnement du cerveau, à la fois appareil cognitif et


siège de la pensée et de la connaissance. On définit le système cognitif d’un individu comme
l’ensemble des processus qui règlent le comportement.
La connaissance de l’individu est ainsi une compétence, voire un ensemble de potentialités,
qui peut s’actualiser dans des performances, des réalisations effectives (actes ou langage)
multiples.
La connaissance progresse au fur et à mesure qu’elle met en jeu des réalisations, dans un
processus d’évolution et de construction à partir de l’acquis. Elle n’est pas une constante. Elle
se constitue et progresse par l’action et le langage. Le langage a deux fonctions, qui se
retrouveront dans les énoncés :
III. Ingénerie de connaissances pour l’aide à la décision stratégique 80

• Fonction de représentation, et il sert alors comme codage de la pensée, comportant un


vocabulaire de base (lexique), des règles syntaxiques de construction des expressions
bien formées, et des règles sémantiques d'interprétation permettant de faire
correspondre à chaque expression sa signification,
• Instrument de communication, qui met en jeu des sujets placés dans une certaine
situation et interagissant entre eux en vue de réaliser certains buts.
La faculté de connaître est donc liée au langage et à l’action (figure ci-dessous).
La connaissance n’est pas atteignable chez les individus. Mais la connaissance s’exprime dans
le langage et l’action.
Niveau cognitif
Connaissance
Compétence non atteignable

Niveau linguistique ou des actions


Langage Action Performances visibles

Figure 31. Lien entre connaissance, langage et action chez l’individu [Alquier 2000].

De manière générale, la connaissance peut être approchée à la fois par :


• la cognition ou processus dynamique, avec ses deux aspects : faculté conative
(s'efforcer de ou activité de connaître) ou cognitive (facultés cognitives, intelligence, ou
compétences)
• ses états: contenu et résultats de la cognition: savoir (connaître une science, un art) ou
savoir-faire (façon de faire, habileté acquise par l'expérience).

III.2.4.2. Système cognitif de l’organisation

Les organisations existent pour produire et parce qu’elles produisent des objets concrets ou
abstraits. Elles conçoivent, développent une intelligence, des compétences, des connaissances
pratiques, des expertises, des habilités, des savoir-faire et savoirs, et des capacités à les mettre
en oeuvre dans des actions.
L’organisation a aussi des processus qui règlent son comportement. Le comportement d’une
organisation se mesure à ses actions, ensemble des réponses à des événements, réponses
réglées par des processus internes.
Mais la faculté de connaître dépend non pas d’un cerveau mais des connaissances et des
compétences des acteurs dans l’organisation et de leurs interactions. Donc, une organisation
n’a pas d’appareil cognitif matériellement identifiable. Celui-ci est donc artificiel, C’est un
« knowledge construct », l’intégration et la synergie des processus cognitifs des acteurs liés par
une organisation du travail collaboratif [Alquier 1993].
La connaissance de l’organisation est répartie à travers ses acteurs (ou individus). La
connaissance d’une organisation est alors une entité abstraite, virtuelle :
III. Ingénerie de connaissances pour l’aide à la décision stratégique 81

• par son origine, du fait de son appareil cognitif abstrait,


• et sa nature, car elle est un système, à travers, l’intégration de processus cognitifs
individuels liés par une organisation :
o Aspect statique (structure de la connaissance),
o Aspect dynamique (processus cognitif, processus de coopération).
L’organisation est dotée de connaissance, à la fois abstraite parce qu’elle n’est pas identifiable
à des individus spécifiques, mais elle est concrète par ses manifestations.
La connaissance d’une organisation est une compétence non atteignable directement. Seules
ses performances (langage, savoir-faire et actions) sont au moins partiellement atteignables
(concrètes). Savoir-faire, actions, langage sont les manifestations matérielles, opératoires et
organisées de la connaissance de l’organisation (fig. ci-dessous).

Connaissance

Langage Savoir-faire
structuré et non Action
structuré

Figure 32. Lien entre connaissance, langage et action dans une organisation [Alquier
2000].

III.3. Management de connaissances

Le management des connaissances (ou : capitalisation des connaisances, corporate


knowledge,…) correspond à la prise de conscience que les connaissances sont le capital de
l’entreprise. La « connaissance de l’entreprise » est devenue récemment un centre d’intérêt
marqué, à la fois pour les entreprises et en recherche [Alquier 2000][Admane, 2006].
Le management effectif de cette connaissance est un challenge important. Cette focalisation
montre la conviction grandissante que le « management de la connaissance » est important
pour la stratégie de l’entreprise.

III.3.1. Définition

Selon R. Dieng, « Le Management de connaissances est le management des activités et des


processus destinés à amplifier l’utilisation et la création des connaissances dans
l’organisation selon deux finalités : une finalité patrimoniale et une finalité d’innovation
durable » [Dieng 2002]
Le Management de connaissances de l’entreprise est l’exploitation intentionnelle de la
connaissance : capture ou acquisition, stockage, création, partage et démultiplication.
Il s’agit de gérer le transfert de connaissance entre travailleurs, dans l’espace et dans le temps.
Ce transfert est une culture d’entreprise, qui enseigne à tous, des managers aux employés,
III. Ingénerie de connaissances pour l’aide à la décision stratégique 82

comment produire et optimiser les compétences comme une entité collective, comment garder
et exploiter des leçons du passé, comment intégrer les différentes sortes de savoirs et comment
réutiliser ce qui a été couronné de succès ou éviter de reproduire des erreurs.
C’est une stratégie d’entreprise qui transforme la connaissance en productivité, valeur,
capacité à réagir, adaptation au changement et compétitivité accrue.
C’est un changement radical de management, transposant la recherche de compétitivité de
facteurs matériels vers l’immatériel.
Le management des connaissances a à se focaliser sur la connaissance ayant le plus de valeur
ajoutée pour l’entreprise. Il ne s’agit pas de la connaissance explicite, formelle et systématique,
souvent existante dans des éléments tangibles, qui est aisément communiquée et partagée. Il
s’agit de la connaissance qui se réfère à l’expertise, au savoir –faire, au contexte. Elle est le plus
souvent tacite, implicite, non enregistrée ou structurée, difficile à formaliser, fortement
personnalisée et difficile à communiquer.
Le management de connaissances est l’organisation de l’utilisation de la connaissance comme
support à l’innovation continue. Si on considère que la capacité de croissance et de
construction de nouvelles connaissances est illimitée, on sait aussi qu’elle est soumise à des
mécanismes complexes, parce que liée au mental des individus au moins autant qu’aux
procédures d’organisation, de stockage et de réutilisation. Certains auteurs lui donnent un
sens étroit de gestion des ressources humaines.
Le management des connaissances n’est pas un projet en soi, puisqu’il ne se valorise que dans
un usage. Il peut être relié et constituer un projet commun avec :
• Le BPR (Business Process Reengineering) [Davenport 1993], ou reconfiguration des
processus métier, qui devient une valeur ajoutée à la connaissance et dans lequel le
management des connaissances trouve toute sa place,
• L’aide à la décision, qui est également une façon d’ajouter de la valeur à la
connaissance. L’aide à la décision est un but pour le management de connaissances,
• L’entreprise apprenante8, qui tire du management de connaissance les sources de
l’innovation.

III.3.2. Management de connaissances et processus décisionnel

N. Bolloju, M. Khalifa et E. Turban [Bolloju 2002] ont tenté de mettre en lumière les liens
entre gestion des connaissances et processus décisionnel en mettant l’accent sur les quatre
phases décrites précédemment [Nonaka 1995] :
• En matière décisionnelle, la phase d’initiation ou socialisation renvoie au partage et à
l’échange de conseils non formalisés sur la manière de résoudre tel ou tel cas
décisionnel.

8
Une entreprise est dite "apprenante", si, d'une part, elle capitalise et transfère les expériences, les
compétences individuelles et collectives créées au sein de son organisation et si, d'autre part, elle permet
à ses collaborateurs d'expérimenter, de créer et de se transformer en toute confiance, liberté et sécurité.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 83

• la phase d’externalisation renvoie au processus de modélisation d’une décision, c’est-à-


dire, au processus qui conduit à observer un comportement décisionnel en s’attachant
à formaliser le passage des déterminants du problème jusqu’à la solution retenue.
• La phase de combinaison renvoie à la combinaison de modèles décisionnels explicites
afin de traiter de nouveaux problèmes.
• Enfin, la phase d’internalisation, renvoie à l’adoption et l’utilisation de règles
décisionnelles d’une manière routinière. Dans ce cas, le décideur n’a pas conscience des
règles décisionnelles qu’il utilise, il applique ces règles car il les a intégrées
cognitivement.
Les processus de prise de décision et de gestion des connaissances possèdent un certain
nombre de similitudes conceptuelles. Selon cette approche, on observe l’interdépendance
entre les processus de prise de décision et de gestion des connaissances.

III.3.3. Management de connaissances et aide à la décision

Une des limites des architectures décisionnelles concerne l’intégration des applications
décisionnelles avec celles centrées sur la gestion des connaissances. En effet, les outils de KM
se proposent d’améliorer l’efficacité organisationnelle. Or cette efficacité passe par
l’amélioration des processus décisionnels. Ainsi, aide à la décision et gestion des
connaissances sont deux activités interdépendantes. Pourtant les passerelles entre ces deux
domaines sont délicates à mettre en oeuvre du point de vue conceptuel comme cela peut
s’observer dans plusieurs études consacrées à ce thème [Holsapple 2001.2]. Ces difficultés
conceptuelles s’illustrent au niveau des technologies et des outils disponibles actuellement. En
effet, très peu d’éditeurs de logiciels proposent des solutions technologiques englobant aide à
la décision et gestion des connaissances.
L’utilisation des technologies de l’information pour le recueil, l’organisation et le traitement de
l’information sur les connaissances est importante si l’on veut développer les capacités en
matière de gestion des connaissances.
S’il est vrai que les connaissances résident en premier lieu dans le cerveau des individus et que
c’est l’individu qui décide de créer, d’utiliser et de partager ses idées pour atteindre certains
résultats financiers, alors il est évident que la gestion des connaissances est autant une
question de gestion des personnes que de gestion de l’information ou de technologies.
Le management des connaissances se propose d’améliorer l’efficacité organisationnelle
[Almashari 2002]. Or cette efficacité passe par l’amélioration des processus décisionnels.
Ainsi, aide à la décision et management des connaissances sont deux activités
interdépendantes.
Pour assurer cette intégration, deux actions s’imposent :
• Sur le plan système d’information : Il s’agit d’intégrer le rôle des connaissances dans
les choix décisionnels qui s’opèrent et dans l’identification des flux informationnels
nécessaires,
III. Ingénerie de connaissances pour l’aide à la décision stratégique 84

• Sur le plan technique : Les T.I.C permettent d’assister la prise de décision et de


manager les connaissances. Mais, sur le terrain, très peu d’éditeurs de logiciels
proposent des solutions technologiques englobant aide à la décision et gestion des
connaissances [Holsapple 2001.1].
Le management de la connaissance ne peut donc se satisfaire de méthodes d’organisation et de
valorisation implicites ou peu structurées, et il a besoin de technologies de l’information. Mais
des questions non triviales se posent :
• Les Technologies de l’Information ne sont pas automatiquement des Technologies de
la Connaissance.
• Le management des connaissances n’est pas un domaine isolé. Il peut être relié et
constituer un projet commun avec :
o le business process reengineering, qui devient une valeur ajoutée à la
connaissance et donc un but pour le management des connaissances,
o l’entreprise apprenante, qui est une façon d’aborder le management de
connaissance,
o l’aide à la décision, qui est également une façon d’aborder le management de
connaissances mais aussi d’ajouter de la valeur à la connaissance. L’aide à la
décision est un but pour le management de connaissances.

III.4. Ingénierie de connaissances

L’ingénierie des connaissances se situe au carrefour de plusieurs réflexions, aussi bien :


• la linguistique, pour étudier la formulation linguistique des connaissances,
• la terminologie et l’ontologie, pour dégager les concepts,
• que la psychologie, pour élaborer les méthodes d’élicitation,
• la logique, pour élaborer les modèles formels,
• l’informatique, pour les opérationnaliser,
• la sémiotique, pour interpréter et s’approprier le comportement du système, etc.
Ces disciplines se fécondent réciproquement et conduisent à faire évoluer le paradigme.

III.4.1. Définition

L’IC (Ingénierie de Connaissances) est définit comme « l’étude des concepts, méthodes et
techniques permettant de modéliser et/ou d’acquérir les connaissances pour des systèmes
réalisant ou aidant des humains à réaliser des tâches se formalisant a priori ou pas »
[Charlet 2000].
Cette discipline a évolué d’une vision « orientée acquisition des connaissances » vers une
vision « orientée modélisation ». En effet, l’IC a pour objectif de construire des modèles en vue
d’aboutir à des artefacts automatisés venant s’insérer dans les usages de l’utilisateur
([Bachimont 1996], [Charlet 2000][Zacklad 2000]).
III. Ingénerie de connaissances pour l’aide à la décision stratégique 85

L’IC constitue depuis de nombreuses années un domaine actif des recherches menées en IA
(Intelligence Artificielle) autour de la conception et de la réalisation des SBC (Systèmes à Base
de Connaissances) [Aussenac-Gilles 2005]. À l’instar de bien d’autres disciplines
modélisatrices, elle consiste à concevoir des systèmes dont le fonctionnement permet
d’opérationnaliser des connaissances portant sur le traitement ou la résolution d’un problème
donné. Ceci a été animé par une nouvelle perception plus constructiviste de la connaissance.
On ne parle plus alors de l’extraction des connaissances des têtes des experts et de leur
formalisation à l’aide de règles de production, mais de la modélisation des connaissances
expertes selon différents points de vue [Charlet 2000] ;
La discipline contribue aux nouvelles « technologies de la connaissance » en développant une
ingénierie permettant de diversifier et d’exploiter les modes d’inscription de la connaissance,
les modalités d’organisation et de diffusion des savoirs et de démultiplier les interactions entre
les utilisateurs.

III.4.2. Ingénierie de connaissances et aide à la décision coopérative

L’ingénierie de l’aide à la décision, a une tradition de construction de modèles du domaine,


synthétiques et quantitatifs du fait que son activité fondamentale consiste à proposer sous une
forme stylisée des modèles du domaine, paramétrables résumant la situation pour leur
utilisateur. En particulier il s’agit souvent d’une modélisation du domaine par des indicateurs
qui est une caractéristique fondamentale du raisonnement en gestion. Une longue tradition de
lien aux SI et particulièrement aux BD est un des acquis fondamentaux et très utilisé dans les
organisations, de l’aide à la décision.
L’ingénierie des connaissances elle, peut apporter à l’ingénierie de l’aide à la décision un
savoir-faire d’acquisition des connaissances et de modélisation des processus cognitifs, utiles
pour concevoir des assistances. En effet, ce type de caractérisation et de modélisation, à partir
d’une analyse fine de l’activité et des raisonnements, permet d’avoir une appréhension
particulièrement pertinente des besoins de l’utilisateur (le «décideur » pour l’aide à la
décision) et de la situation future d’usage avec l’outil en cours de conception.[Lebraty 2003]
L’acquisition des connaissances pour caractériser la situation du décideur peut intervenir en
amont du développement du SIAD. Elle peut intervenir et orienter la conception même du
poste de travail et de ses interfaces, qui au-delà du modèle quantitatif et de la consultation aux
bases de données peut assumer une assistance aux tâches globales du décideur.

III.4.3. Ingénierie ontologique

« L’Ingénierie Ontologique est la branche de l’Ingénierie des Connaissances qui exploite les
principes de l’Ontologie (formelle) pour construire des ontologies » [Guarino 1995].
III. Ingénerie de connaissances pour l’aide à la décision stratégique 86

L’ingénierie ontologique a succédé à l’ingénierie des connaissances pour pallier au manque de


fondements structurels qui caractérisait les bases de connaissances afin de permettre le
partage et la réutilisation de ces dernières.
Ces dernières années, l’activité de la recherche dans ce domaine a connu une recrudescence
grâce à la communauté des technologies du web à travers le web sémantique [Psyché 2003]
L’ingénierie ontologique dispose actuellement d’un nombre importants de moyens dédiés au
développement des ontologies (méthodologies, plateformes de développement, langages de
spécification…).

III.4.3.1. Définitions

L’Ontologie est un terme philosophique qui signifie :


• être - du grec ancien ôn, onton, participe présent de einai - et
• discours, étude, science - de logos.
En d’autres termes, l’Ontologie serait la Science ou théorie de l’être.
Dans les écrits scientifiques contemporains, le terme ontologie recouvre deux usages dont le
premier appartient à la philosophie classique et le second plus récent, aux autres sciences
cognitives. De ce fait, la convention veut que la notation Ontologie (avec un O majuscule) soit
attribuée au domaine issu de la philosophie et ontologie aux autres. [Psyché 2003]
L’une des définitions les plus populaires du terme ontologie est celle proposée par Grüber
[Grüber 1993]. Il présente une ontologie comme une « spécification explicite d’une
conceptualisation» ou comme « un accord pour une conceptualisation partagée par une
communauté ».
N. Guarino [Guarino 1995] affine lui, la définition de Gruber en considérant les ontologies
comme des spécifications partielles et formelles d’une conceptualisation. Le choix d’un
ensemble donné de concepts plutôt qu’un autre s’effectue selon des engagements
ontologiques. L’ontologie permet donc de fournir un vocabulaire conceptuel dans un domaine
donné afin de permettre de communiquer au sujet de ce domaine.
Le terme « ontologie » est utilisé depuis le début des années 90 dans les domaines de
l’intelligence artificielle, en particulier de l’ingénierie des connaissances et de la représentation
des connaissances. Son champ d’application s’élargit considérablement et il fait désormais
partie des objets de recherche courants, notamment dans le secteur de la modélisation des
systèmes d’information [Gomez-Pérez 2004].

III.4.3.2. A quoi sert une ontologie ?

L’ultime objectif pour la recherche dans le domaine des ontologies est de fournir une théorie
pour tous les vocabulaires/concepts nécessaires pour la construction de modèles de résolution
de problèmes.

a. Un besoin existe de partager la signification de termes dans un domaine donné


III. Ingénerie de connaissances pour l’aide à la décision stratégique 87

Toute activité humaine spécialisée développe son propre jargon (langue de spécialité) sous la
forme d’une terminologie et d’une conceptualisation associée spécifique.
L’existence de tels jargons entraîne des problèmes de compréhension et des difficultés à
partager des connaissances entre les acteurs de l’entreprise, les services d’une entreprise, les
entreprises d’une industrie, qui font des métiers différents.
Fondamentalement, le rôle des ontologies est d’améliorer la communication entre humains,
mais aussi entre humains et ordinateurs et finalement entre ordinateurs [Kassel 2000]

b. Des apports pour l’ingénierie des systèmes d’information


• Spécification, acquisition des connaissances : une ontologie peut aider à l’analyse des
besoins et à définir les spécifications d’un système d’information.
• Réutilisation, partage : une ontologie peut être, ou peut devenir suite à une traduction,
un composant réutilisable et/ou partagé par plusieurs logiciels9.
• Fiabilité, Maintenance : une ontologie peut servir à améliorer la documentation d’un
logiciel et/ou à automatiser des vérifications de cohérence (dans les systèmes à bases
de connaissances), réduisant le coût de la maintenance.
• Interopérabilité : en jouant le rôle d’un format d’échange, l’ontologie permet à des
systèmes d’information, basés sur des paradigmes de modélisation et des langages
d’implantation différents, de coopérer. [Guarino, 1998]

c. Vers une meilleure exploitation de sources d’information


• Recherche : une ontologie peut jouer le rôle de méta-data servant d’index dans un
répertoire d’information.
• Intégration : dans une application “entrepôt de données”, une ontologie peut jouer le
rôle d’un schéma conceptuel commun reliant entre elles plusieurs sources
d’information hétérogènes.
• Interface Homme-Machine : la visualisation de l’ontologie permet à l’utilisateur de
comprendre le vocabulaire utilisé par le système d’information et de mieux formuler
ses requêtes.
• Requêtes: une ontologie linguistique peut permettre de comprendre les requêtes
(représentation du contenu) de l’utilisateur formulées en langue naturelle.
• Web sémantique : l’ontologie va permettre dans ce cas de structurer l’information
selon la notion originale de l’hypertexte (parcours des documents de manière non
séquentielle) à partir de liens établis par rapport à une cette même ontologie. Cette
dernière va permettre au concepteur de l’hypertexte de dire que ce terme est adéquat
pour abriter un lien vers une autre information complémentaire à celle que nous
sommes en train de parcourir..

9
The high cost of knowledge acquisition makes reuse essential.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 88

III.4.3.3. Typologie d’ontologies

La typologie des ontologies a été abordée par plusieurs auteurs dans la littérature [Van Heijst
1997], [Guarino 1998], [Mizoguchi 2002]. La Figure ci-dessous présente les principales
catégories identifiées.
Méta-ontologies ou
ontologies de représentation

Ontologies générales / génériques


ou de niveau supérieur

Ontologies de domaine

Ontologies de tâches

Ontologies d'application

Figure 33. Principales catégories d’ontologies [Van Heijst 1997], [Mizoguchi 2002]

• Les méta-ontologies ou ontologies de représentation : sont des ontologies servant à la


formalisation des connaissances dans un système de représentation de connaissances.
Frame ontology [Gruber 1993] en est un exemple. Il définit les termes/concepts pour la
capture/spécification des conventions utilisées dans les systèmes orientés objet de
représentation des connaissances (concept de classe, d’association, de fonction, de
relation unaire, de relation binaire, ...).
• Les ontologies générales/génériques : ou ontologies de niveau supérieur, classifient les
différentes catégories d’entités existant dans le monde. Cette catégorie d’ontologie
synthétise des notions très générales, indépendantes de tout domaine ou problème
particulier.
• Les ontologies de domaine : Contrairement aux ontologies générales, elle sont plus
spécifiques. Elles synthétisent les connaissances spécifiques à un domaine particulier
(exemple : ontologie du domaine des risques, etc.) ou à un processus. Les concepts du
domaine ou du processus considéré, ainsi que les relations entre concepts et les
théories gouvernant le domaine ou le processus y sont spécifiés. Dans bien des cas, on a
une organisation hiérarchique des concepts. Certaines ontologies de cette catégorie
prennent la forme de thesaurus ou encore de taxonomies de termes (ontologies
terminologiques).
• Les ontologies de tâches : Tout comme les ontologies de domaine, elles sont
spécifiques à un domaine ou un processus particulier. Elles spécifient les tâches du
domaine ou du processus considéré (exemple : ontologie de tâches associée au
processus de maintenance dans un atelier de production, ...)
III. Ingénerie de connaissances pour l’aide à la décision stratégique 89

• Les ontologies d’applications : spécifient les connaissances liées à la fois à une tâche et
à un domaine particulier. Elles sont associées à des méthodes de résolution de
problèmes. Elles mettent en correspondance les concepts du domaine considéré avec
les concepts faisant partie de la description d’une méthode de résolution de problèmes
considérée. Le rôle joué par chaque concept du domaine considéré dans la méthode de
résolution de problèmes considérée, y est explicité.

Dans le cadre du projet PRIMA [Prima 2000], une ontologie d’application relative aux risques
liées aux projets de réponse à appels d’offre a été proposée. La mémoire est en fait un langage
pivot de coopération pré-établi. Par exemple, la mémoire est employée pour :
• réaliser, pendant le processus de réponse à appel d’offre, des assemblages rapides de
propositions avec évaluation synthétique des performances, de l’aspect financier et des
risques dont les parties proviennent d’unités organisationnelles différentes (divers
services techniques,…) :
• positionner ces propositions par rapport à l’environnement de l’entreprise : client,
marché, concurrents, …
• déterminer les indicateurs agrégés de succès critiques : par exemple coût, prix et
risque.

III.4.3.4. Principes à suivre pour construire une ontologie

Les principaux principes énoncés par Gomez-Perez sont : [GómezPérez, 2004]


• Clarté et objectivité : l’ontologie devrait fournir la signification des termes en
fournissant la définition objective et également la documentation du langage naturel.
• Complétude : une définition exprimée, par des conditions nécessaires ou suffisantes,
est préférée à une définition partielle (définie seulement par une condition nécessaire
ou suffisante).
• Cohérence, pour que les inférences soient conformes aux définitions
• Favoriser l’extension monolithique : de nouveaux termes génériques ou spécifiques
devraient être inclus dans l’ontologie de telle manière à ce que cette extension
n’entraîne pas la révision des définitions existantes.
• Engagements ontologiques minimaux : fixer un minimum d’objectifs (dans la mesure
du possible) en ce qui concerne le monde à modéliser, autrement dit, l’ontologie ne doit
pas être rigide concernant ses limites (en spécifiant le moins possible la signification
des termes), pour laisser la liberté aux utilisateurs la possibilité d’instancier l’ontologie
en fonction des besoins.
• Principe de distinction ontologique : les classes dans une ontologie devraient être
disjointes. Le critère qui isole le noyau des propriétés considérées comme invariable
pour une instance d’une classe s’appelle le critère d’identité.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 90

• Diversification des hiérarchies : pour augmenter la puissance fournie par les multiples
mécanismes d’héritage. Si suffisamment de connaissances sont représentées dans
l’ontologie et autant de critères possibles de classification sont utilisés, il est plus facile
d’insérer de nouveaux concepts (puisqu’ils peuvent être facilement spécifiés par
rapport aux concepts préexistants et aux critères de classifications) et pour hériter des
propriétés de différents points de vue.
• Modularité, pour permettre la distinction entre les modules.
• Réduire au minimum la distance sémantique entre les concepts frères : Des concepts
similaires sont regroupés et représentés par des sous-classes d’une classe et devraient
être définis en utilisant les mêmes primitives tandis que des concepts qui sont moins
similaires sont représentés plus loin dans la hiérarchie.
• Standardiser les noms, chaque fois que c’est possible.

III.4.3.5. Processus général de construction d’ontologies

La construction des ontologies demande à la fois une étude des connaissances humaines et la
définition de langages de représentation, ainsi que la réalisation de systèmes pour les
manipuler. Elle consiste à identifier, au sein d’un corpus, les connaissances spécifiques au
domaine de connaissances à représenter.

Les méthodologies de l’ingénierie ontologique peuvent êtres classées selon qu’elles soient
destinées à :

• la construction d’ontologies à partir de zéro (le cas d’une nouvelle ontologie),


• la construction d’ontologies par réutilisation d’ontologies existantes (soit par
intégration d’une ontologie, soit par fusion d’ontologies),
• l’évaluation de l’ontologie (qui peut amener l’ontologie à une évolution si elle ne
répond plus aux besoins des utilisateurs).
Le processus général de représentation des connaissances peut donc être découpé en 5 étapes
(figure ci-dessous) :
III. Ingénerie de connaissances pour l’aide à la décision stratégique 91

début

Spécification

Conceptualisation

Documentation,
Ontologisation/Formalisation
Evaluation

"Opérationnalisation" /
Implantation

Maintenance

Figure 34. Principales étapes de développement d’une ontologie [Fürst 2001]

• La première étape dans le développement d’une ontologie (étape de spécification) est


consacrée à l’identification de la raison d’être (le pourquoi ?) et de l’envergure/étendue
(utilisations et utilisateurs) de l’ontologie.
• La deuxième étape (étape de conceptualisation) consiste à identifier les
«conceptualisations » à spécifier (concepts, tâches, liens entre concepts, etc.), en
tenant compte de la raison d’être et l’envergure de l’ontologie (précisées de l’étape
précédente).
• La troisième étape quant à elle (étape d’«ontologisation» / formalisation) est dédiée à
la spécification des « conceptualisation » identifiées précédemment, dans un langage
formel ou semi-formel (par exemple UML).
• A la quatrième étape (étape d’«opérationnalisation» / Implantation), il faut transcrire
les extrants de l’«ontologisation » dans un langage formel et opérationnel lorsque c’est
possible.
• La dernière étape (étape de maintenance) est consacrée aux mises à jour éventuelles de
l’ontologie, question de corriger des erreurs ou intégrer de nouveaux besoins
(utilisations, utilisateurs, etc.).
Dans chacune des cinq étapes il faut inclure des activités de documentation et d’évaluation. Ce
processus n’est pas linéaire et de nombreux allers-retours sont a priori nécessaires pour bâtir
une ontologie opérationnelle adaptée aux besoins.
Ce modèle de construction d’ontologie a la caractéristique d’être ascendant, c’est-à-dire que
l’on part des connaissances à représenter, pour aboutir à une représentation formelle. Mais
une construction descendante est possible. Elle consiste à choisir un modèle opérationnel de
représentation, en fonction de l’objectif d’utilisation de l’ontologie, puis à instancier ce modèle
avec les connaissances du domaine.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 92

Notre situation décisionnelle s’apparente plutôt au modèle de construction ascendant tel que
défini par le schéma précédent.

III.4.3.6. Formalismes de représentation et stockage pour les ontologies

Plusieurs formalismes sont proposés dans la littérature pour la représentation des


connaissances dans le cadre d’ontologies. Certains de ces formalismes sont assez populaires :
• formalismes relationnels (orientés objet, cadres, réseaux sémantiques, graphes
conceptuels …),
• formalismes à base de logique (logique propositionnelle, logique des prédicats, logique
floue …).
Si les formalismes à base de logique se prêtent bien aux programmes informatiques, les
formalismes relationnels se caractérisent par un bon degré d’expressivité et de simplicité. En
général il s’agit de trouver un compromis entre expressivité, simplicité et
efficacité/computabilité.
Au dessus de ces formalismes ont été développés des langages spécifiques, adaptés au stockage
et à l’exploitation des ontologies par des systèmes informatiques. Ces langages peuvent être
regroupés en deux catégories :
• Les langages dits «classiques»: Ontolingua, OCML (Operational Conceptual Modelling
Language), F-Logic (Deductive Object Oriented Database Language), etc.
• Les langages à balises: XML (Extensible Markup Language), SHOE – (Simple HTML
Ontology Extensions), XOL (Ontology eXchange Language), RDF (Resource
Description Framework), OWL (Web Ontology Language), etc..
Avec l’influence grandissante du Web, les langages pour ontologies reposent de plus en plus
sur les technologies W3C telles que RDF Schema, XML et RDF, XML et OWL. Ces
technologies sont en passe de devenir des standards, respectivement pour les échanges de
données et les ontologies sur le Web.

L’objet de la section qui va suivre est justement consacré à l’acquisition de connaissances à


travers ses méthodes et outils.

III.5. Acquisition de connaissances

L’acquisition des connaissances est apparue comme une discipline avec un objet de recherche
à la fin des années 80. En IA (Intelligence Artificielle), on introduit la notion de connaissance
communicable à une machine. Cependant, la connaissance accessible à la machine ne
préexiste pas dans la tête de l’expert et demande à être construite.
A la suite des développements des systèmes experts, la question de la modélisation et de
l’acquisition des connaissances pour ces systèmes était apparue comme cruciale et
III. Ingénerie de connaissances pour l’aide à la décision stratégique 93

problématique notamment avec la question du « goulet d’étranglement » de l’acquisition des


connaissances [Charlet 2003].

III.5.1. Définition

Classiquement, l’acquisition des connaissances propose des méthodes permettant de


modéliser des raisonnements en faisant abstraction du domaine d’activité et en se concentrant
sur la façon dont est conduit ce raisonnement [Aussenac 1996].
Un modèle conceptuel du SBC (Système à Base de Connaissances) est ainsi construit : défini
comme la description abstraite du comportement d’un système, en termes de domaine,
méthodes de raisonnement, tâche dévolue au système, ce modèle conceptuel recouvre donc
une réalité bien précise, différente de celle communément admise en SI (Systèmes
d’Information).
Les recherches en acquisition des connaissances ayant évoluées ces dernières années, elles
concernent aujourd’hui tout système informatique utilisant des connaissances pour peu que
ces connaissances soient explicitement modélisées en tant que telles. Ainsi, tout système qui
manipule et transporte des informations destinées in fine à être interprétées par des humains,
est candidat à être conceptualisé et modélisé avec les méthodes de l’acquisition des
connaissances.
L’acquisition des connaissances n’est plus donc perçue comme un processus de transformation
de connaissances sous forme d’un programme compréhensible par la machine, mais comme
un processus de construction d’un modèle qui tient compte de la subjectivité et du caractère
relatif et implicite des connaissances [Studer 1998].
L’acquisition de connaissances a un but pratique, elle fait partie de l’ingénierie de la
connaissance.

III.5.2. Méthodes d’acquisition de connaissances

Les méthodes d’acquisition de connaissances ont été regroupées en trois types d’approches :
approche ascendante, approche descendante et approche mixte.
• Approche ascendante (Bottom up) dirigée par les données (data driven) : se base sur
une étape d’élicitation des connaissances des experts (entretiens, analyse de
documents, analyse des tâches, etc.) suivie d’une étape de conceptualisation. La
méthode KOD (Knowledge Oriented Design) [Vogel, 1989], MACAO [Aussenac 1989]
et la méthode MIKE (Model-based and Incremental Knowledge Engineering) [Angele
1996] sont des exemples typiques de cette famille.
• Approche descendante dirigée par les modèles : Une méthode descendante consiste à
identifier en premier lieu le type de problème auquel nous sommes confronté et de
réduire à son minimum une analyse non guidée. Cette démarche est basée sur
l’adaptation de modèles génériques existants. Une fois le modèle sélectionné, il sert de
III. Ingénerie de connaissances pour l’aide à la décision stratégique 94

guide à l’acquisition. Nous présentons dans le détail la méthodologie CommonKADS


(Knowledge Acquisition & Documentation Structuring) [Wielienga 1992].
• Approche mixte : adoptant une mixture entre les deux approches précédentes.

Selon E. Turban, les méthodes d’acquisition de connaissances sont classés trois types :
[Turban 2001]
• Méthodes manuelles: basées sur les interviews (entretiens). Leurs principales
caractéristiques, c’est qu’elles sont lentes, coûteuses et parfois non fiables.
• Méthodes semi-automatiques : aide aux experts directement, aide aux ingénieurs de la
connaissance.
• Méthodes automatiques (Computer Aided) : L’expert et/ou les rôles de l’ingénieur de
la connaissance sont réduits au minimum (voir éliminé). Ce sont des méthodes
inductives ou d’apprentissage automatique par induction de règles comme par
exemple, le CBR (Case-based Reasoning) ou raisonnement à base de cas, Réseaux
Neuronaux ou agents Intelligents

Nous adoptons pour notre part, une décomposition en se basant sur le dichotomie : système
cognitif de l’individu, système cognitif de l’organisation (cf. section III.1). Ceci nous donne
(figure ci-dessous) :
• Méthodes orientées acquisition de connaissance des individus
• Méthodes orientées acquisition de connaissances de l’organisation.

Méthodes d'acquisition
de connaissances

de l'individu de l'organisation

MACAO

KOD MKSM

KADS MUSIC

MIKE

Figure 35. Typologie des méthodes d’acquisition de connaissances

Nous avons choisi des méthodes qui sont largement connues dans la littérature et qui nous
permettent de mieux positionner nos travaux.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 95

III.5.2.1. Méthodes orientées acquisition de connaissances des individus

III.5.2.1.1. MACAO

Les recherches sur l’acquisition des connaissances au sein des laboratoires IRIT (Institut de
Recherche en Informatique de Toulouse) et ARAMIIHS (Action de Recherche et Application
MATRA-IRIT sur les interfaces Homme-Système) ont donné naissance à la méthode MACAO.
Développé dans le cadre d’une Thèse de doctorat, le système MACAO [Aussenac 1989] fournit
un cadre méthodologique ainsi qu’un logiciel d’aide pour l’acquisition des connaissances. Il
s’agit d’une méthode générale, ne visant ni un type particulier d’application ni un
environnement cible.
Elle fait référence à un modèle cognitif de l’expertise pour définir un formalisme de
représentation médiatrice des connaissances. Ce formalisme constitue un intermédiaire entre
l’expression verbale de l’expert et la forme codée des connaissances ; sa représentation externe
doit être accessible à l’expert. Le modèle cognitif a permis également de sélectionner un
ensemble de techniques de recueil de connaissances.
La méthode suppose une coopération active entre l’expert et le cogniticien. Elle intègre des
techniques ergonomiques pour l’analyse de l’activité de l’expert et du futur utilisateur, et
accorde une grande importance à l’activité comme moyen d’explicitation de l’expertise.
La méthode se décompose en cinq étapes :
• Identification de l’expertise ;
• Préparation du recueil de protocoles (par une structuration de l’expertise en catégories
de problème) ;
• Recueil de protocoles verbaux obtenus pendant et après des simulations de résolutions
de problèmes par l’expert ;
• Analyse des protocoles et structuration de l’expertise ;
• Validation et test des connaissances recueillies.
Le logiciel offre un ensemble d’outils pour la mise en oeuvre de la méthode : grilles répertoires,
éditeurs de graphes et différentes structures de modélisation. La représentation des
connaissances dans le logiciel reprend des concepts du modèle cognitif, comme les notions
d’unités fonctionnelles et de relations typées pour représenter concepts et relations
structurelles du domaine, les notions de contexte et de schéma pour modéliser le
raisonnement. Il permet de construire un dictionnaire de l’expertise, d’organiser les
connaissances sur le domaine en un réseau sémantique montré sous forme de graphe après
avoir filtré le type de relation retenue. L’expertise est représentée à partir d’une décomposition
du raisonnement en schémas, dont les enchaînements possibles peuvent être visualisés dans
des arbres.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 96

Le logiciel permet enfin une validation directe des connaissances par l’expert : de manière
statique, l’expert peut corriger les graphes et les schémas à partir des éditeurs ; de manière
dynamique, il peut tester l’activation des schémas à partir d’un énoncé de problème particulier
et détecter des lacunes de connaissances.

III.5.2.1.2. KOD (Knowledge Oriented Design)

KOD (Knowledge Oriented Design) a été développée en 1988 par Claude Vogel, un
anthropologue, pour fournir un support à l’activité « Intelligence Artificielle » de CISI
Ingénierie, une société de services [Vogel 1988].
KOD est une méthode ascendante (Bottom-Up). En effet, elle part du domaine, pour remonter
vers la spécification de méthodes de résolution de problèmes. Elle est orientée modèles. Les
utilisateurs de KOD se restreignent seulement aux deux étapes : au modèle pratique
(extraction des énoncés) qui permet l’identification des éléments d’expertise, et au modèle
cognitif (extraction des connaissances) qui offre les moyens de structurer et de valider la
connaissance acquise. Le résultat final est un système à base de connaissances de type système
expert.
Parmi les outils proposés pour le transfert des connaissances, KOD accorde une grande
importance à la langue. Elle est le véhicule de l’information entre les différents intervenants
d’un projet, en l’occurrence ici, le projet «recueil des connaissances » entre l’expert et
l’interviewer.
KOD est une méthode qui se déroule en trois grandes phases (figure 36) :
• Recueil des connaissances (extraction des énoncés)
• Exploitation des textes transcrits suite au transfert des connaissances
• Construction d’un modèle d’expertise.

Monde réel

Extraction des Taxèmes Actèmes Inférences


énoncés Modèle pratique

Base d’énoncés

Extraction des
Taxinomies Actinomies Schémas Modèle cognitif
connaissances

Base de connaissances

Extraction des Objets Méthodes Règles


informations Modèle informatique

Base d’information

Figure 36. Modèle de KOD adapté de [Dieng 1990]


III. Ingénerie de connaissances pour l’aide à la décision stratégique 97

A chaque phase correspond :


• un modèle linguistique ou pratique mettant en évidence l’aspect représentation de la
connaissance ;
• un modèle cognitif mettant en évidence l’aspect dynamique de la connaissance ;
• un modèle informatique mettant en évidence l’aspect interprétation de la
connaissance.

Le modèle pratique : manipule les concepts de taxèmes, d’actèmes et de schémèmes.


• Les taxèmes : représentent l’entité qui sert à énoncer et à décrire les composants de
l’univers considéré. Ils se présentent sous forme de noms, de sujets, de prédicats
statiques etc.
• Les actèmes : ce sont des énoncés décrivant une action qui est une transformation
appliquée à un ou plusieurs objets. Dans un corpus de texte, ils correspondent aux
verbes actifs, à certains substantifs ou aux verbes d’état.
• Les schémèmes : ou inférences, sont les manifestations verbales d’un schéma
d’interprétation utilisé par l’expert dans son raisonnement.

Dans cette étape, KOD applique un filtrage, sur les corpus de textes (issus de notes
d’entretiens, de documents techniques…). Ce filtrage porte sur l’extraction des entités
manipulées par le discours (les taxèmes) et sur l’identification des comportements associés à
ces entités (actèmes). Ces comportements consistent en l’attribution des propriétés et la
description des actions. L’identification des inférences permet d’interpréter les
comportements (schémèmes). A l’issue de cette étape, KOD aboutit à un lexique d’expertise
organisé sous forme d’une base de taxème, d’actème et de schémèmes. Ces éléments sont
organisés sous forme d’arborescence qui représente la connaissance statique du domaine.

Le modèle cognitif : Cette deuxième étape permet de structurer les connaissances par
structuration de hiérarchies à partir des éléments du modèle pratique. Le modèle cognitif
manipule les concepts de :
• Taxinomie : elle correspond à la structure de la base de connaissance. Elle constitue
une vue descriptive des catégories conceptuelles pertinentes.
• Actinomie : elle décrit les représentations mentales des experts qui orientent et
organisent l’action. Elle est dépendante de la taxinomie car elle manipule les objets qui
y sont référencés.
• Schémas d’interprétation : ils traduisent la démarche de raisonnement de l’expert en
fonction des informations disponibles.

A l’issue de cette étape, KOD fournit un modèle cognitif qui donne une spécification détaillée
de la base de connaissances à implémenter.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 98

III.5.2.1.3. KADS (Knowledge Acquisition and Design Support)

KADS (Knowledge Acquisition and Design Support) [Breucker 1994], [Dieng 1990], est une
méthode d’acquisition des connaissances issue du programme de recherches Européen
ESPRIT. Elle a été ensuite suite enrichie et a donné naissance à d’autres versions (KADS I,
KADS II, VITAL). Les développements successifs de la méthode ont donné naissance à
plusieurs outils tels que open KADS ou KADS power tool.
KADS est une méthode dirigée par les modèles, qui sont des représentations intermédiaires
partielles et orientées de l’expertise avant implantation dans un système. Elle consiste en une
modélisation conceptuelle des connaissances en plusieurs étapes successives allant du général
au particulier : modèle d’organisation, modèle des tâches, modèle agents, modèle de
communication, modèle d’expertise (étape la plus importante) et modèle de formalisation.
Le cycle de vie de KADS (Figure 35) répond au cycle de vie d’un projet de génie logiciel.

Figure 37. Cycle de vie de KADS adapté de [Dieng 1990]

Ce cycle de vie est constitué d’un ensemble d’étapes modèles consécutives. Il a été enrichi au fil
des différentes versions de la méthode, et peut, pour un projet donné, être adapté pour
détailler ou accélérer l’analyse.
Les différents modèles proposés dans KADS s’enchaînent chronologiquement et sont en
interaction entre eux comme le décrit la figure ci-dessous.

Figure 38. Interactions des modèles KADS


III. Ingénerie de connaissances pour l’aide à la décision stratégique 99

• Le modèle d’organisation ou du domaine : décrit l’environnement dans lequel le futur


système à base de connaissances doit évoluer. Il décrit le rôle du système dans cet
environnement, ainsi que ses interactions avec les utilisateurs et les autres systèmes.

• Le modèle d’application : définit le problème à résoudre, argumente l’utilité du choix


d’un système à base de connaissances, sa fonction et ses contraintes techniques.

• Le modèle d’agents : décrit les différents agents intervenant dans le système. Il spécifie
leur titre, leur rôle, leurs besoins etc. Il est à noter qu’un agent peut être un humain, un
automate, un service etc.

• Le modèle de tâches : ce modèle décrit la tâche (au sens large du terme) devant être
effectuée par le système. Il fait référence aux activités de l’entreprise et spécifie
également une ou plusieurs décompositions possibles de la tâche en sous tâches de
granularité plus fines, ainsi que leur interaction avec les agents qui les exécutent.

• Les modèles de communication/coopération : ce modèle spécifie comment les agents


vont communiquer et coopérer pour la réalisation de la tâche principale via les tâches
de plus fine granularité. Il s’intéresse aussi à la spécification d’un type de tâches
appelées tâches de transfert qui sont du type «obtenir de », «fournir à » etc.

• Le modèle d’expertise : c’est le modèle le plus important de KADS. Il décrit le


comportement et le type de connaissances nécessaires au système ainsi que les
compétences en résolution de problèmes des différents agents.

• Le modèle de conception : ce modèle est la vision informatique des différents modèles


élaborés précédemment. Dans ce modèle, on retrouve le choix de représentation des
connaissances.

III.5.2.1.4. MIKE (Model-based and Incremental Knowledge Engineering)

Cette méthode a été développée par [Angele 1996]. Elle recouvre toutes les étapes de
construction d’un SBC (Système à Base de Connaissances) que nous présentons ci-dessous et
qui sont effectuées dans un processus en spirale :
• Elicitation : c’est la première étape de MIKE et elle consiste à faire des interviews avec
les experts pour recueillir des connaissances sur le domaine et la tâche de résolutions
du problème. Ces connaissances sont stockées dans des protocoles de connaissances ;

• Interprétation : elle consiste à structurer les connaissances recueillies dans l’étape


précédente selon le modèle expert de CommonKADS (domaine, tâche et inférences)
dans un langage semi-formel. Cette étape aboutit à la construction du modèle
structurel ;

• Formalisation/opérationnalisation : le modèle structurel est représenté dans le


langage formel KARL ;
III. Ingénerie de connaissances pour l’aide à la décision stratégique 100

• Conception : le modèle KARL, issu des étapes d’acquisition ci-dessus, représente tous
les besoins fonctionnels du SBC. L’étape de conception permet de considérer les
besoins non fonctionnels du SBC tels que l’efficacité, la maintenabilité, etc. Cette étape
donne le modèle de conception ;

• Implémentation : il s’agit d’implémenter le modèle de conception dans un


environnement logiciel.

Dans la section qui va suivre, nous allons présenter deux méthodes orientées connaissances
globales de l’entreprise que sont MKSM [Ermine 1996b] et MUSIC [Alquier 1993]

III.5.2.2. Méthodes orientées connaissances de l’organisation

L’organisation est constituée d’un ensemble de personnes dont les connaissances et


compétences sont mobilisées puis coordonnées pour atteindre un but global. L’ensemble des
connaissances existant dans l’organisation est appelé le système de connaissance [Crozier
1977], [Romer 1990], [Alquier 1993].
Un intérêt est de plus en plus accordé aux problèmes de cohabitation et d’interaction entre le
système d’information et le système de connaissance [Alquier 2000].
Nous avons retenu deux méthodes qui s’intéressent à la modélisation du système de
connaissances dans l’organisation en adoptant une vue systémique de l’organisation. Il s’agit
de la méthode MKSM [Ermine 1996b] et la méthode MUSIC [Alquier 1993].
Ces méthodes sont orientées vers la capitalisation de l’ensemble de la connaissance d’une
organisation. Leur principal objectif est de collecter, modéliser, mémoriser, exploiter et
maintenir le capital de connaissances d’une organisation dans sa totalité.

III.5.2.2.1. MKSM (Methodology for Knowledge System Management)

MKSM (Methodology for Knowledge System Management), ayant inspirée par la suite la
méthode MASK (Method for Analysing and Structuring Knowledge), est une méthode de
gestion des connaissances qui a été élaborée au sein du CEA (Commissariat à l’Énergie
Atomique) [Ermine 1996a]. D’après son auteur J-L. Ermine, MKSM « se présente comme une
méthode d’analyse des systèmes de connaissances, et a pour but de rendre ces systèmes
intelligibles à ceux qui en sont les acteurs, afin qu’ils puissent mettre eux-mêmes en place leur
propre système de connaissances » [Ermine 1996a]. Elle n’aboutit donc pas forcément à la
conception d’un système informatique. Mais, elle offre, comme dans le cas de CommonKADS,
tout un cadre général de modélisation du patrimoine de connaissances dans une entreprise. Il
s’agit essentiellement des détenteurs du savoir : experts, spécialistes, ou de documents de
références (mais avec des personnes capables de les expliquer). Sur le plan pratique, elle se
présente comme une méthode d’analyse des systèmes de connaissances [Ermine 1996b].
III. Ingénerie de connaissances pour l’aide à la décision stratégique 101

III.5.2.2.1.1. Notions de base

MKSM utilise la théorie du macroscope, défini comme étant un instrument symbolique fait
d’un ensemble de méthodes et de techniques et qui servent essentiellement à observer tout ce
qui est trop grand, trop lent ou trop complexe pour la perception de l’être humain [De Rosnay
1975]. En effet, la problématique de MKSM est d’explorer et de découvrir de manière féconde
les systèmes de connaissances et se propose de construire un macroscope de la connaissance.
Pour cela, elle fait appel à deux notions à savoir, le triangle sémiotique et le triangle
systémique.
• Le triangle sémiotique : MKSM pose l’hypothèse que le patrimoine connaissance de
l’entreprise est un objet ou un phénomène qui est susceptible d’observation ou de
modélisation, hypothèse qui n’est autre que celle de la sémiotique. Sous ce point de
vue, le système de connaissances est vu comme un système de signes et est observable
selon trois niveaux :

o Le référant ou signe qui s’intéresse à la manifestation des objets du système.


o Le signifié qui s’intéresse à la désignation et la description des objets.
o Le signifiant qui s’intéresse au sens des objets.
• Le triangle systémique : Dans sa deuxième hypothèse, MKSM suppose que le
patrimoine de connaissances de l’entreprise est un système au sens de la théorie de
LeMoigne [LeMoigne 1977] qui peut aboutir lui aussi à une triangularisation selon trois
niveaux :

o Le niveau ontologique qui s’intéresse à la description du système dans sa


structure.
o Le niveau phénoménologique qui s’intéresse au fonctionnement du système en
tant que système agissant.
o Le niveau pragmatique qui s’intéresse à l’évolution, dans le temps, du système.

La méthode MKSM se base sur un modèle général de la connaissance au sens de la


systémique. Ce modèle général se base dans un premier niveau sur le triangle sémiotique dont
les trois axes correspondent aux trois points de vue suivants [Ermine 1996a] :
• Points de vue syntaxique de la connaissance : il concerne l’information. Cette dernière
représente la partie visible de la connaissance : la forme sous laquelle se traduit la
connaissance, le code qu’elle utilise pour prendre forme, etc. ;

• Point de vue sémantique de la connaissance : il concerne la signification de


l’information. C’est ce point de vue qui s’occupe du fond par rapport à la forme de la
connaissance, de la structure qu’elle utilise pour prendre sens ;
III. Ingénerie de connaissances pour l’aide à la décision stratégique 102

• Point de vue pragmatique : il concerne le contexte dans lequel le sens de l’information


se met en place. C’est donc ce point de vue qui s’occupe du système, de
l’environnement que la connaissance utilise pour se mettre en contexte.

Le deuxième niveau du modèle général dans MKSM consiste à analyser chacun des points de
vue du premier niveau selon le triangle systémique composé des axes : ontologique
(structure), fonctionnel (fonction) et génétique (évolution).
En se basant sur ce modèle général, Ermine [Ermine 1996b] propose un « cycle de
modélisation » à cinq phases :
• Phase 1 : définir et délimiter le système sur lequel on désire travailler. Cela fournit une
première cartographie des connaissances. Une représentation du système selon le
triptyque système opérant/système d’information/système de décision avec les flux
cognitifs peut être utilisé ;

• Phase 2 : élaborer le modèle du domaine qui décrit l’ensemble des processus qui se
déroulent dans le système étudié. Chacun des processus est décrit par un modèle
SCFC (Source-Cible-Flux-Champ). Des liens de causalité et d’enchaînement entre les
différents processus permettant de décrire des scénarios de processus ;

• Phase 3 : élaborer le modèle d’activité. Il s’agit d’une analyse de l’activité du système


qui produit ou utilise les connaissances, et cherche à replacer les connaissances du
domaine dans le cadre d’une utilisation opérationnelle ;

• Phase 4 : élaborer le modèle des concepts qui représente l’aspect « statique » de la


connaissance. Un modèle des concepts dans MKSM est très proche du schéma du
domaine dans CommonKADS ;

• Phase 5 : élaborer le modèle des tâches qui décrit la connaissance dynamique. La


connaissance dynamique est vue sous deux angles. Le premier est celui de la
résolution de problèmes, il correspond au modèle de la connaissance de la tâche dans
CommonKADS.

Le deuxième aspect de la connaissance dynamique est celui de la manipulation de la


connaissance statique et il correspond au modèle de la connaissance des inférences dans
CommonKADS.
Les phases 2 et 3 permettent de décrire les connaissances selon le point de vue du contexte à
travers la construction des modèles du domaine et d’activité. Les phases 4 et 5 permettent de
modéliser les connaissances de point de vue sémantique. L’avantage de MKSM par rapport à
CommonKADS réside dans le fait qu’elle met plus le point sur les processus notamment à
travers le modèle Source-Cible-Flux-Champ. Cependant, elle est moins orientée conception de
SBC, il n’y a pas de modèle de conception, par exemple, comme dans CommonKADS. De plus,
les différences entre le modèle de la tâche et le modèle d’activité et entre le modèle du domaine
III. Ingénerie de connaissances pour l’aide à la décision stratégique 103

et celui des concepts n’est pas très net à part le fait qu’ils décrivent la même chose à des
niveaux de granularité différents.
Le contexte dans CommonKADS est mieux formalisé à travers les modèles de communication,
d’organisation et d’agent.

III.5.2.2.1.2. Modélisation du système de connaissances avec MKSM

a. Modélisation du système de références :

La démarche MKSM s’intéresse aux connaissances qui existent dans une organisation vue au
sens de Le Moigne [Le Moigne 1990] avec son système de production, son système de pilotage
et son système d’information.
MKSM part du principe que chaque composant de l’organisation possède un patrimoine
connaissances. Dans le système opérant on retrouve les savoir-faire des opérateurs, le savoir
des experts, les procédés... Dans le système de pilotage on retrouve toute la connaissance de
l’environnement, les expériences stratégiques... et dans le système d’information, on retrouve
un patrimoine de connaissances hétérogènes considérable dormant dans la documentation, les
bases de données...
Ces constats ont amené J.L. Ermine à poser l’hypothèse de l’existence d’une quatrième
composante dans l’entreprise qu’il appelle « Le système de connaissances de l’entreprise » ou
« Patrimoine connaissances de l’entreprise » (Fig. ci-dessous) le tout constitue le système de
référence et qu’il nomme « modèle OIDC » (opération, information, décision et
connaissances).

Figure 39. Le système de référence [Ermine 1996a]

Ce système est actif par deux types de flux, des flux qui partent des sous systèmes de
l’entreprise vers le système de connaissances et qui sont des flux d’activités de compétences
(production de connaissance) et ceux partant du système de connaissances vers les autres sous
III. Ingénerie de connaissances pour l’aide à la décision stratégique 104

systèmes et qui sont des flux de cognition. Le modèle ainsi défini, permet de dresser une
première cartographie des connaissances.
C’est la phase une de la modélisation dans MKSM qui consiste en:
• Définir des intrants et extrants qui servent aussi de définition du système dont le
patrimoine est à gérer.

• Identifier dans le système opérant et de pilotage, des acteurs qui participent à


l’enrichissement ou à l’utilisation du patrimoine de connaissances sous forme d’agent
cognitif, qui peut être une personne physique, un procédé, un sous système spécifique
etc. et qui est caractérisé par son rôle dans le système de connaissances, l’information
ou la connaissance qu’il produit ou consomme.

Les connaissances ainsi identifiées constituent le patrimoine connaissance. Comme elles sont
nombreuses et détaillées, il peut être utile de les regrouper en classes et d’en créer une
ébauche de classification. Il peut être de même pour les agents.

b. Modélisation du point de vue contextuel de la connaissance

A. Le modèle du domaine : La description du modèle du domaine constitue la deuxième partie


de MKSM. Le domaine est décrit par l’ensemble des processus qui s’y déroulent. Pour ce faire,
MKSM s’appuie sur deux principes de dualité :
• Dualité flux/champ : un processus émet un flux propre qui le caractérise (matière,
énergie, information... connaissance) et le champ est vu comme une capacité
d’influence (catalyseur contexte, environnement...)
• Dualité source/cible : Le flux est vu comme un écoulement d’un sous système source
vers un sous système cible. D’où la dénomination SCFC (Source Cible Flux Champ) du
modèle du domaine.
L’ensemble des processus peuvent être reliés par de liens de causalité ou d’enchaînement et
fournir ainsi un scénario de processus. L’ensemble des processus sous forme de modèle SCFC
et l’ensemble des scénarios constituent le modèle du domaine de MKSM.
B. Le modèle de l’activité : Cette troisième partie consiste à définir dans quelle activité la
connaissance est mise en œuvre. La modélisation MKSM est une analyse de l’activité du
domaine qui produit ou utilise la connaissance. C’est une analyse de type fonctionnelle
descendante ou chaque activité est décomposée jusqu’à son plus bas niveau. Cette description
se fait en terme de « Entrée/Sorties » qui sont les flux utilisés par ou résultant de l’exécution
de l’activité, et de « Ressources » que sont le matériel, les matières, l’information...
connaissance nécessaire à l’exécution de l’activité. La description arborescente de la hiérarchie
des activités fournit l’arbre fonctionnes du modèle d’activité.

c. Modélisation du point de vue cognitif


III. Ingénerie de connaissances pour l’aide à la décision stratégique 105

Ici, MKSM utilise la méthode MOISE [Ermine 1993] qui modélise, via un langage, les aspects
statiques de la connaissance (Savoirs) en générant un modèle appelé modèle de concepts et
dynamique de la connaissance (savoir-faire) en générant un modèle appelé modèle de tâches.
• Le modèle de concepts : Dans ce modèle, MKSM utilise essentiellement une
modélisation par objets. Un objet décrit une entité du monde réel. Un concept désigne
une catégorie d’objets ayant des propriétés communes.

• Le modèle de tâches : C’est une représentation de la stratégie mise en œuvre pour la


résolution des problèmes. Dans ce modèle, les tâches sont décomposables en sous
tâches jusqu’à un niveau terminal (niveau dans lequel la tache a été jugée trop simple
ou trop complexe pour être décomposée). La description hiérarchisée des tâches amène
à construire l’arbre des tâches. Il est possible de définir une typologie des tâches tels
que les tâches te type séquence, alternative, itérative, parallèle ou encore générique ou
temporelle...

III.5.2.2.2 MUSIC (Management et Utilisation des Systèmes d’Information


Coopératifs)

La méthode MUSIC (Management et Utilisation des Systèmes d’Information Coopératifs)


propose une architecture générique du Système de connaissance, appelée Système de
connaissance coopératif [Alquier 1993]. Elle adopte une approche de conception orientée par
les finalités du système de connaissance, en particulier la prise de décision. Le but intrinsèque
est de tenir compte des ruptures linguistiques et cognitives des différentes entités
organisationnelles et d’éviter les blocages que ces ruptures peuvent entraîner.
La méthode est utilisée pour la réalisation de schémas directeurs du Système d’Information,
pour la conception de systèmes coopératifs ou de systèmes d’aide à la décision stratégique.
Le Système d’Information est modélisé selon 3 axes (figure ci-dessous) :
• profondeur interprétative (axe des connaissances)
• couverture spatiale (axe de l’organisation et de la coordination)
• et axe temporel (mémoire et histoire, projections).
III. Ingénerie de connaissances pour l’aide à la décision stratégique 106

Profondeur
connaissances

langage histoire, mémoire

conceptuel Spatial
collectif départemental coopératif
futur individuel

Temporel

Figure 40. Les trois axes de MUSIC [Alquier 1993]

a. Structuration en profondeur

Il s’agit du degré de valeur interprétative de l’information (figure ci-dessous) :


• niveau cognitif : lié aux besoins décisionnels
• niveau linguistique : lié à l’organisation du travail dans l’entreprise
• niveau conceptuel : lié à la conception d’applicatifs et à l’ingénierie des connaissances.
Il est lui-même suivi comme dans les méthodes classiques par les niveaux
organisationnel (qui fait quoi ?) et technique (réalisation). Les méthodes existantes
telles que MERISE peuvent être intégrées à cette approche.
Le but intrinsèque recherché en introduisant ces deux niveaux est de permettre l’émergence
des connaissances homogènes nécessaires à la prise de décision.

Niveaux d'abstraction
Cognitif Compétences
de conception
Sens de la démarche
Sens de la démarche

Linguistique Performances
de diagnostic

type ME RISE

Conceptuel
d'ab strac tion

Organisationnel
Cycle

Technique

Figure 41. Structuration en profondeur dans MUSIC [Alquier 1993]

• Niveau cognitif : Les compétences et le savoir faire sont acquis par la construction du
modèle coopératif des experts permettant de rendre compte de l’émergence des
connaissances des activités coopératives de ces experts. Le savoir est statique parce
III. Ingénerie de connaissances pour l’aide à la décision stratégique 107

qu’il déductif, alors que la connaissance est dynamique parce qu’elle est inductive »
[Alquier 1993].

• Niveau linguistique : Le niveau linguistique porte sur la diversité et les ruptures des
langages spécialisés. Le but est de permettre au système d’information de l’entreprise
de véhiculer des informations cohérentes tout en préservant la diversité de leurs
représentations locales. En effet, la spécialisation des différentes entités
organisationnelles conduit à des ruptures (morcellement et hétérogénéité)
sémantiques et à des redondances d’informations ayant une même sémantique.

• Niveau conceptuel, niveau organisationnel et niveau technique : Les niveaux


conceptuel, organisationnel et technique peuvent être pris en charge par des méthodes
de conception classiques telles que Merise, AXIAL ou SADT. Leur but est d’aboutir à
une représentation formelle des données et des traitements du système d’information.
La littérature est assez abondante sur ce point.

b. Structuration spatiale

La structuration spatiale elle, rend compte de la décentralisation spatiale des organisations


afin de mettre en évidence la spécialisation et l’hétérogénéité des sous-systèmes. Cela
permettra leur intégration dans un système global.
Ainsi, la méthode distingue quatre (4) systèmes de connaissance ayant des finalités distinctes :
le système de connaissance collectif, les systèmes de connaissance départementaux, les
systèmes de connaissance individuels et le systèmes de connaissance coopératif (Figure ci-
dessous).
Ces différents systèmes utilisent respectivement des connaissances et des langages collectifs,
des connaissances et des langages départementaux, des connaissances et des langages
individuels et des connaissances et des langages coopératifs.
Le système de connaissance coopératif joue un rôle particulier. Il assure l’interdépendance et
la cohérence de ces systèmes afin de permettre l’émergence des connaissances nécessaires à la
prise de décision.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 108

Figure 42. Structuration spatiale dans Music [Alquier 2000]

• Système de connaissance collectif : Il s’agit des représentations ordonnantes, des


connaissances centralisées et commune à tous, des agrégations des niveaux inférieurs
spécifiées. Elles correspondent à des connaissances normalisées, constitutives de
l’organisation en tant que tout, donc au volet de simplification, d’ordre et
d’organisation des connaissances globales.

• Système de connaissance Départemental : Dès que la taille de l’organisation va


augmenter, ou pour des raisons particulières, la connaissance de l’organisation sera
articulée en niveaux, chaque niveau étant un processus cognitif d’agrégation
correspondant à une fonction spécialisée. La connaissance départementale correspond
au processus cognitif par département de l’organisation, ensemble de personnes
partageant une finalité et un langage commun.

• Système de connaissance Individuel : La connaissance individuelle est spécifique à un


poste de travail déterminé, décisionnel notamment.

• Système de connaissance Coopératif : La structure du Système de connaissance global


est complétée par une structure au plus haut niveau, qui est un modèle de
communication au sens très large : le Système de connaissance Coopératif. Ce dernier
organise les échanges entre unités spécialisées pour une coopération du travail. Il
intègre trois volets –et donc trois types d’applicatifs- :

o la communication sans intervention sur la sémantique des messages. C’est la


communication informelle. Ce sont les applications dites de Transmission, où
seul le media est l’objet d’une intervention. On ne connaît pas l’objet de
l’échange et donc le système n’en gardera pas la trace, il gère seulement les flux
et la communication des codes (par exemple la messagerie, le suivi de courrier,
le workflow).
III. Ingénerie de connaissances pour l’aide à la décision stratégique 109

o Le mise en commun et le partage de connaissances, de sémantique et de


données (entrepôts de données, objets de gestion, systèmes de gestion de
données techniques,...). Ce sont les applications dites de Coordination, qui
mettent en commun, mais a posteriori, des connaissances créées dans les
systèmes autonomes spécialisés. Cette ontologie10 des connaissances est le
siège d’un apprentissage par les acteurs de l’organisation, elle est dynamique et
évolutive.
o La coopération de tâches. Ce sont les applications dites de Coopération, par
exemple le traitement d’information pour le management par projet, ou la
gestion du cycle de vie. Il s’agit de faire coopérer, par l’intermédiaire de
systèmes finalisés, des systèmes autonomes ayant des connaissances
spécialisées.

c. Structuration temporelle

La structuration temporelle a pour objectif de capitaliser les différentes connaissances utilisées


ou produites par l’entreprise. Ces connaissances comprennent, d’une part, les savoirs
spécifiques qui caractérisent les différentes compétences de l’entreprise (étude, réalisation,
vente, logistique), d’autre part, le savoir-faire individuel et collectif qui caractérise la capacité
de l’entreprise d’agir, à s’adapter et à évoluer.
Ces connaissances sont capitalisées sous forme de données, de procédures, de plans, de
modèles, d’algorithmes, etc. Certaines connaissances ne sont pas capitalisées sous forme
d’éléments tangibles, elles ne sont décrites nulle part. C’est le savoir-faire qui explique la
logique des actions individuelles et collectives.

III.5.3. Techniques d’acquisition de connaissances

Une manière naturelle d’accéder aux connaissances est de consulter leur support. Par
exemple : pour telle procédure, consulter tel document ; ou pour la solution de tel problème,
voir telle personne ; ou encore pour telle information consulter telle base de données. Dans ces
exemples, le document, la personne ou la base de données sont considérés comme étant des
supports de la connaissance.
Il existe une diversité de techniques d’acquisition de connaissances. [Girard 1995] propose une
catégorisation à savoir :
• L’entretien non structuré avec un ou plusieurs experts
• L’entretien structuré
• Le protocole verbal
• La résolution de problèmes
• L’apprentissage automatique

10
Classification, nomenclature, intra ou inter-entreprise
III. Ingénerie de connaissances pour l’aide à la décision stratégique 110

• Etc..
Les méthodes et outils d’analyse et d’extraction de connaissances, différent d’un support à
l’autre. Pour les cas de l’extraction des connaissances des experts, on utilise essentiellement les
interviews et questionnaires. Pour le cas des documents, on utilise les techniques de text-
mining.
A titre d’exemple, les mécanismes d’acquisition des connaissances de PRIMA [Prima 2000]
sont adaptés aux différentes mémoires :
• Mémoire des exigences : acquisition à la volée pendant l’analyse de l’appel d’offre,
• Mémoire technologique : acquisition à la volée pendant l’établissement de propositions
• Mémoire prix : acquisition par les managers commerciaux, en dehors ou pendant le
processus de réponse à appels d’offres
• Mémoire coût : acquisition à la volée pendant l’établissement des propositions
• Mémoire du risque externe : acquisition par un manager de risque, pendant ou en
dehors du processus de réponses à appels d’offres. Il est possible d’utiliser des
référentiels existants.
• Mémoire du risque interne : acquisition par un manager de risque, en dehors du
processus de réponse à appels d’offres. Il peut le cas échéant utiliser des référentiels
existants ou utiliser le retour d’expérience dans les projets de l’entreprise.

III.5.4. Acquisition de connaissances et multi-expertise

Les situations de multi expertise requièrent des techniques d’acquisition de connaissances


particulières. Deux situations sont à observer :
• les disciplines d’appartenance ou les compétences de chaque expert sont différentes,
alors le modèle peut être la somme des expertises individuelles.
• les disciplines ou compétences se recoupent, l’acquisition est alors un processus de
conception collectif dans lequel se pose la question de l’intégration des connaissances
des différents experts.
La multi-expertise introduit de nouveaux problèmes :
o Difficulté d’apporter un support à la collaboration interdisciplinaire
o Difficulté d’intégrer des raisonnements différents
o La gestion des conflits
o Étude de la dynamique de groupe,
o …
Plusieurs méthodes se sont attelées à y répondre notamment :
• MEKAM (Multiple Experts Knowledge Acquisition Methodology) de McGraw K.L. &
Seale M.R.[McGraw 1987], dévelopé et utilisé dans le laboratoire d’IA de Texas
Instrument.
• Méthode Wolf [Wolf 1985]
III. Ingénerie de connaissances pour l’aide à la décision stratégique 111

• MEDKAT (Multiple Expert Delphi-Based Knowledge Acquisition Tool) [Jaganhatan


1985],
• KATEMES (Knowledge Acquisition for Explainable, Multi-Expert Knowledge-Based
Design Systems) [Dieng 1992]
o Afin de guider l’acquisition à partir de multiples experts, un protocole de recueil
collectif et un modèle d’agent cognitif sont proposés [Labidi 1995]. Ils
permettent de modéliser un groupe d’experts coopérant pour résoudre un
problème : un agent est considéré comme une entité spécialiste,
organisationnelle, rationnelle, coopérante et communicante. Ces travaux ont
été exploités en accidentologie.
o Utilise les graphes de connaissances pour la représentation des connaissances
fournies par plusieurs experts.
• SOAR [Rosembloom 1993]
o Utilise les espaces de problèmes
• MEID (Multi-Expert Influence diagrams) [Rush 1997]
o utilise les diagrammes d’influence
Une des méthodes d’acquisition de la multi-expertise que nous résumons ici est celle proposée
par Labidi [Labidi 1996]
• Les experts modélisés par des agents cognitifs en interaction
• 7 étapes:
o Identification des rôles
o Identification des agents adéquats
o Instanciation du modèle d’agent
o Modélisation d’expertise
o Modélisation de la coopération
o Modélisation de la communication
o Affinement du modèle agent

III.5.5. Synthèse et Discussion

L’un des avantages de l’approche ascendante (dirigée par les données) est qu’elle laisse la
liberté aux experts d’exprimer leurs perceptions ainsi que leurs tâches. De plus, les modèles
élaborés correspondent aux points de vue existants. Cette approche était largement utilisée
pour l’élaboration des premières générations des systèmes experts. Aujourd’hui, elle reste
particulièrement adaptée à des domaines où il n’existe pas de modèles de connaissances
prédéfinis et où il y a manque de formalisation. L’exploration d’un nouveau domaine en est un
exemple.

Cependant, l’approche ascendante présente un certain nombre d’inconvénients [Dieng 1996] :


III. Ingénerie de connaissances pour l’aide à la décision stratégique 112

• le coût élevé en termes de temps et d’expertise dans le processus d’élicitation ainsi que
dans le processus de validation aussi bien pour les experts du domaine que pour les
ingénieurs de connaissances.

• La seconde difficulté de cette approche est relative à la gestion des conflits de


perception entre les experts aussi bien sur le plan opérationnel.

L’intérêt majeur des approches descendantes, comme CommonKADS, par rapport à


l’approche ascendante est qu’elles offrent un support pour guider l’acquisition des
connaissances. L’autre intérêt réside dans la généricité et la réutilisabilité des modèles qui en
résultent. Cependant, il est nécessaire de disposer d’une large bibliothèque de modèles et/ou
de composantes génériques. De plus, l’adaptation d’un modèle existant à une application
spécifique est généralement une tâche difficile.

Du point de vue de notre problématique de recherche, nous pouvons dire que les méthodes
ascendantes (tels que KOD) ou descendantes (tels que KADS) ne s’intéressent qu’à des
situations de décision opérationnelles, limitées et uniques. Or au niveau stratégique, on a
besoin d’une vision globale de l’ensemble des connaissances de l’entreprise. Par conséquent,
ces méthodes ne modélisent pas les connaissances pour toute l’entreprise.

Nous nous somme donc foaclisés sur les deux méthodes que sont MKSM et MUSIC. Une
différence majeure entre MKSM et MUSIC réside dans la vision de système de connaissance.
La seconde propose de manager les connaissances via le Système d’Information. MKSM
manage ces connaissances à part.

Une seconde différence est dont le fait que MKSM, est utilisable dans des entreprises à
organisation conventionnelle au sens de Le Moigne [LeMoigne 1977]. La méthode MUSIC est
elle, plus adaptée dans des entreprises à organisation coopérative qui constituent le cadre de
notre recherche (organisation par projet au sens de Davenport) [Davenport 1993].

Dans MKSM, les principales sources de connaissances sont les acteurs évoluant dans les
différents systèmes de l'entreprise. S'agissant de la connaissance pouvant émerger de l'analyse
du système d'information (puisque celui-ci est dissocié du système de connaissances), MKSM
reconnaît " l'existence d'un patrimoine de connaissances hétérogènes considérable dormant
dans la documentation, les bases de données …" [Ermine, 1996] sans proposer de solutions
pour son extraction.

Dans MUSIC, les principales sources de connaissances sont les experts. Si leur activité est
isolée, il s’agit de les faire participer au futur système. Dans ce cas ils produisent de la
connaissance départementale (spécialisée à un domaine) ou de la connaissance individuelle. Si
leur activité est coopérative, ils produisent de la connaissance dite de coopération qui sera soit
départementale si elle est spécialisée, soit collective si elle concerne toute l'entreprise.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 113

MUSIC accorde ainsi de l’importance à la spécialisation et au partage des connaissances et ce à


travers la structuration spatiale du système de connaissance (connaissances coopératives,
départementales, individuelles et collectives). MUSIC affiche comme objectif la conception de
systèmes de connaissances capables de faire émerger les connaissances nécessaires à la prise
de décision au travers de la coopération des différents sous-systèmes de connaissances de
l’organisation. Le système d’information est le support et l’instrument pour cette
connaissance. Par support, on veut dire que cette connaissance fait partie du système
d’information et y est directement intégrée. Par instrument, on veut dire que c’est le système
d’information qui sera chargé du management global de cette connaissance.

La méthode insiste sur le fait que la connaissance et le système cognitif d’une organisation ne
sont pas simplement la somme des connaissances des acteurs de l’organisation. C’est un
« knowledge construct » (figure ci-dessous). C’est un système permettant l’émergence de
processus cognitifs nouveaux à partir de l’interaction des individus ou groupes d’individus, qui
constituent l’organisation.

III.6. Conclusion

Ce chapitre a été consacré à un état de l’art qui a couvert plusieurs aspects de l’ingénierie de
connaissances. Après avoir présenté quelques définitions de la littérature qui nous ont paru
pertinentes (cf. section II.1), nous avons retenu une définition de travail qui fait référence à la
compétence.
Dans le but de gérer la connaissance en tant que ressource, il a été nécessaire de comprendre
ses différentes classifications théoriques et typologies. Trois classifications ont été évoquées :
• la première classification, qui est la plus répandue, est celle du découpage en
connaissance tacite et connaissance explicite,
• la deuxième est la classification en psychnologie cognitive,
• une troisième catégorisation a été introduite afin de localiser la connaissance au sein
de l’entreprise : la connaissance peut être individuelle, collective ou coopérative.
Nous nous sommes ensuite focalisé sur l’acquisition de connaissances (cf. section III.5). Nous
avons présenté les principales méthodes en adoptant la dichotomie : système cognitif de
l’individu, système cognitif de l’organisation.
Ce qu’il faut retenir de la première catégorie de méthodes orientées acquisition de
connaissances de l’individu (expert), c’est le fait que la modélisation des connaissances
développées dans les méthodes liées à la conception de SBC (KOD, KADS) s’intéresse à des
situations de décision opérationnelles via les actions de l’expert. En effet, ils ont été conçus
spécifiquement pour des experts et non pas pour l’organisation entendue dans son activité
collective. D’où l’importance de la deuxième catégorie de méthodes c’est-à-dire celles
orientées acquisition de connaissances de l’organisation. En effet, au niveau stratégique on est
III. Ingénerie de connaissances pour l’aide à la décision stratégique 114

confronté à des situations de décision stratégiques (coopératives) qui nécessitent des


connaissances globales. MKSM de J.L. Ermine [Ermine 1996b] et MUSIC d’Alquier [Alquier
2000], sont les seules méthodes ayant introduits le concept de système de connaissance.

La complexité de la décision stratégique peut s’analyser par l’ajout ou non d’un des axes de
modélisation de MUSIC: profondeur, espace, temps [Alquier 1993]. Partant d’une décision
opérationnelle, à chaque fois qu’on ajoute un axe, on est allé vers la stratégie. La décision
stratégique individuelle ajoute l’axe profondeur. La décision stratégique coopérative ajoute
l’axe espace à l’axe profondeur.
Nous avons retenu le modèle coopératif de Music comme base de l’approche méthodologique
d’acquisition de connaissances agrégées envisagée car :
• Le modèle prend en compte l’hétérogénéité et la distribution de la connaissance dans
une organisation spatiale du Système d’Information,
• nous nous intéressons à la connaissance d’une organisation,
• ensuite, nous nous intéressons à la construction de connaissances nouvelles dans
l’organisation. La méthode insiste sur le fait que la connaissance et le système cognitif
d’une organisation ne sont pas simplement la somme des connaissances des acteurs de
l’organisation. C’est un « knowledge construct ». C’est un système permettant
l’émergence de processus cognitifs nouveaux à partir de l’interaction des individus ou
groupes d’individus, qui constituent l’organisation.

Le modèle coopératif de Alquier A.M propose une synthèse de deux paradigmes différents, le
constructivisme et le connexionisme [Touati 2005].
• Modèle constructiviste : Pour le constructivisme, La connaissance de l’entreprise
évolue par paliers. Un palier correspond à une organisation et un contenu stabilisés de
la connaissance, à certains types d’abstractions. C’est la statique de la connaissance. Un
palier reflète la capacité cognitive. La boucle d’évolution constructiviste se résume ainsi
: toute connaissance est une construction, et toute construction est le résultat d’une
connaissance. Chaque évolution s’appuie sur la structure de la connaissance antérieure.
[Piaget, 1970] a proposé un mécanisme dit d’abstraction réfléchissante pour modéliser
cette construction. La construction de connaissances provient des interactions et des
confrontations entre :
o les abstractions et représentations que fournit la structure cognitive de
l’entreprise,
o les faits, actions et observations sur la réalité objective : les produits, les
processus, les ressources et l’environnement de l’entreprise.
Cette confrontation est conduite par l’entreprise, dans un but. Ce but est le projet de
l’entreprise, sa stratégie, qui la conduit à un type de médiation et de rapport avec la
réalité.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 115

• Le modèle connexioniste : Le modèle constructiviste ne rend pas compte des


interactions entre les composants du système, c’est-à-dire entre les processus cognitifs
des individus, et notamment ceux qui se réalisent dans l’action concrète d’un groupe.
Or l’intelligence émerge des interactions que les agents entretiennent entre eux et avec
l’environnement extérieur au groupe. Ces interactions sont la spécificité du
fonctionnement d’une entreprise, son organisation du travail. Cette question ne peut
être abordée que par un modèle de communication. Le connexionisme [Varéla, 1988]
propose un tel modèle qui se centre sur les interactions et les comportements dans un
système structuré en réseau. Les échanges de savoir entre les composants simples se
stabilisent par des phénomènes d’attracteurs, conduisant à un fonctionnement global
plus intelligent que ceux des composants. La cognition est alors l’émergence de ces
états globaux plus intelligents. La connaissance est définie comme la capacité à établir
des distinctions dans l’ensemble des informations que le réseau traite. Ces distinctions,
ou la représentation formelle de l’intelligence des comportements, ne sont pas
forcément formalisées et/ou explicites. Par exemple la fonction de transfert d’un réseau
neuronal, modèle qui a inspiré le connexionnisme, est de type « boîte noire ». Le
connexionisme a amené l’idée d’une intelligence collective émergente. Certains
modèles de coopération adoptent cette hypothèse d’intentionnalité émergeant des
communications informelles dans un réseau. Toutefois le connexionisme n’est qu’une
simple métaphore pour l’organisation du management des connaissances de
l’entreprise en l’absence de structuration à la fois de la connaissance et des mécanismes
de communication. L’explicitation est nécessaire, il faut une théorie de l’intentionnalité
qui puisse être mise en rapport avec la stratégie, les décisions. Le rôle à affecter au
Système d'Information est alors essentiellement la communication assurant les
connexions du réseau. Toutefois, ces communications ne sont pas modélisables par le
modèle connexionniste, et restent donc peu structurées. Il s’agit essentiellement de
relier les différents acteurs par des mécanismes d’échange et de coopération informels.

Les connaissances d’une organisation sont ainsi à la fois plus et moins que la somme des
connaissances des agents qui la constituent :
• Les connaissances des agents sont spécialisées, myopes car localisées et avec un
horizon restreint. Mais ces connaissances sont opérationnelles, confrontées à l’action et
au réel, donc fiables et fraîches. Elles sont évolutives aussi, notamment du fait de
l’interaction entre le réel, l’intention et l’action.
• Les connaissances de l’organisation sont celles qui apparaissent effectivement
structurantes et utilisées au niveau global de l’organisation, dans son comportement en
tant qu’entité globale vis-à-vis de son environnement. Il s’agit des connaissances
collectives. Elles émergent de l’organisation des connaissances spécialisées des agents,
car leur organisation leur confère des propriétés nouvelles qui n’existaient pas au
niveau des agents.
III. Ingénerie de connaissances pour l’aide à la décision stratégique 116

Dans PRIMA [Prima 2000], la mémoire business est un langage pivot de coopération pré-
établi, c’est-à-dire construit au préalable via une ontologie. Le langage pivot, structuré sous
forme de système d’information coopératif au sens [Alquier 1993], aide à produire et à
partager des connaissances diversifiées et hétérogènes. L’harmonisation ou le rapprochement
des différents points de vue se fait par intégration. Donc, le langage pivot n’est pas une
unification comme dans les bases de données, il sert l’harmonisation et la communication de
connaissances hétérogènes et diversifiées. Hétérogénéité et diversité sont en effet fertiles pour
l’innovation, comme l’ont montré [Nonaka 1995], [Davenport 1998].

Le chapitre qui va suivre va tenter de donner un aperçu sur la coopération et plus


particulièrement la coopération cognitive et son rôle dans l’apprentissage organisationnel et
plus particulièrement l’émergence de connaissances nécessaires à la prise de décision
stratégique.
117

CHAPITRE IV. COOPERATION COGNITIVE POUR


L’EMERGENCE DE CONNAISSANCES AGREGEES

« Celui qui apprend quelque chose de moi enrichit son savoir sans réduire le mien, tout comme celui
qui allume sa chandelle à la mienne se donne de la lumière sans me plonger dans l'obscurité ».

(Thomas Jefferson, cité par Jean-Yves Prax dans son livre "Le Guide du Knowledge
Management")
IV. Coopération cognitive pour l’émergence de connaissances agrégées 118

IV.1. Introduction

La notion de coopération représente, aujourd’hui, un champ d’étude et de recherche


pluridisciplinaire ayant pour objet la compréhension des mécanismes individuels et collectifs
du travail de groupe selon une approche sociologique, cognitive, organisationnelle,
ergonomique, etc. Chacune de ces approches abordent la coopération d’un point de vue
différent.
Nous abordons un projet de coopération comme une unité organisée afin que chaque individu
qui apporte ses représentations et ses structures mentales trouve un terrain d’appui pour
penser et agir collectivement et inversement trouve dans le projet de quoi guider son action et
ses réflexions.
Lors d’une coopération, l’apport de chacun sera capitalisé tandis que chacun bénéficiera de
l’apport des autres. Ces interactions contribueront à construire un savoir collectif qui est
supérieur et différent de la somme des savoirs individuels. Une organisation donne ainsi
l'existence à une entité abstraite: la connaissance de l'organisation. Cette émergence, produit
de l'organisation des comportements, sous-tendue par la structuration des connaissances
internes, peut être organisée et voulue, ou fortuite [Hassas 2003]. La structure globale d'une
somme d'actions et de comportements locaux est alors d'une certaine façon une nouveauté,
une surprise.
La coopération dans une entreprise se fait ainsi :
• entre unités organisationnelles spécialisées. Le partage de connaissances co-
construites permet aux différents métiers de coopérer dans une tâche globale et
d’élaborer un langage commun utilisable à un plus haut niveau pour créer des
connaissances agrégées.
• entre managers et unités organisationnelles spécialisées (niveaux hiérarchiques
inférieurs). Les connaissances agrégées sont un support de communication interne,
d’un système de reporting et d’un processus de contrôle de gestion.
• entre les managers eux-mêmes. La vue globale et de haut niveau des connaissances et
des capacités de l’entreprise, aide les managers à établir, évaluer et discuter la stratégie
de l’entreprise.
Le but de ce chapitre est de présenter la coopération cognitive au travers de sa dimension
inter-individuelle ou comment organiser la co-construction effective des connaissances
business ou de haut niveau partagée par des décideurs métiers, qui est un changement de
comportement sur le partage et la coopération cognitive.
Nous y aborderons successivement :
• La définition de la coopération
IV. Coopération cognitive pour l’émergence de connaissances agrégées 119

• La coopération cognitive à travers le groupe d’acteurs, les buts de la coopération, les


moyens de la coopération cognitive dans l’entreprise et enfin le résultat de la
coopération cognitive : l’émergence de connaissances business.

IV.2. Notion de coopération

IV.2.1. Définitions

La coopération est un concept qui a été traité dans de nombreuses disciplines et depuis
longtemps. On trouve des définitions de la coopération qui varient en fonction des disciplines
[Soubie 1996] :
• les psychologues ont un point de vue cognitif sur l’analyse de la coopération. Selon ce
point de vue, la coopération est un processus d’adaptation et de raisonnement et/ou de
mise en commun de connaissances dans le cadre de la résolution d’un problème.
L’analyse de la communication est essentielle puisqu’elle permet d’accéder à une
représentation de la résolution par les partenaires, grâce à une interprétation du
contenu des échanges ;
• les linguistes ont une approche compatible avec celle des psychologues cognitifs car
leur discipline se préoccupe aussi de la détermination des éléments du dialogue qui
dénotent la coopération. Les conditions matérielles du dialogue, les postures, les gestes
du locuteur, constituent un complément sans lequel le dialogue n’est pas interprétable
par un observateur extérieur ;
• les entomologistes et les sociologues des organisations peuvent rapprocher leurs
résultats pour les comparer, lorsqu’ils s’intéressent à la description de comportements
pouvant être interprétés comme coopératifs. Cette description apporte des
informations sur les déterminants de ces attitudes, dans la mesure où la coopération
peut s’observer et donc s’analyser au-delà de considérations purement humaines. Mais
les outils de communication au sein d’une société animale n’ont pas la sophistication
de ceux utilisés par les humains. C’est pourquoi, même si les mécanismes
fondamentaux demeurent proches, les comparaisons entre ces disciplines conduisent à
relativiser la part prise par le langage et par l’intention dans la réalité de la
coopération;
• les chercheurs en intelligence artificielle focalisent sur la notion d’agent, qui, selon le
degré de similitude avec l’être humain, évoluera d’une caractérisation d’agent réactif
vers une caractérisation d’agent cognitif. Les architectures dans lesquelles s’insèrent les
agents se situent parallèlement dans une progression allant des réseaux neuro-
mimétiques vers les systèmes multi-agents. On peut donc rapprocher les travaux sur
les agents réactifs et les sociétés d’insectes, des modèles de réseaux neuronaux ; et on
peut rapprocher les travaux sur les agents cognitifs de la psychologie.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 120

Sur la base de ces travaux, Soubie définit la coopération comme « une activité coordonnée
visant à atteindre un objectif commun aux agents coopérant et pour laquelle le coût
spécifique de la coordination est inférieur au bénéfice de celle-ci dans la poursuite de
l’objectif » [Soubie 1996].
Cette définition peut être complétée, car elle ne prend pas a priori suffisamment en compte
l’aspect cognitif, source de toute coopération. Cette définition paraît ne pas s’intéresser à la
capitalisation des connaissances. En effet, la coopération ne va pas consister seulement à
partager des connaissances mais, à les faire émerger et à en générer de nouvelles.
Chaque agent poursuit ses propres objectifs et développe ses systèmes de préférences et
d’évaluation suivant son rôle dans l’organisation. Les membres de l’organisation ont des
représentations différentes de l’environnement. Par conséquent, dans une organisation, la
coordination des activités se fait par et grâce à une connaissance commune qui porte sur les
faits et sur les règles, permettant d’anticiper les actions des autres. Cette connaissance
commune est le résultat de la combinaison des représentations individuelles.
Seul un minimum de compréhension mutuelle est exigé pour assurer la cohérence. Il n’est pas
nécessaire que les membres de l’organisation partagent les mêmes objectifs et / ou les mêmes
interprétations de leurs actions conjointes. La question qui vient à l’esprit est « Quel est ce
contenu minimum de compréhension nécessaire ? ».
L’acquisition de nouvelles connaissances implique des interprétations propres à chaque
décideur qui vont compléter ou modifier ses modèles mentaux pour aboutir eux-mêmes à la
modification des connaissances existantes et à la constitution de nouveaux savoirs.

IV.2.2. Objectifs de la coopération

Les principaux objectifs de la coopération sont : [El Mansouri 1998]


• Elle permet de maîtriser la complexité. Elle peut se matérialiser à travers une
quantité importante d’informations à manipuler et des tâches à réaliser,
multidisciplinarité de ces tâches, etc. Leur résolution dépasse la capacité d’un seul
individu. Le travail en groupe permet de maîtriser cette complexité ;
• Elle favorise le développement d’une plus grande variété de solutions. Chaque
acteur peut avoir un point de vue, des méthodes de réalisation et une perception de
la situation différents.
• Elle contribue à l’amélioration des performances individuelles et collectives.
• Elle permet de diminuer le temps de la réalisation des tâches. Parfois le délai
accordé pour réaliser une tâche est limité, la coopération devient donc nécessaire
pour respecter ce délai. La coopération permet donc d’augmenter la portée des
tâches réalisables.
• Elle minimise les coûts de fonctionnement en réduisant les activités redondantes et
en partageant les différentes ressources.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 121

IV.2.3. Typologies de la coopération

Une typologie intéressante des coopérations a été effectuée par El Mansouri [El Mansouri
1998]. Nous en retenons deux qui peuvent être utiles pour caractériser notre situation
décisionnelle.

IV.2.3.1. Coopération formalisée et coopération non-formalisée


Dans la coopération formalisée, on sait à l’avance qu’un acteur aura besoin de recourir à la
coopération d’un autre et dans quelques circonstances. La sémantique de cette coopération
peut donc être définie a priori.
La coopération non-formalisée est laissée aux acteurs au cours de l’accomplissement de leurs
tâches respectives. Les interdépendances entre les différentes tâches ne sont donc pas connues
à l’avance. Ce type de coopération porte souvent sur des tâches cognitives.
La distinction entre les deux est don fondée sur l’existence ou non de liens prescrits entre les
acteurs.

IV.2.3.2. Coopération additive, coopération intégrante et coopération


débative
K. Schmidt [Schmidt 1994] distingue trois types de coopération : coopération additive,
coopération intégrante et coopération débative.
• Coopération additive : Le recours à la coopération additive (ou augmentative) est
dû à l’insuffisance individuelle pour accomplir une tâche. En combinant leurs
efforts, un ensemble d’individus peut réaliser une tâche qui aurait été impossible
pour chaque individu pris séparément. Mais, collectivement, la réalisation de cette
tâche est possible. Pour pouvoir coopérer, il est nécessaire de diviser chaque tâche
en sous-tâches de façon à ce que chaque individu puisse travailler d’une façon
simple et efficace. Les sous-tâches peuvent être toutes identiques.
• Coopération intégrante : La différenciation croissante de travail conduit à la
spécialisation. Cette spécialisation rend nécessaire la coopération pour réaliser une
tâche divisible en sous-tâches faisant appel à des spécialités différentes. La
coopération permet d’intégrer ces différentes spécialités. Plus la spécialisation est
grande, plus l’intégration s’avère indispensable.
• Coopération débative : Pour résoudre un problème, il est parfois possible de
dégager différents points de vue devant être pris en compte simultanément. Des
concertations sont donc nécessaires pour dégager de bonnes solutions. La
coopération se résume donc en un processus de négociations en vue de rapprocher
les différents points de vue et d’aboutir à une résolution commune. Il y a
confrontation entre les coopérants. Chacun d’eux s’efforce de convaincre les autres
de la justesse de ses propositions afin de les amener à partager son point de vue. Les
conflits sont reconnus et résolus à travers un processus de négociation [Verrons
2004].
IV. Coopération cognitive pour l’émergence de connaissances agrégées 122

Notre situation décisionnelle est de catégorie non formalisée et débative. On cherche à rendre
cette coopération formalisée à travers l’organisation de la négociation sémantique entre
décideurs métiers.

IV.2.4. Méthodes de coopération


Les méthodes de coopération désignent les moyens de coopération mis en œuvre par un
ensemble d’agents, engagés dans la réalisation d’une tâche commune, afin d’atteindre ce but.
De Terssac [De Terssac 1994], dénombre plusieurs moyens de coopération, notamment la
coopération par échanges de messages d’informations, la coopération par anticipation, la
coopération par ajustements internes et la coopération par remise en cause des contraintes.
Nous présentons, ci-dessous, une brève synthèse de ces méthodes :
• Coopération par échanges d’informations : passe par la mise en commun d’un
référentiel commun, c’est-à-dire une base de connaissances commune, ou par la
transmission d’informations, c’est-à-dire la mise à la disposition des autres des
informations.
• Coopération par anticipation : La préparation d’une décision nécessite l’analyse
des contraintes qui pèsent sur la décision et la faisabilité des solutions possibles. Il
s’agit de préparer la décision, tant du point de vue des contraintes issues des
décisions prises en amont, par exemple l’état des ressources disponibles, que des
contraintes issues de l’aval, par exemple les objectifs à atteindre.
• Coopération par ajustements internes : Pour pouvoir coopérer avec les autres
centres de décision, un centre de décision doit ajuster ses préférences mais aussi ses
prévisions en fonction des contraintes imposées par ces centres.
• Coopération par remise en cause des contraintes : Lorsqu’un centre de décision ne
dispose pas d’une marge de manœuvre suffisante pour prendre ses décisions à cause
des contraintes imposées par les autres centres, le décideur se trouve obligé de
redéfinir le problème et donc de renégocier les contraintes qui pèsent sur ses
décisions.
• Regroupement et multiplication : Certains agents coopèrent en se regroupant, soit
en formant un bloc plus ou moins homogène dans l’espace, soit en mettant en
œuvre un réseau de communication leur permettant de se comporter comme s’ils
étaient physiquement rapprochés. Les réunions de travail et les téléconférences sont
des exemples de la méthode de regroupement. D’autres agents coopèrent par
multiplication, c’est-à-dire par une augmentation quantitative des individus du
système. Cela suppose bien évidemment que cette augmentation contribue à une
augmentation des performances du système, ainsi que celle de sa faisabilité.
• Spécialisation : La spécialisation est le fait qu’un agent devient plus apte à réaliser
certaines tâches plutôt que d’autres. La spécialisation n’est pas nécessairement le
fruit d’un choix a priori. Des agents, initialement polyvalents, se spécialisent
IV. Coopération cognitive pour l’émergence de connaissances agrégées 123

progressivement dans l’accomplissement de certaines tâches [Ferber 1995]. La


coopération par spécialisation conduit à attribuer à un agent la résolution des
problèmes semblables. Cela doit conduire à une augmentation de la capacité du
groupe à résoudre le problème global.
• Partage de tâches, coordination d’actions et résolution des conflits : La répartition
des tâches consiste à répondre à la question : qui fait quoi ?, par rapport à un travail
donné. La coordination est un ensemble de tâches ayant pour objet de veiller à ce
que les différentes actions, devant être effectuées dans le cadre de la résolution du
problème, puissent l’être dans les meilleures conditions. La résolution des conflits
peut s’effectuer par arbitrage ou par négociation. Elle porte sur les désaccords entre
les agents. Ces désaccords peuvent conduire à une dégradation de la performance
du système.
Il est nécessaire pour aider la coopération de mettre en place des instruments de suivi et
d’évaluation des objectifs. La coopération nécessite une organisation et une coordination des
actions. Cette organisation a comme but la coordination des actions.

IV.3. Coopération cognitive


Notre travail de recherche se focalise plus particulièrement sur la coopération cognitive pour
servir les systèmes d’aide à la décision stratégique. Nous abordons dans cette section, la
composante cognitive de la coopération au travers :
• du groupe d’acteurs cognitifs,
• le but du groupe,
• les moyens de la coopération cognitive,
• le ou les résultats de la coopération cognitive.

IV.3.1. Groupe d’acteurs cognitifs


Les membres du groupe peuvent ou non être localisés physiquement au même endroit, mais
ils ont conscience de l’existence des uns et des autres et de leur participation au sein d’un
groupe ayant un objectif commun dicté par le management.
Le groupe est composé d’acteurs formant une organisation qui aura ainsi des pratiques, des
normes, une planification et un contrôle. Ce dernier peut être formel ou informel.
La constitution du groupe est donc importante par rapport à l'action postérieure. On constitue
un groupe de travail:
• soit homogène sur le plan sémantique (réflexion dans un service, une direction). Le
groupe de travail peut ensuite mettre en oeuvre directement les idées déterminées
au moment des réunions.
• soit hétérogène: ruptures sémantiques entre plusieurs SIA Départementaux
(métiers) par exemple. L'action est alors animée par un sous-groupe ou une
personne.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 124

Dans notre situation décisionnelle, le groupe est hétérogène étant donné la structure projet
(organisation par processus). La coopération s’appuie sur des relations entre individus au sein
d’un groupe. Les acteurs cognitifs seront constitués en réseau, chacun ayant un rôle spécifique
et apportant ses compétences spécifiques.

Chaque acteur construit ses propres structures opératoires. Il a ses propres connaissances et
modes de représentation du monde en fonction de ses capacités cognitives, de son histoire, de
ses relations avec son environnement. La connaissance de chaque acteur cognitif se construit
ainsi par un processus mental qui permet la production de structures opératoires : mémoire,
opérations cognitives [Piaget, 1970]. Ces structures opératoires donnent des représentations
utiles pour la compréhension, l’action,... ; elles sont explicatives du monde.

Le groupe suppose de chaque acteur des activités orientées vers les autres (négociation,
reformulation, argumentation, ..) et des activités collectives (constructions de références
communes, ..) mais toutes fondées sur la construction de représentations partagées.
La coopération dans le groupe va nécessiter une organisation ; le fonctionnement du groupe
étant le résultat de l’action des acteurs impliqués, il suppose la mise en œuvre de principes de
gestion et de décision.

IV.3.2. But du groupe


Le but du groupe va se définir comme un objectif à atteindre. De manière générale, et
notamment dans des tâches ou prises de décision complexes, le but est évolutif voire sujet à
désaccords. Au cours du temps, le but pourra faire l’objet de négociations dans le groupe,
d’évaluation et de modifications en fonction des résultats déjà obtenus dans la coopération.
La coopération va favoriser :
• le développement d’une plus grande variété de solutions,
• la diminution du temps de réalisation des tâches en même temps qu’elle aide à
maîtriser la complexité,
• la minimisation des coûts en réduisant les activités redondantes et en partageant les
différentes ressources.
Dans le cadre de notre recherche, la disparité entre les informations et les connaissances des
décideurs locaux (à travers notamment leurs SIAD personnels) souhaitant se placer dans une
situation de coopération est une des difficultés de la création de connaissances communes.
La créativité est un phénomène complexe, qui fait l'objet de trois approches complémentaires
[Lebraty 2001]:
• la créativité comme capacité, trait de caractère, qui serait une « propriété possédée
en quantité variable par les individus ». Dans cette optique, chaque individu
disposerait de certaines prédispositions, d'un potentiel de créativité qu'il serait
possible de mesurer. Les recherches en psychologie sont à l'origine de nombreux
IV. Coopération cognitive pour l’émergence de connaissances agrégées 125

tests, dont le plus connu est le « Torrance Test of Creative Thinking » (E. P.
Torrance, « The nature of creativity as manifest in its testing » dans Sternberg,
1988) ;
• la créativité comme produit, résultat d'un processus. Ce produit peut être
également évalué et on déterminera alors son degré de nouveauté, d'inventivité,
d'innovation. Les indicateurs du degré de créativité d'une réflexion sont variables :
on pourra noter la quantité d'idées émises et leur qualité, c'est à dire leur capacité à
être mises en œuvre, mais également leur rareté, leur ingéniosité et le fait qu'elles
associent des éléments d'expérience ou de savoir éloignés;
• la créativité comme processus. Le processus de créativité correspond au processus
par lequel un individu ou un groupe d'individus « transforment » des éléments de
pensée existants en éléments nouveaux. Plusieurs étapes président à ce processus,
leur nombre variant suivant les auteurs : Elle peut est composée de deux phases ;
une phase d'émergence ou de variation, dans laquelle les idées affluent dans leur
diversité, et une phase de sélection, où les idées les plus judicieuses sont retenues
pour une éventuelle réalisation. Elle est composée de quatre phases pour d’autres
auteurs:
o préparation, au cours de laquelle les informations internes et externes sont
recueillies,
o incubation, se déroulant au niveau du subconscient et consistant en la
combinaison des éléments mentaux mis en œuvre précédemment,
o illumination, durant laquelle les idées affluent au niveau du conscient,
o réalisation, qui voit les nouvelles idées mises à l'épreuve de la réalité et ainsi
sélectionnées.

Notre envisageons pour notre part cette dernière approche : la créativité comme processus est
étudiée afin de définir les caractéristiques d'un environnement dans le but de lui servir de
support et d'amplificateur.

IV.3.3. Moyens de la coopération cognitive


IV.3.3.1. Organisation des relations du groupe
La coopération va nécessiter un support organisationnel dans un groupe d’individus. Cette
organisation pourra être formelle ou informelle. Pour nous, elle prendra place au sein de
l’entreprise.

H. Mintzberg [Mintzberg 1982] définit cinq mécanismes de coordination (figure 42) qu’il
considère suffisants pour expliquer les moyens fondamentaux par lesquels les organisations
coordonnent leur travail :
IV. Coopération cognitive pour l’émergence de connaissances agrégées 126

Standardisation du travail

Ajustement mutuel Supervision directe Standardisation des qualifications

Standardisation des résultats

Figure 43. Mécanismes de coordination selon [Mintzberg 1982]

• L’ajustement mutuel : Les acteurs se coordonnent en s’adaptant les uns aux autres.
Les mécanismes de coordination ne sont pas formalisés et personne ne sait
exactement ce qu’il faudra faire. Cette connaissance se développe à mesure que le
travail avance. Ce type de coordination conduit, cependant, à l’amplification des
communications.

• La supervision directe : une seule personne est en charge du mécanisme de


coordination, elle est investie et responsable du travail des autres. Un responsable
lui donne les instructions et contrôle son travail.

• La standardisation des procédés de travail : mécanisme directement incorporé


dans le travail, qui est donc spécifié et programmé. Chaque personne connaît
exactement à quoi elle peut s’attendre de la part des autres.

• La standardisation des résultats : à la différence du mode de coordination


précédent, ce mécanisme standardisera les résultats du travail. Cela peut être par
exemple la prédéfinition des performances à atteindre. La standardisation des
résultats permet de prédéfinir les interfaces entre les tâches.

• La standardisation des qualifications : H. Mintzberg considère que, lorsqu’une


certaine coordination est nécessaire, alors que ni les procédés de travail ni les
résultats de celui-ci ne peuvent être standardisés, il est encore possible de
standardiser la qualification et le savoir de ceux qui font le travail. Cette
standardisation passe par une formation préalable portant sur les programmes de
travail et sur les bases de coordination avant même d’entrer dans l’organisation.
Selon l’auteur, ces mécanismes de coordination ne sont pas figés mais sont plutôt évolutifs.
« A mesure que le travail d’organisation devient plus difficile, les moyens de coordination
employés de façon préférentielle semblent passer successivement de l’ajustement à la
supervision directe, puis à la standardisation des procédés, à celle des résultats, à celle des
qualifications et enfin retournent à l’ajustement mutuel dans les situations les plus
complexes » [Mintzberg 1982].

Dans le cadre de notre recherche, nous considèrerons que les acteurs de la coopération
coordonnent leurs actions par ajustement mutuel, supervision directe et standardisation des
IV. Coopération cognitive pour l’émergence de connaissances agrégées 127

résultats (ou des produits). Nous nous plaçons dans le cas d’organisations adhocratiques.
Cette forme d’organisation est celle qui est compatible avec l’organisation par processus.
IV.3.3.2. Langage de coopération cognitive

Le langage est le media naturel de communication entre acteurs. Il permet de formuler les
messages échangés. Il est ainsi un support qui véhicule un contenu, qui va de la simple
information à des connaissances complexes.

Le langage est aussi mis en œuvre dans la cognition. La nature du rapport entre connaissance
et langage a été étudiée par la linguistique11, à partir de Il existe ainsi un lien complexe entre
connaissance et langage, ils interagissent l’un sur l’autre.
Pour Varéla [Varéla, 1989] « la connaissance que nous élaborons tiendrait du fait que notre
monde est inséparable de notre corps, de notre langage et de notre histoire sociale. (...) Il
nous faut déduire que celui qui sait et ce qui est su, le sujet et l’objet sont la spécification
réciproque et simultanée l’un de l’autre ». L’individu construit donc en permanence un
« modèle du monde », une relation entre lui et son environnement, ses structures et
représentations mentales complexes et les structures de son environnement lui-même
complexe.

Par conséquent, la compréhension des organisations nécessitera au préalable de se pencher


sur la partie émergée de la connaissance et des savoirs- faire de chacun. L’étude du langage de
chacun dans une coopération va faire apparaître une hétérogénéité des représentations et de la
sémantique, les informations n’auront pas le même sens pour chacun des coopérants.
Ainsi, pour se comprendre et communiquer, les acteurs de la coopération devront construire
un système commun de représentation des connaissances
Lorsque la coopération effective est qualifiée de cognitive, le système d’information soutenant
la coopération doit permettre de faire émerger et de capitaliser la connaissance commune, co-
construite ainsi que d’implémenter et diffuser les acquis nouveaux.

Le schéma ci-dessous représente les relations entre langage, connaissance, savoir-faire et


actions, Système d’information automatisé. Il s’agit de la partie du système d’information
formel mis en machine dont le système de signes a été stocké sous forme de données et de
programmes informatiques.

11
Humboldt (1907), comme « l’étude de la participation du langage à la création des
représentations ».
IV. Coopération cognitive pour l’émergence de connaissances agrégées 128

Fonction
d'action Savoir-faire et action
Connaissance

Langage Système d'information


Fonction automatisé
sémantique
Boucle concrète

Figure 44. Les relations langage, connaissance, savoir-faire et actions, SI automatisé.

Nous nous intéressons ici au langage d’un groupe sous ces deux aspects :
• de communication entre acteurs cognitifs permettant la coopération,
• de cognition, c'est-à-dire, de support d’interprétation et d’expression des
connaissances de chaque acteur cognitif.

IV.4. Résultats de la coopération cognitive

IV.4.1. Apprentissage organisationnel


IV.4.1.1 Définitions

Les définitions de l’apprentissage organisationnel sont nombreuses, elles diffèrent par leurs
approches théoriques et leurs visions de l’entreprise.
L’apprentissage organisationnel est défini par Miner et Mezias [Miner 1996] comme «un
ajustement du comportement de l’organisation en réponse aux modifications de
l’environnement, comme une transformation des connaissances organisationnelles ou une
comme une interaction entre individus au sein d’une organisation ».

Davenport et Prusak [Davenport 1998] définissent la connaissance dans l’entreprise comme


un "mélange fluide d'expériences bâties, de valeurs, d'informations contextuelles, et de
perspicaces expertises qui fournit un cadre pour évaluer et incorporer de nouvelles
expériences et informations, elle provient et est appliquée dans l'esprit des personnes. Dans
les organisations, elle ne repose pas uniquement dans les documents ou les entrepôts mais
également dans les routines, les processus et normes organisationnelles".
Nonaka et Takeuchi fournissent un modèle de l’apprentissage, cycle continu en spirale, qui
capitalise les connaissances nouvelles issues des activités innovantes, et les fait propager et
assimiler au niveau des individus. Les auteurs définissent l’apprentissage comme « une
interaction continue et dynamique entre la connaissance tacite et explicite. Cette interaction
est formée par des décalages entre les différents modes de conversion de la connaissance, qui
sont induits par plusieurs déclencheurs».
IV. Coopération cognitive pour l’émergence de connaissances agrégées 129

Les recherches sur l’apprentissage organisationnel décrivent le processus d’apprentissage,


mais ne précisent pas la nature de la connaissance organisationnelle qui intervient dans ces
processus.

De nombreuses recherches se sont donc intéressées aux processus permettant à une


organisation de devenir apprenante et aux types de connaissance qui interviennent dans ce
processus d’apprentissage. Moins nombreux par contre sont les travaux sur la consolidation de
cet apprentissage.

Nous défendons l’idée que cette consolidation peut être obtenue grâce à l’organisation par
processus qui permet la création de connaissances en nous positionnant dans la perspective de
[Nonaka 1994] [Davenport 1993].

IV.4.1.2. Typologies des processus d’apprentissage dans les groupes

Les processus de l’apprentissage dans les groupes sont de plusieurs types. Nous distinguons de
ces recherches quatre principales formes d’apprentissage :
• Un apprentissage d’adaptation : [Cyert 1970] conceptualisent l’organisation comme
un système ouvert rationnel et adaptatif qui apprend de ses expériences pour modifier
ses comportements en fonction des rétroactions de l’environnement selon des normes
et des routines précisément définies. L’apprentissage qui est une réponse à une rupture
ou un déséquilibre va inciter l’organisation à s’adapter à ses objectifs, ses règles
d’attention et ses règles de recherche d’information,
• Un apprentissage d’imitation : ce processus suppose de sélectionner d’une part les
éléments à imiter d’autres part les acteurs ou organisations qui auront à développer ces
éléments,
• Un apprentissage d’expérimentation : l’apprentissage est perçu comme un processus
d’expérimentation relevant d’une démarche inductive. Il consiste à expérimenter des
situations nouvelles ou inconnues dans l’optique d’enrichir le registre de
comportements et de réponses de l’organisation. Il favorise plus l’adaptabilité que
l’adaptation des acteurs de l’organisation.
• Un apprentissage de transformation du cadre de l’action collective : L'apprentissage
individuel dans une organisation est constitué par la dynamique des modèles
mentaux ; les comportements et les actions des individus sont guidées par leurs
interprétations. L'individu s'inscrit dans une série de systèmes organisés qu'il
contribue à élaborer et qu'il transforme. Les acteurs cognitifs de l’organisation ont la
capacité de générer des théories de l’action commune dans lesquelles ils se situent et à
les transformer dès lors qu’elles n’assurent plus selon eux, une cohérence dans l’action
et une efficacité de leurs pratiques [Argyris 1996]. Plutôt qu’un processus d’adaptation,
l’apprentissage organisationnel est perçu comme un phénomène auto-engendré par les
organisations pour assurer leurs changements et améliorer leurs processus.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 130

Ces recherches sur l’apprentissage ne précisent pas la nature de la connaissance


organisationnelle qui intervient dans ces processus. Nous avons souligné le cadre de notre
recherche, par notre positionnement en « middle up down » de la création de connaissances,
au sens de [Nonaka 1994].

La création de connaissances est positionnée au niveau des différentes coopérations qui


composent une organisation.

[Nonaka 1994] présentent un modèle plus concret de la dynamique de la co-construction de la


connaissance dans les groupes formant une organisation. Le modèle « middle up down »
décrit le processus dynamique a quatre phases qui se répètent en spirale:
• Des individus vers le groupe :
o La socialisation : consiste en une création de connaissances propres à un
groupe grâce à des connaissances pratiques acquises dans une activité
coopérative à but défini,
o La combinaison : création de connaissances de groupes depuis des
connaissances d’autres groupes rendues explicites,
o L’externalisation : consiste à formaliser, expliciter, inscrire, codifier les
connaissances de chaque individu du groupe dans la mémoire d’entreprise.
• Du groupe vers les individus :
o L’internalisation : appropriation par chaque individu des connaissances
nouvellement constuites ; il s’agit là, directement lié à l’exercice de pratique
organisationnelle, de l’appropriation des individus d’un groupe des règles et des
procédures formelles de l’entreprise, mais aussi des savoirs stratégiques.

La coopération cognitive entre décideurs-métiers sera abordée comme un lieu de création de


connaissances stratégiques et déclencheur d’apprentissage organisationnel et individuel.

IV.4.1.3. L’apprentissage et la coopération cognitive


a. Des individus vers les groupes

La coopération cognitive fait le lien entre apprentissage individuel et apprentissage


organisationnel. Les coopérations ont "un rôle déclencheur des apprentissages et des
processus de création de la connaissance et un rôle d'implémentation des acquis nouveaux et
de diffusion à l'ensemble des centres de décision ou de l'organisation" comme le précise D.
Llerena [Llerena 1997]. Les différents acteurs partagent leurs capacités cognitives.

Le contexte de la coopération et le jugement de valeur que portent les individus sur


l'information ont une influence certaine sur l'interprétation de ces informations, leur
intégration dans des modèles existants et la formation de concepts. L'apprentissage ne se fait
que si les individus s'engagent, ils doivent manifester leur intention d'évoluer dans la situation
de coopération.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 131

Les coopérations ont un rôle d'implémentation des acquis nouveaux et de diffusion ainsi que
de confrontation aux réalités. Cependant, les résultats de la coopération, c’est-à-dire des
décisions prises en commun, ne seront jamais optimaux, du fait de la rationalité limitée de
chacun des membres du groupe.

Dans une organisation, l'efficacité de l'action va dépendre de la qualité des connaissances


mobilisées par les agents, de la coordination de leurs utilisations et de leurs modifications
dans le temps. Argyris et Schön [Argyris 1978] parlent de « cartes cognitives partagées »
[Arthus 1997].

Une « carte cognitive » au sens du psychologue [Tolman 1948] représente l'ensemble des
connaissances d'un individu sur un domaine limité. Portées à un niveau collectif, ces cartes
cognitives permettent aux individus de partager une même vision de la réalité de
l'organisation. Chaque individu poursuit ses propres objectifs et développe ses systèmes de
préférence et d'évaluation suivant son rôle dans l'organisation. Les membres de l'organisation
ont des représentations différentes de l'environnement. Par conséquent, dans une
organisation, la coordination des activités se fait par et grâce à une connaissance commune qui
porte sur les faits et sur les règles, permettant d'anticiper les actions des autres. Cette
connaissance commune est le résultat de la combinaison des représentations individuelles.
Seul un minimum de compréhension mutuelle est exigé pour assurer la cohérence, il n'est pas
nécessaire que les membres de l'organisation partagent les mêmes objectifs et / ou les mêmes
interprétations de leurs actions conjointes.

La question fondamentale qui vient à l'esprit est « quel est ce contenu minimum de
compréhension nécessaire ? ».
L'acquisition de nouvelles informations implique des interprétations propres à chaque
individu qui vont compléter ou modifier ses modèles mentaux pour aboutir eux-même à la
modification des connaissances existantes et à la constitution de nouveaux savoirs.

Lorsque la coopération effective est qualifiée de cognitive le système d'information soutenant


la coopération doit permettre de faire émerger et de capitaliser la connaissance commune, co-
construite ainsi que d'implémenter et diffuser les acquis nouveaux.

Ainsi, donc, si les individus en interaction incarnent les fonctions vitales et artificielles des
organisations auxquelles ils s'identifient, la construction de la coopération entre organisations
coopératives devra tenir compte de la capacité cognitive et des modes de représentation de ces
individus.

Par conséquent, la compréhension des organisations nécessitera au préalable de se pencher


sur la partie émergée de la connaissance et des savoir-faire de chacun.
L'étude du langage de chacun dans une coopération va faire apparaître une hétérogénéité des
représentations et de la sémantique, les informations n'auront pas le même sens pour chacun
des coopérants.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 132

Ainsi, pour se comprendre et communiquer, les acteurs de la coopération devront construire


un système commun de représentation des connaissances ; ils devront structurer les
informations c'est à dire faire correspondre à un ensemble d'objets internes du système, un
ensemble de structures « représentant » les entités originelles ; ils devront aussi mettre en
place un contrôle pour ordonner et réguler leurs actions par rapport à l'environnement
[Koriche, 1996]. En même temps, ils vont agir sur l'organisation qu'ils auront créée, tandis que
celle-ci agira elle-même sur leurs représentations.
b. D’un groupe vers l’individu

La structure informationnelle détermine la transmission d'informations entre les acteurs et/ou


leur exposition à des nouveaux stimuli. Ces informations sont à l'origine des processus
d'interprétation et de l'évolution des représentations. La structure informelle de l'organisation
détermine alors les activités d'interprétation par l'intermédiaire de la variabilité de
l'environnement qui entoure l'individu. La variation de l'environnement conduit à une remise
en cause des connaissances acquises et un questionnement des représentations et des règles
utilisées.

Ces systèmes ou organisations comme le souligne Cossette [Cossette, 1994], ont des aptitudes
spécifiques à la fabrication du sens par transformation du réel, engagement dans le réel,
attribution de sens au réel devenu équivoque, et rétention du réel devenu significatif. Comme
le souligne Miermont [Miermont, 1995], en définitive, "ce sont les hommes en interaction qui
incarnent les fonctions vitales et artificielles des organisations auxquelles ils s'identifient plus
ou moins complètement, en fonction de leurs positions, de leurs niveaux de responsabilité,
leurs modes de satisfaction, d'attente et de projets".

Pour Menard [Menard, 1994], le processus d'apprentissage individuel dans un contexte


organisationnel vise à réaliser plusieurs objectifs de mise en commun à la fois des expériences
passées, des décisions, des objectifs et d'un « futur » pour stabiliser les relations
interpersonnelles.
La coopération permet donc un engagement simultané des individus et une définition
partagée des jugements de valeur et de l'usage des connaissances à acquérir.

IV.4.2. Emergence de connaissances de l’organisation


La compréhension du phénomène de l’émergence des connaissances fait l’objet de nombreuses
études dans différentes spécialités. Les études les plus poussées sont issues des sciences
psychologiques (étude des phénomènes d’apprentissage), des sciences sociales (études des
phénomènes de socialisation et de partage du transfert des connaissances) et des sciences
cognitives (processus de construction de connaissances : le « faire-émerger » de structures
nouvelles [Varela 1989], processus d’accomodation [Piaget 70] et amorçage en général).
Les nouvelles approches de management de connaissances, dans lesquelles nous nous
positionnons, s’intéressent aussi au phénomène d’émergence des connaissances. Elles ont
IV. Coopération cognitive pour l’émergence de connaissances agrégées 133

pour objectif de mettre en place des méthodes et des mécanismes favorisant l’émergence des
connaissances dans l’entreprise tant au niveau individuel mais qu’au niveau global (échelle
entreprise).

Nous aborderons le projet de coopération cognitive comme une unité organisée afin que
chaque individu qui apporte ses représentations et ses structures mentales trouve un terrain
d’appui pour penser et agir collectivement et inversement trouve dans le projet de quoi guider
son action et ses réflexions.
Lors d’une coopération, l’apport de chacun sera capitalisé tandis que chacun bénéficiera de
l’apport des autres. Ces interactions contribueront à construire un savoir collectif qui est
supérieur et différent de la somme des savoirs individuels.

Le résultat premier de la coopération est l’atteinte du but. Mais le résultat qui nous intéresse
est la connaissance émergente du groupe. La coopération cognitive vise à favoriser la création
de connaissances par un ensemble d’interactions entre individus [Nonaka, 1994].

La coopération cognitive favorise l’apprentissage au sein du groupe et pour les individus.


Ainsi, l’émergence de connaissances est une problématique qui nous intéresse
particulièrement dans ce travail. En effet, l’approche à proposer a pour objectif de favoriser
l’émergence des connaissances à partir de l’interaction des décideurs en vue de la construction
d’un langage commun.
L’objectif de cette section est de donner un aperçu de la nation d’émergence, ses
caractéristiques et des exemples de phénomènes émergeants.

IV.4.2.1. Notion d’émergence

Cette notion est étudiée depuis fort longtemps dans les disciplines telles que la philosophie, la
physique, la thermodynamique, la cybernétique …
La notion d’émergence s’oppose à l’approche dite « classique » pour aborder la résolution d’un
problème particulier. Elle ne consiste pas à décomposer un problème en sous-problèmes puis
à résoudre individuellement et consécutivement chacun d’eux pour pouvoir atteindre la
solution cherchée mais doter les agents de comportements qui les amèneront à interagir de
manière locale pour résoudre ce problème. De ces interactions émergera peu à peu une
organisation stable et structurée des relations entre agents. Il s’agit d’émergence dans le sens
où la fonctionnalité globale du système n’est pas explicitement écrite dans le comportement
des agents [Camps 1998].

Langton [Langton 1990] définit l’émergence en termes de relation de feedback entre les
niveaux dans un système dynamique. Les micro-dynamiques locales causent les macro-
dynamiques et les macro-dynamiques globales contraignent les locales.
Gleize [Gleize, 2004] la définit comme « une propriété macroscopique d’un système qui ne
peut pas être inférée à partir de son fonctionnement microscopique »
IV. Coopération cognitive pour l’émergence de connaissances agrégées 134

[Bonabeau 1997] propose une définition qui consiste à considérer le phénomène par niveaux.
Il y a émergence, toutes les fois qu’un « phénomène » apparaît à un niveau Ni+1,
indépendamment des objets et des processus définis et implémentés dans à un niveau plus bas
Ni et quand il est difficile, voire impossible de déduire des propriétés des objets et processus à
partir du niveau Ni. Ce type d’émergence est appelé « émergence des structures de plus haut
niveau ». Il distingue deux cas :

• la nouvelle structure apparaît au niveau Ni+1 au cours du temps par la dynamique


naturelle du système,

• ou la « structure » était potentiellement là avant, mais elle n’a pas été actualisée
dans le niveau Ni+1 jusqu’à ce que des mécanismes d’observation soient disponibles.
Les deux approches définies plus haut font participer implicitement un observateur.
L’existence d’une structure naissante dans le niveau Ni+1 n’est possible que si elle peut être
détectée grâce à un mécanisme d’observation.
Ces définitions utilisent le concept comme un terme général, montrant le résultat du processus
d’émergence : propriétés, comportement, structure, classes (patterns), etc. Le niveau
mentionné fait référence à certains points de vue. Le niveau macro considère le système
comme un tout et le niveau micro considère le système comme un point de vue des entités
individuelles qui composent le système.
Dans les années 1980, elle s’est répandue dans les domaines concernés par la conception de
systèmes artificiels comme la vie artificielle, les systèmes complexes adaptatifs tels que ceux
développés au Santa Fe Institute et les systèmes multi-agents et a pris le nom de calcul
émergent [Forrest, 1990] qui précise que c’est le calcul produit par une collection d’agents en
interaction qui est émergent.
Pour les chercheurs, le challenge est de concevoir des systèmes de manière ascendante sous la
forme d’un collectif d’agents en interaction entre eux et avec leur environnement et dont le
comportement global est émergent.
a. Caractéristiques

Nous donnons, à partir de définitions tirées de la littérature, les particularités qui nous
semblent fondamentales pour cerner de façon précise la notion d’émergence.
• Nouveauté : D’une part, l’émergence présuppose qu’il y a apparition de nouveauté –
propriétés, structures, formes ou fonctions –, et d’autre part, elle implique qu’il est
impossible de décrire, d’expliquer ou de prédire ces nouveaux phénomènes en termes
physiques à partir des conditions de base définies aux niveaux inférieurs » [Van de
Vijver 1997]. « Théorie selon laquelle la combinaison d’unités d’un certain ordre réalise
une entité d’ordre supérieur dont les propriétés sont entièrement nouvelles » .
• Auto-organisation : « L’émergence fait référence à l’apparition durant le processus
d’auto-organisation dans un système complexe de structures ou de schémas
(« patterns ») ou de propriétés nouvelles et cohérentes »[Goldstein 1999].
IV. Coopération cognitive pour l’émergence de connaissances agrégées 135

• Irréductibilité : « Churchland définit l’émergence en termes d’irréductibilité des


propriétés associées à une théorie de haut niveau à des propriétés associées à des
composants dans une théorie de plus bas niveau ».
• Interdépendance des niveaux : « Des structures et/ou des fonctions apparaissent à un
niveau macroscopique sans que la seule observation des propriétés des constituants
permette de les prédire » [Atlan 2000] [Atlan 1979]. Qu’est-ce qui nous permet alors
de juger du caractère émergent d’un phénomène ? Les propriétés inter-reliées,
communes qui permettent d’identifier le phénomène comme émergent sont :
o l’observation d’un phénomène ostensible (qui s’impose à l’observateur) au
niveau global ou macro,
o la nouveauté radicale du phénomène (il n’est pas observé au niveau micro et
n’est pas prévisible),
o la cohérence et la corrélation du phénomène (il a une identité propre mais liée
fortement aux parties qui le produisent),
o l’observation d’une dynamique particulière (le phénomène n’est pas pré donné,
il y a « auto-maintien » du phénomène).
Un comportement émergent est donc caractérisé par, une dynamique globale supérieure à la
simple somme des interactions des constituants dus système. L’émergence fait implicitement
apparaître deux niveaux de description de la complexité du système : un niveau « micro»
constitué d’éléments de faible granularité en interaction ainsi qu’un niveau « macro» constitué
d’éléments de plus grosse granularité dans lequel apparaît des propriétés émergentes. Le lien
causal existant entre le niveau micro et le niveau macro est très difficilement explicable d’où le
qualificatif d’émergent.

[Alquier 1998a] résume les différentes propriétés de l’émergence. Ces propriétés sont définies
dans le contexte d’une approche constructiviste. Ces propriétés sont représentées par un
ensemble de caractéristiques qui influent sur le phénomène d’émergence suivant les situations
dans lesquelles il se trouve :
• Les phénomènes d’émergence se produisent par niveaux. Ceci implique l’existence
de niveaux de connaissances dans lesquels un acteur a une perception locale, mais
une possibilité d’action globale. Les différents niveaux sont caractérisés par des
relations hiérarchiques.
• Des interactions dans des niveaux donnés font émerger des entités dans des niveaux
supérieurs. Les propriétés de ces dernières sont nouvelles ou qualitativement
meilleures
• Le tout a des propriétés que les parties n’ont pas [LeMoigne 1977]. Cette
caractéristique est directement issue des exemples sur les odeurs. Disposant de deux
flacons de parfum, le fait de mélanger les parfums à des dosages différents permet
de créer une infinité de nouvelles odeurs.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 136

• Les phénomènes d’émergence sont dotés de la propriété d’inexplicabilité. Les


propriétés émergentes ne peuvent pas être dérivées des propriétés des niveaux plus
bas. Il n’existe pas de possibilités de démonstration des phénomènes.

Selon [Alquier 1998a] l’émergence peut être de deux types :


• L’émergence syntaxique : ce type d’émergence se produit dans des systèmes
adaptatifs. Le caractère syntaxique de l’émergence vient du fait qu’il y a création de
relations entre des faits observables déjà définis. L’émergence syntaxique se
caractérise par la création de nouveaux mécanismes (new computations) ou de
changements dans des modèles d’observation, sans pour autant changer les
mécanismes d’émergence et de détection de situations d’émergence.
• L’émergence sémantique : l’émergence sémantique se produit dans les systèmes de
type évolutif. Ce type d’émergence conduit à la création de nouveaux faits
observables non attendus. Dans l’émergence sémantique, il y a nécessité de création
de nouveaux détecteurs de ces situations et de nouveaux mécanismes pour leur
prise en charge.
b. Une technique pour l’émergence : l’auto-organisation

Afin d’obtenir des systèmes adaptatifs pour des environnements dynamiques ou complexes, la
conception de systèmes à fonctionnalité émergente semble être une solution prometteuse.
En effet, spécifier un modèle pré-défini de macro-niveau pour un système plongé dans un
environnement dynamique, c’est fortement contraindre l’espace des possibilités. L’étude d’un
système devient alors l’étude de ses sous-parties prises isolément [Von Bertalanffy 1993].
Considérant les notions et les éléments soulevés dans le paragraphe précédent, l’auto-
organisation est un moyen technique d’obtenir des phénomènes émergents.

Du point de vue méthodologique, nous pouvons alors considérer un système artificiel dont le
concepteur a seulement pré-donné les spécifications et comportement des parties qui le
composent et dont il sait qu’elles sont suffisantes pour obtenir une organisation produisant
une fonction adéquate. Ici, le concepteur n’a pas à donner une organisation interne a priori.
L’organisation est un résultat de l’activité du système. Ainsi, nous remplaçons la tâche de
définition de la fonction globale du système, par la définition des fonctions des sous-parties du
système et des moyens de réorganisation : quand et comment réorganiser les parties pour
obtenir une configuration produisant une fonction en adéquation avec l’environnement.
L’auto-organisation n’est pas un principe purement théorique, mais un phénomène souvent
observé dans la nature. De la même manière que les biologistes, les physiciens ou les
mathématiciens, les spécialistes du comportement (éthologues, psychologues ou sociologues)
ont identifié des phénomènes auto-organisés dans des sociétés d’individus comme chez les
fourmis, les termites ou bien les humains [Bonabeau 1997].

IV.4.2.2. Exemples de phénomènes émergents


a. Insectes sociaux : L’expérience du double pont et des fourmis
IV. Coopération cognitive pour l’émergence de connaissances agrégées 137

Pour que ce phénomène global lié à l’émergence puisse être observé, il doit pouvoir être inscrit
sur un support. Dans les systèmes naturels (et de plus en plus, artificiels), l’environnement
joue ce rôle de médium d’inscription.
Un exemple de système naturel produisant un phénomène émergent sont les fourmis
lorsqu’elles produisent un chemin entre la source de nourriture et le nid [Georgé 2004]. Une
fourmi qui transporte de la nourriture dépose des traces de phéromones qui créent un
gradient attirant d’autres fourmis. Il se crée alors un chemin entre la source et le nid tant qu’il
y a de la nourriture. Le comportement individuel de la fourmi repose entièrement sur la
perception locale du gradient. Les interactions se font entre les fourmis et l’environnement ou
plutôt entre elles médiées par l’environnement. Le phénomène global est le chemin qui n’est
identifié en tant que tel que par un observateur extérieur.
Nous avons donc les trois conditions à savoir :
• un ensemble d’entités (les fourmis) en interaction sur la base du gradient de
phéromones et non pas en terme du chemin (le chemin n’existe pas pour les
fourmis),
• la production d’un phénomène global stable à savoir le va et vient des fourmis entre
la source et le nid,
• L’observation de ce phénomène global en terme de chemin médié par une
inscription qui est la trace de phéromones et, plus facilement observable, les
fourmis elle-mêmes le long de cette trace.
A noter que le système puise sa flexibilité dans sa dépendance au gradient de phéromones et
non pas au chemin produit. Le chemin peut ainsi dynamiquement se déplacer au gré de
modifications comme de nouveaux obstacles ou le déplacement de la source de nourriture.
D’autres animaux ont des comportements collectifs auto-organisés, comme les termites dans
la construction de leur nid. Certains comportements grégaires comme ceux des buffles, des
étourneaux ou des maquereaux sont identifiés comme résultant d’une auto-organisation.
C’est cet avantage de l’émergence que l’on cherche à exploiter dans la situation coopérative à
laquelle on s’intéresse.
b. Synchronisation des applaudissements

Des phénomènes non supervisés issus de l’activité d’un grand nombre d’individus s’observent
aussi dans les activités humaines [Goldstein 1999]. Tout le monde a pu observer la
synchronisation des applaudissements après un concert ou une pièce de théâtre. Cette
apparition de synchronisation à partir d’un ensemble désordonné d’applaudissements
individuels, qui peut disparaître et réapparaître plusieurs fois, est un exemple classique
d’auto-organisation. Très étudié en physique, cet exemple simple a permis d’obtenir des
modèles mathématiques le décrivant et permettant d’étudier les conditions d’apparitions et de
variations.
c. Conscience humaine
IV. Coopération cognitive pour l’émergence de connaissances agrégées 138

Un phénomène très surprenant chez l’homme est celui de l’apparition de la conscience. “La
conscience est une propriété du cerveau de niveau supérieur ou émergente au sens tout à fait
banal de « niveau supérieur » ou d’ »émergent »…” [Searle 1995]. Les avancées en neuro-
biologie nous renseignent de plus en plus sur les interactions physico-chimiques complexes se
déroulant au sein de notre cerveau. Pourtant il semble bien illusoire de parvenir à comprendre
un phénomène aussi complexe que la conscience en n’observant que les neurones et leurs
interactions.
Le cerveau est typiquement un système complexe, constitué d’un grand nombre de parties en
interactions non-linéaires, confronté à un environnement dynamique, capable d’adaptation et
d’apprentissage, et exhibant à un niveau supérieur des phénomènes particuliers (conscience,
réflexion, mémoire) non explicables au vu des parties.

IV.4.2.3. Synthèse et Discussion


Pour qu’il y ait situation d’émergence, il faut qu’un nombre de conditions soient présentes. Les
conditions d’émergence ont été posées par [Forest 1990] et que se résument comme suit :
• Des agents de niveau inférieur au niveau dans lequel se produit l’émergence
fonctionnent en suivant des instructions explicites ;
• Les interactions entre ces agents, selon ces instructions de fonctionnement, forment
des patrons (patterns) globaux et implicites au niveau de leur hiérarchie ;
• Il doit exister une compréhension naturelle du fonctionnement de ces patrons par un
observateur.
L’intelligence collective n’est pas quelque chose de complexe ; au contraire, elle est issue de la
somme d’éléments simples mais qui, en se cumulant ou se superposant, aboutissent à un
système complexe.
Nous avons montré (section IV.4.2) que l’intelligence collective se retrouve dans le monde
animal et plus particulièrement chez certaines espèces comme les fourmis ou les abeilles. Les
fourmis sont «stupides » quand elles sont prises individuellement. Mais, si l’on prend toutes
les fourmis d’une colonie, on remarque que la somme de chaque individualité aboutit à
l’émergence d’une forme d’intelligence collective qui leur permet, par exemple, de construire
des fourmilières immenses ou de surmonter de nombreux obstacles qu’elles seraient
incapables de franchir seules. Elles sont, par exemple, toujours en mesure de trouver le
chemin le plus court qui mène à la fourmilière.
Donc, pour les chercheurs, le challenge est de concevoir des systèmes de manière ascendante
sous la forme d’un collectif d’agents en interaction entre eux et avec leur environnement et
dont le comportement global est émergent.
Pour que ce phénomène global puisse être observé, il doit pouvoir être inscrit sur un support.
Dans les systèmes naturels (et de plus en plus, artificiels), l’environnement joue ce rôle de
médium d’inscription.
On rejoint Joël de Rosnay, qui dit que « l’intelligence collective émerge de la dynamique des
interactions entre les éléments d’un groupe ou d’une société» [De Rosnay 1975].
IV. Coopération cognitive pour l’émergence de connaissances agrégées 139

Nous avons montré en ce qui nous concerne, que ce la construction de connaissances agrégées
(de haut niveau) passe par l’organisation de l’interaction des connaissances des acteurs locaux
(niveau local). Une organisation où se bâtissent des connaissances, émergentes d’une
interaction des agents, de leurs actions et de leurs processus cognitifs.
L’évolution cognitive de l’organisation n’existe pas en propre. La connaissance d’une
organisation est l’émergence de :
• Connaissances de ses agents, qui en sont les éléments de base : connaissances
formulées (gérées) par les décideurs en tant qu’agents cognitifs.
• leurs interactions, qu’elle organise, structure et utilise
Cette émergence, produit de l'organisation des comportements, sous-tendue par la
structuration des connaissances internes, peut être organisée et voulue, ou fortuite. La
structure globale d'une somme d'actions et de comportements locaux est alors d'une certaine
façon une nouveauté, une surprise.
Exemple (inspiré d’[Alquier 1993]): la gestion du patrimoine d'une collectivité locale ayant
dépassé une certaine taille. Ainsi cette commune qui a passé deux mois à rechercher un
bâtiment qui avait été démoli et était devenu un espace vert.
Les opérations techniques d'entretien étaient bien faites par les Services techniques, ce qui est
un problème partiel et local. La gestion du patrimoine de la Mairie n'était globalement pas
assurée.
Autre Exemple : Dans la cas du projet PRIMA (Project Risks Management) [Prima 2000], le
risque est défini avec des concepts précis, génériques et partageables (figure ci-dessous).

Cause Risque
Impact
Cause id Risque id
provoque Risque nom a Impact id
Cause nom
0,n 0,n Risque type 0,n 0,n Impact nom
Cause type Impact type
Cause probabilité Risque domaine
Exposition Impact gravité

0,n

Action
Action id
mitigation Action nom
0,n

Figure 45. Schéma de description d’un risque.

PRIMA assiste les différents acteurs dans la constitution et la structuration des connaissances
agrégées. Elle aide le partage de connaissances, qui peut être dans le temps (coopération
indirecte comme la réutilisation de connaissances de projets antérieurs) ou / et dans l’espace
(coopération directe d’une équipe projet). Il dépend des interactions nécessaires entre
connaissances individuelles, connaissances de groupe et connaissances de l’entreprise.
Dans PRIMA, la mémoire est en fait un langage pivot de coopération pré-établi. Il n’est pas
une unification, il sert l’harmonisation et la communication de connaissances hétérogènes et
diversifiées.
IV. Coopération cognitive pour l’émergence de connaissances agrégées 140

La mémoire d’entreprise orientée « business » porte sur les connaissances technologiques,


économiques et de risques, structurées de façon génériques par rapport aux besoins business
[Admane 2006]. Ces connaissances sont agrégées (haut niveau de synthèse), globalisées
(connaissances métiers de toute l’entreprise et de son environnement) et intégrées (langage
pivot).
Par exemple, la mémoire est employée pour :
• réaliser, pendant le processus de réponse à appel d’offre, des assemblages rapides de
propositions avec évaluation synthétique des performances, de l’aspect financier et des
risques dont les parties proviennent d’unités organisationnelles différentes (divers
services techniques,…) :
• positionner ces propositions par rapport à l’environnement de l’entreprise : client,
marché, concurrents, …
• déterminer les indicateurs agrégés de succès critiques : par exemple coût, prix et
risque.
Le langage pivot auquel nous nous intéressons sera lui issu de la coopération cognitive des
décideurs locaux (un résultat, une co-construction, une émergence) dans le cadre d’une
organisation par projets.
Notre problème rejoint ainsi le souci de modéliser le « faire-émerger » [Varela 1988] dans la
boucle entre langage et connaissance, pour amorcer ou accélérer la construction de
connaissances ou savoirs nouveaux. Cependant, faire émerger des connaissances cachées ne
signifie pas automatiquement que cette dernière devient une connaissance explicite.
Deux conditions doivent être remplies.
• Premièrement, il faut que l’organisation, et plus précisément les utilisateurs concernés
valident cette connaissance. Il est nécessaire que cette nouvelle connaissance soit jugée
cohérente et utile aux décideurs.
• Deuxièmement, les utilisateurs doivent savoir qu’une nouvelle connaissance a été créée
et pouvoir y accéder. Le système d’information est alors vu comme le moyen au sein de
l’entreprise de création de connaissances et le support de la cognition de ses acteurs
cognitifs [Alquier 2000]

IV.5. Conclusion
Avec l'émergence de des nouvelles technologies de communication, la notion de coopération
connaît actuellement un intérêt considérable.
Nous avons montré dans ce chapitre que la connaissance d’une organisation est un système,
avec toutes les conditions d’émergence et de contrainte entre propriétés locales et propriétés
globales, entre les connaissances des agents et la connaissance de l’organisation.
Ainsi par exemple la fonction mémoire est assurée :
• par les agents eux-mêmes, avec le problème de pérennité que cela suppose (il peut y
avoir non mémorisation, perte de mémoire,…)
IV. Coopération cognitive pour l’émergence de connaissances agrégées 141

• ou par la mémorisation (par automatisation notamment) des résultats matériellement


identifiables de cet appareil cognitif : actions et savoir-faire, Système d’Information.
Les comportements de l’organisation sont transmis aux individus, par des pratiques diverses,
sous forme de connaissances, savoir ou savoir-faire et sont mis en oeuvre par eux.
Mais les individus sont des processeurs intelligents, actifs et ils vont transformer ces
comportements et interagir sur ces connaissances, par exemple en les formalisant, ou en
construisant de nouvelles connaissances ou de nouveaux comportements,…
Notre situation décisionnelle et une situation de coopération non formalisée et débative. On
cherche à rendre cette coopération formalisée à travers l’organisation de la négociation
sémantique entre décideurs métiers.

Le chapitre qui va suivre s’attache à l’interaction dans les systèmes multi-agents.


142

CHAPITRE V. INTERACTIONS DANS LES SYSTEMES


MULTI-AGENTS

« Quand tout le monde est du même avis, c’est que personne ne réfléchit »

K. Lippmann
V. Interactions dans les systèmes multi-agents 143

V.1. Introduction

L’interaction est à la base de la constitution d’organisations et simultanément les interactions


supposent la définition d’un espace et généralement d’une organisation préétablie dans
lesquels ces interactions peuvent se produire [Ferber 1995].

Par rapport à notre préoccupation, le décideur est dans une structure d’organisation (une
organisation du travail) et une situation organisationnelle qui l’oblige à interagir
(communiquer voire coopérer). Son comportement se matérialise par une perception et une
interprétation du but fixé par le niveau supérieur et par un rôle à jouer dans le cadre de la
coopération.

La notion d’interaction suppose ainsi :


• La présence d’agents capables d’agir et/ou de communiquer.
• Des situations susceptibles de servir de point de rencontre entre agents : collaboration,
déplacement, …
• Un certain « jeu » dans les relations entre les agents leur permettant à la fois d’être en
relation, mais aussi de pouvoir se séparer et disposer d’une certaine autonomie.

Nous allons aborder dans ce quatrième chapitre des définitions et des concepts clés relatifs au
domaine des SMA, qui nous paraissent les plus appropriés pour le besoin de l’approche
d’acquisition de connaissances agrégées que nous avons l’intention de proposer et décrire.

Notre objectif n’est pas d’établir un état de l’art complet et rigoureux de ces notions mais
d’introduire certains concepts qui nous seront utiles par la suite. Il s’articulera essentiellement
autour de quatre sections : On commence par définir le concept d’agent ainsi qu’une typologie
des agents en axant plus particulièrement sur les agents cognitifs. Nous présenterons une des
architectures les plus en vue, à savoir BDI (Belief, Desire, Intention) (section 2). Le concept de
système multi-agent et ensuite présenté avant de passer en revue les différentes formes
d’interaction que sont la coopération, la coordination et la communication (section 3). Nous
évoquons par la suite la notion d’espace d’interaction est ensuite présenté (section 4). Enfin
une liste des principales méthodes orientées agent adaptés de la thèse de Picard [Picard
2004]. Enfin un bilan du chapitre est dressé afin de montrer l’apport de l’interaction dans les
agents pour notre situation.

V.2. Concept d’Agent

La notion d’agent est issue de différents domaines comme la Psychologie Sociale, l’Intelligence
Artificielle, les Sciences de l’Homme et de la Vie, etc. Le concept assez riche se spécialise en
fonction des applications pour lesquelles l’agent a été conçu.
V. Interactions dans les systèmes multi-agents 144

V.2.1. Définition
« Un agent est défini comme une entité physique ou virtuelle, autonome, capable d’agir dans
un environnement, de communiquer avec d’autres agents, de percevoir son environnement et
de se reproduire (éventuellement) » (Figue ci-dessous) [Ferber 1995].

Agent

Action
Perception

Environnement

Figure 46. Relation Agent-Environnement

De plus, un agent possède usuellement un objectif individuel (fonction de satisfaction), des


ressources, une représentation partielle de l’environnement, des compétences et il offre ses
services. Son comportement est fonction de ses observations, de ses connaissances, de ses
croyances, de ses compétences, de ses interactions.

Le concept de l’agent trouve donc tout son intérêt dans la notion de comportement, de
réaction et de perception. Ces notions contribuent à définir l’agent comme une entité active
coopérante dans l’univers des agents. Elles lui permettent de tenir compte de son
environnement, d’interagir avec celui-ci, afin d’atteindre un but commun.

Dans ces conditions, nous pouvons intuitivement dire qu’un agent dispose:
• d’une interface permettant aux autres agents de le percevoir en tant qu’entité
coopérante ou susceptible de coopérer. Cette perception se résume dans les services
que l’agent peut rendre et dans les connaissances qu’il peut mettre à la disposition des
autres.
• d’un mécanisme de comportement interne, non perceptible par les autres agents,
permettant à l’agent de réaliser les services qu’il offre ou de traiter les connaissances
qu’il propose. Selon que l’agent est cognitif ou réactif, ce mécanisme est plus ou moins
complexe.

Cela permet de définir un agent en deux parties :


• La première est tournée vers le groupe. Elle englobe donc l’ensemble des moyens lui
permettant d’interagir avec son environnement.
• La seconde est tournée vers ses fonctionnalités internes. Elle englobe donc l’ensemble
des connaissances, de savoir-faire, des mécanismes de gestion de tâches, etc. qui lui
permettent de contribuer à la réalisation du but commun.

Dans la littérature, d’autres définitions [Jennings 1998] mettent en évidence d’autres


propriétés clés :
V. Interactions dans les systèmes multi-agents 145

• les aptitudes sociales : désignent la capacité d’un agent à interagir avec les autres
agents de façon coopérative ou compétitive pour atteindre ses objectifs ;
• la pro-activité : désigne l’aptitude d’un agent à se fixer des buts pour atteindre ses
objectifs sur sa propre initiative.

V.2.2. De l’objet à l’agent


Les objets se définissent comme des entités informatiques qui encapsulent un état, sont
capables d’accomplir des actions ou méthodes dans cet état, et communiquent par échange de
messages [Ferber 1989].

Plusieurs chercheurs définissent la notion d’agent par rapport à celle d’objet, arguant du fait
que la maîtrise d’une nouvelle technologie ou d’un nouveau concept est facilitée par une
référence à des technologies ou concepts voisins et d’ores et déjà maîtrisés [Odell 2000].

Bien qu’il existe plusieurs similitudes entre les agents et les objets, il n’en existe pas moins
d’importantes différences.
• La première différence concerne le degré d’autonomie. La propriété la plus
caractéristique des objets est le principe d’encapsulation (l’idée selon laquelle les objets
contrôlent leur propre état interne). Dans ce sens, un objet peut être considéré comme
ayant une autonomie sur son état. Mais un objet n’a pas de contrôle sur son
comportement : si une méthode m est rendue accessible aux autres objets, alors ceux-ci
peuvent les invoquer chaque fois qu’ils le veulent. En d’autres termes, une fois qu’un
objet a rendu une méthode publique, il n’a plus de contrôle sur l’exécution ou non de
cette méthode. Les agents, quant à eux, n’invoquent pas des méthodes mais adressent
des requêtes pour l’exécution des actions. Si un agent i demande à un autre agent j
d’exécuter une action a, j exécutera l’action ou ne l’exécutera pas. On voit donc que
dans le cas des objets, la décision d’exécuter l’action appartient à l’objet qui invoque la
méthode alors que pour les agents, cette décision revient à celui qui reçoit la requête.
[Wooldridge 1999] rapporte un slogan très original qui résume de ce point de vue la
différence entre les objets et les agents : « Objects do it for free; agents do it for
money »
• La seconde différence est que les propriétés de sociabilité et pro-activité chez les agents
sont également absentes dans les objets. Par ailleurs, les objets ne sont pas
nécessairement concurrents, alors qu’un agent possède nécessairement son propre fil
d’exécution. Les agents intègrent également la notion d’action persistante qui tente de
manière répétée d’accomplir un objectif sans qu’il soit nécessaire de contrôler
explicitement le succès, les échecs, ou les alternatives. En résumé, les agents apportent
des abstractions supplémentaires au-dessus de la technologie objet.
• La troisième différence entre les objets et les agents vient du fait que ces derniers sont
censés avoir chacun leur fil d’exécution (thread). Dans le modèle objet standard, il
existe un fil d’exécution unique pour tout le système, bien que l’on voie apparaître du
V. Interactions dans les systèmes multi-agents 146

parallélisme dans la POO (Programmation Orientée Objet) avec des langages comme
Java, qui offre la possibilité de lancer plusieurs fils d’exécution en même temps. Il faut
noter une évolution dans la communauté des adeptes de la POO vers la notion d’objet
actif. Un objet actif est un objet possédant son propre fil d’exécution. Les objets actifs
sont généralement autonomes, c’est-à-dire qu’ils peuvent exhiber un comportement
sans avoir été sollicités par un autre objet. [Odell 2000] présente les agents comme une
extension d’objets actifs possédant une prise d’initiative (la capacité à initier des
actions sans intervention externe) et un libre arbitre (la capacité à refuser ou à modifier
une requête externe).

De son côté, Picard [Picard 2004] considère les agents comme une évolution des objets et
énonce des différences conceptuelles notables à prendre en compte, par exemple, lors de
l’identification des agents dans un système, notamment :
• Décentralisation : les objets sont vus classiquement comme des unités au contrôle
centralisé bien qu’ils puissent implanter des systèmes distribués. Les agents, au
contraire, sont par natures autonomes en décision et donc aucun contrôle global ne
peut s’exercer sur eux ;
• Classification multiple et dynamique : une fois créé par un autre objet, un objet ne
peut changer de classe ou d’héritage. Si l’on pousse le concept d’agent logiciel plus loin,
il devient possible pour des agents de muter et de changer de classe ;
• Caractéristiques au niveau des instances : les attributs et méthodes possédés par les
objets sont définis par leur classe. Dans le cas des agents, ils ne sont pas définis au
niveau des classes mais au niveau des instances de classe ;
• Faible en impact et en portée : les agents peuvent être de faible ou de grosse
granularité. Par contre, les objets ont souvent plus d’impact sur le système dans sa
globalité que les agents qui n’ont des actions qu’au niveau des autres agents et non du
système [Van Dyke Parunak 1997]. Cette idée rejoint le principe de localité
apparaissant dans la définition d’un agent [Ferber 1995] ;
• Analogie à la nature : les caractéristiques d’autonomie dynamique et de non-
déterminisme rendent les agents plus proches des systèmes naturels que n’en sont les
objets. La notion de système ouvert avec apparition et disparition d’agents, va aussi
dans ce sens.

Ainsi, les agents peuvent être vus comme des objets ayant des règles structurelles ou
comportementales supplémentaires.

V.2.3. Plusieurs types d’agents

Deux types d’agents ont longtemps été distingués dans les SMA [Chaib-Draa 1996] :
• les agents réactifs : au comportement basé sur les stimuli réponses.
V. Interactions dans les systèmes multi-agents 147

• et les agents cognitifs : au comportement plus « réfléchi », c’est-à-dire résultant d’un


choix parmi un ensemble d’actions possibles, ce choix étant le résultat d’un
raisonnement). D’autres types d’agents, qualifiés d’hybrides, utilisant donc ces deux
types de comportement, sont ensuite apparus.

Un type d’agents appelé agent hybride apportant une réponse aux imperfections des deux
types précédents a été proposé [Müller 1996b].

Nous présentons brièvement ces différents types d’agents en détaillant plus particulièrement
les agents cognitifs (en raison de leur intérêt pour notre problématique). L’architecture BDI
relative aux agents cognitifs est présentée.

V.2.3.1. Agents réactifs

Les agents réactifs sont des agents ayant la capacité de répondre uniquement à la loi
stimulus → réponse. Pour ce faire, ils n’ont pas besoin ni d’expliciter leurs buts, ni d’établir des
mécanismes de planification [Ferber 1988]. De ce fait un agent réactif est extrêmement
simple. Il dispose d’un processus de raisonnement procédural, d’un protocole et d’un langage
de communication réduit [Moraïtis 1994].

Les architectures réactives, dites aussi comportementales, se caractérisent par des agents qui
ont la capacité de réagir rapidement à des problèmes simples, qui ne nécessitent pas un haut
niveau de raisonnement. En effet, leurs décisions sont essentiellement basées sur un nombre
très limité d’informations et sur des règles simples de type situation – action [Müller 1996b].
Ce type d’architectures ne nécessite aucune représentation symbolique de l’environnement
réel. En fait, les agents réactifs réagissent aux changements de leur environnement ou aux
messages provenant des autres agents. Ces agents ne disposent que d’un protocole de
communication et d’un langage de communication réduit.

Dans un système à base d’agents réactifs, l’intelligence émerge de l’interaction des agents avec
leur environnement. L’inconvénient majeur de ce type d’architectures est l’absence de
formalisme, ce qui ne facilite pas la compréhension et la prédiction du comportement des
agents, et la quasi- impossibilité de vérifier leur cours d’action.

V.2.3.2. Agents cognitifs


Les agents cognitifs sont des agents à base de connaissance se caractérisant par leur capacité
de raisonnement et par la complexité de leur structure. Chaque agent dispose d’une base de
connaissances et diverses informations liées à son domaine d’expertise et à la gestion des
interactions avec son environnement. Ils sont généralement intentionnels, c’est-à-dire qu’ils
possèdent des buts et des plans explicites leur permettant d’atteindre leurs objectifs. Ils sont
parfois amenés à négocier pour résoudre leurs conflits [Ferber 1988].

Cette définition fait ressortir un certain nombre de fonctionnalités internes aux agents
cognitifs. Il est, cependant, difficile de dresser une liste exhaustive de ces fonctionnalités.
V. Interactions dans les systèmes multi-agents 148

Voici quelques unes des fonctionnalités des agents cognitifs qui reviennent assez souvent
[Erceau 1991] [Moraïtis 1994] :
• Expertise du domaine : c’est l’ensemble des compétences dont l’agent dispose. Cette
expertise détermine la participation de l’agent à la prise de décision en prenant en
charge une partie du problème à résoudre. Un agent cognitif peut disposer de plusieurs
types d’expertises.
• Perception : C’est l’interprétation des connaissances en provenance des autres agents
ou de l’extérieur du système. Cette interprétation est orientée par les compétences de
l’agent, ses buts, ses engagements, etc.
• Communication : Elle permet à l’agent d’interagir avec les autres. C’est parce qu’un
agent peut communiquer qu’il peut coopérer avec les autres pour prendre des
décisions. Un agent peut communiquer pour signifier aux autres ses intentions, pour
coordonner ses actions avec les autres, pour échanger des informations, etc.
• Représentation des autres et de soi : La représentation des autres est l’ensemble des
connaissances dont un agent dispose à propos de ses accointances. Il s’agit de répondre
à : qui peut faire quoi ? qui veut faire quoi ? qui fait quoi ? où se trouve les autres ?
quels sont leurs plans ?, etc. La représentation de soi est l’ensemble des connaissances
dont dispose l’agent sur soi-même, C’est-à-dire je sais faire quoi ? je veux faire quoi ? je
suis en train de faire quoi ? quels sont mes plans ? Puisque ces connaissances ne sont
pas forcément objectives, on parle alors de « croyance » de l’agent.
• Contrôle : Il peut porter sur les tâches internes ou collaboratives de l’agent. Le contrôle
des tâches internes peut concerner, par exemple, l’analyse des messages, la façon de
gérer ses engagements et ses intentions. Le contrôle des tâches collaboratives concerne
les relations de l’agent avec les autres. Ce contrôle peut donc porter sur le processus de
la prise en charge d’une tâche, d’une demande d’informations, d’une délégation de
tâches à d’autres agents considérés comme plus spécialistes dans le domaine, etc.
• Apprentissage : Il concerne la capacité de l’agent à mettre à jour ses connaissances.
Celles-ci peuvent porter sur les accointances de l’agent ou sur la résolution du
problème. L’apprentissage peut se manifester par une remise en cause des
connaissances antérieures, une prise en compte des échecs, un enrichissement des
connaissances propres de l’agent, etc.

La distinction entre agents réactifs et agents cognitifs est parfois fondée sur des critères de
granularité (tâches, données, paquet de communication, etc.). Les agents réactifs sont des
agents à faible granularité (fine grain) alors que les agents cognitifs sont des agents à forte
granularité (coarse grain). Le tableau ci-dessous établit la différence entre les agents cognitifs
et les agents réactifs. La liste des caractéristiques n’est pas exhaustive [Moraïtis 1994].
V. Interactions dans les systèmes multi-agents 149

Caractéristiques Agent Cognitif Agent Réactif


Capacité de raisonnement Elevé Faible
Représentation explicite de l’environnement Oui Non
Nombre d’agents Grand Petit
Granularité Forte Fine
Structure Complexe Stimulus/Action
Temps de réponse Lent Rapide
Modularité de l’architecture Oui Non

Tableau 6. Comparatif entre agent cognitif et agent réactif

Plusieurs types d’agents cognitifs peuvent être distingués. La figure ci-contre positionne
globalement ces différents types d’agents cognitifs selon leurs degrés d’autonomie,
d’adaptation et de coopération.

Figure 47. Classification des principaux agents cognitifs [Grislin-Le Strugeon 2001]

• Les agents intelligents combinent les trois caractéristiques (autonomie, coopération,


adaptation) à leur plus haut niveau. Ils sont donc en principe capables de planifier
leurs actions, de négocier avec d’autres agents et d’acquérir ou de modifier leurs
connaissances. Ils sont en général dotés de la capacité d’apprentissage.
• Les agents collaborants : ce sont des agents cognitifs non apprenants ; on considère
qu’ils sont à la fois fortement autonomes et coopérants, mais peu adaptatifs. Ils sont
surtout utilisés dans les domaines qui nécessitent une décentralisation comme par
exemple la maintenance de réseau, ou encore pour simuler le comportement
d’organisations humaines ou animales.
• Les agents d’interface (appelés aussi agents assistants) : ils ont pour mission de
capturer les actions de l’utilisateur (clavier, souris, à terme : voix, gestes, expression du
visage), ceci afin de le conseiller vis-à-vis de son activité, ou de modifier l’aspect de
V. Interactions dans les systèmes multi-agents 150

l’interface selon le plus souvent un schéma de règles préétablies. Dans l’état actuel des
recherches, ces agents possèdent en général une capacité de coopération limitée ; ils
sont principalement utilisés pour l’assistance à l’utilisateur dans le cas d’interfaces aux
fonctionnalités nombreuses et complexes (par exemple, dans certaines suites
bureautiques), mais également dans le domaine des systèmes tuteurs intelligents afin
de faciliter l’apprentissage humain.
• Les agents d’information : un agent d’information (au sens pur du terme) devrait
posséder une grande autonomie, en étant capable d’agir seul, soit en fonction d’un
calendrier, soit en fonction d’un manque d’information, soit en fonction d’une nouvelle
disponibilité d’information ; il doit être capable d’adapter son comportement selon les
besoins de l’utilisateur ou de la quantité ou pertinence de l’information. Il faut
cependant noter que peu de logiciels de ce type méritent réellement le qualificatif
d’agent d’information (au sens de l’Intelligence Artificielle Distribuée) ; beaucoup ne
sont que des programmes se déclenchant à date fixe, sans capacité d’adaptation, ni de
coopération (par exemple, les nombreux logiciels de veille qui se déclenchent à heure
fixe pour rechercher des informations sur un produit ou un concurrent).

V.2.3.3. Agents hybrides

Les architectures précédentes présentent certaines faiblesses. En effet, les architectures


purement réactives ont un comportement assez simpliste alors que les architectures
délibératives utilisent des mécanismes de raisonnement qui ne sont pas faciles à manipuler et
qui ne sont pas suffisamment réactifs.

Afin d’apporter une réponse à ces imperfections, des architectures hybrides en couches ont été
proposées [Müller 1996b]. L’idée principale est de structurer les fonctionnalités d’un agent en
deux ou plusieurs couches hiérarchiques qui interagissent entre elles afin d’atteindre un état
cohérent de l’agent.

Une approche hybride structurée en couches présente plusieurs avantages :


• Elle permet de modulariser un agent ; ainsi les différentes fonctionnalités sont
clairement séparées et reliées par des interfaces bien définies ;
• Elle permet une conception de l’agent plus compacte, ce qui augmente sa robustesse et
facilite son « debuggage » ;
• Elle accroît les capacités de l’agent car les différentes couches peuvent s’exécuter en
parallèle ;
• Elle augmente la réactivité de l’agent car il peut raisonner dans un monde symbolique
tout en surveillant son environnement et en réagissant en conséquence ;
• Elle réduit les connaissances nécessaires à une couche individuelle pour prendre ses
décisions.
V. Interactions dans les systèmes multi-agents 151

V.2.4. Architecture BDI : une architecture d’agents cognitifs


L’architecture d’agents délibératifs la plus importante est l’architecture BDI (Belief, Desire,
Intention). L’idée de base de l’approche est de décrire l’état interne d’un agent en termes
d’attitudes mentales et de définir une architecture de contrôle grâce à laquelle l’agent peut
sélectionner le cours d’action de ses attitudes mentales :
• Croyances (Beliefs) : ce que l’agent connaît de son environnement ;
• Désirs (Desires) : les états possibles vers lesquels l’agent peut vouloir s’engager ;
• Intentions (Intentions) : les états vers lesquels l’agent s’est engagé ou a engagé des
ressources.

Il existe plusieurs architectures internes possibles pour mettre en œuvre un agent (BDI
[Georgeff 1999], hybride, réactif, etc). Nous choisissons de présenter uniquement
l’architecture BDI car elle permet d’illustrer de nombreuses propriétés chez les décideurs. Une
présentation plus détaillée des autres architectures est dans [Boissier 2001].

Croyances Librarie des


Senseurs
Base de données plans

Environnement
interpreteur

Désirs Effecteurs
Intentions
structure

Figure 48. Architecture BDI 12

Dans des approches BDI plus pratiques, il a été montré que ces trois attitudes mentales
n’étaient pas suffisantes, une extension a alors été proposée en rajoutant la notion de buts
(goals) et de plans (plans). Voyons de près ces différents concepts :
• Croyances : décrivent l’état de l’environnement du point de vue d’un agent. Elles
expriment ce que l’agent croît sur l’état courant de son environnement [Müller 1996b].
Les croyances peuvent évoluer dans le temps en fonction de nouvelles perceptions ou
interactions avec d’autres agents
• Désirs : représentent les états de l’environnement ou de lui-même, que l’agent aimerait
voir atteints, si possible. Un désir est une étape dans le processus de création d’un but.

12
D. Kinny, M. Georgeff, A. Rao., “A Methodology and Modelling Technique for Systems of BDI
Agents”. In the Seventh European Workshop on Modelling Autonomous Agents in a Multi-Agent World,
Eindhoven, The Netherlands, 1996.
V. Interactions dans les systèmes multi-agents 152

Si un désir d’un agent est poursuivi de manière consistante, il devient l’un des buts qui
indiquent les options de gestion qu’à un agent. Tous les désirs d’un agent ne sont pas
nécessairement consistants ni réalisables simultanément ;
• Intentions : les intentions d’un agent sont « les désirs que l’agent a décidé d’accomplir
ou les actions qu’il a décidé de faire pour accomplir ses désirs ;
• Plans : sont des connaissances qui concernent l’ensemble des actions qu’il faut
entreprendre pour atteindre un but (désir). Le plan effectivement choisi et mis en
œuvre correspond à une intention.

V.3. Formes d’interaction dans les Systèmes Multi-Agents

« Un Système Multi-Agent est un macro-système composé d’agents autonomes qui


interagissent dans un environnement commun pour réaliser une activité collective cohérente,
bien qu’ils puissent chercher à atteindre des objectifs individuels parfois contradictoires »
[Gleizes 2004]. Le résultat de l’organisation des agents correspond au système multi-agent.

Selon Boissier, les systèmes multi-agents développés actuellement peuvent être classés en trois
catégories [Boissier 2004] :
• Les simulations : dont l’objectif est la modélisation de phénomènes du monde réel, afin
d’observer, de comprendre et d’expliquer leur comportement et leur évolution. La
simulation multi-agents constitue aujourd’hui un véritable domaine de recherche,
voire comme une science à part entière puisqu’elle sert à comprendre.
• La résolution de problèmes : telle qu’elle avait été définie en Intelligence Artificielle,
étendue à un contexte distribué. Dans ce cadre, l’objectif est de mettre en place un
ensemble de techniques pour que des agents, pertinents pour la résolution d’une partie
ou l’ensemble du problème, participent de manière efficace et cohérente à la résolution
du problème global.
• Les applications : dans lesquelles les agents jouent le rôle d’êtres humains. La notion
d’agent simplifie la conception de ces systèmes et amène de nouvelles problématiques
centrées utilisateur telles que la communication et la sécurité.

Dans les systèmes multi-agents, le système est composé d’agents et a une fonction à réaliser ou
une tâche à résoudre. La problématique est centrée sur le collectif et sur la manière d’obtenir
un comportement intelligent du système.

Il ressort de cette définition un élément essentiel et fondateur des systèmes multi-agents, celui
de l’interaction. Les interactions dans un SMA permettent aux agents de participer à la
réalisation d’un but global.

Selon [Chaib-Draa 2001], les interactions sont assurées par un transfert d’informations entre
agents ou entre l’environnement et les agents, à l’aide de deux mécanismes : perception et
communication.
V. Interactions dans les systèmes multi-agents 153

• Dans la perception, les agents ont connaissance d’un changement de comportement


d’un tiers à travers l’environnement.
• Dans la communication, un agent fait un acte délibéré de transfert d’informations vers
un ou plusieurs autres agents.

Dans la littérature, trois formes d’interaction entre agents sont distinguées [Bouzguenda
2006] :
• la coopération désigne une situation où un groupe d’agents travaillent ensemble pour
résoudre un but commun. D’une manière générale, les agents coopèrent parce qu’ils
ont besoin de partager des ressources ou/et bien des compétences pour accomplir leurs
objectifs ;
• la coordination désigne l’organisation du travail des agents afin d’éviter les
interactions négatives et favoriser les interactions utiles. Certaines situations de
coopération exigent que les agents se coordonnent pour réaliser leur but global
commun ;
• la communication désigne les échanges d’informations entre agents. La
communication rend la coopération ou la coordination possible.

V.3.1. Coopération dans les Systèmes Multi-Agents


Dans les travaux de J. Ferber [Ferber 1994] [Ferber 1995] la coopération est définie en termes
d’intentionnalité et de réactivité. Cet auteur considère la coopération comme une attitude
intentionnelle. Elle est utilisée pour qualifier l’attitude (posture) des agents qui décident de
travailler en commun. Pour l’auteur, des agents coopèrent s’ils s’engagent dans une action
commune après avoir identifié et adopté un but commun. Cependant, il précise que la
coopération n’est pas uniquement le fruit d’une intention de coopérer. Elle doit, en outre, être
comprise en termes d’interactions des agents.

J.R. Galliers distingue trois types de postures des agents dans les relations de coopération
[Galliers 1988] : la coopération, le conflit et l’indifférence.

Il considère, ainsi, que « la coopération existe entre deux agents par rapport à une
proposition quand un agent reconnaît que l’autre agent a pour but la réalisation de cette
proposition et qu’il est engagé à résoudre ce but comme un but commun, en relation avec les
autres agents qui l’ont aussi pour but et ceci suite à un choix délibéré. Ainsi, la coopération
existe entre deux agents par rapport à une proposition, si au moins un des deux agents est
engagé dans la réalisation de cette proposition en rapport avec les autres agents pour qui
elle constitue un but et, ceci, suite au fait qu’ils croient avoir un but commun ». Cette
définition introduit trois conditions nécessaires à la coopération : reconnaître le but d’un autre
agent, s’impliquer dans sa résolution en l’adoptant comme son propre but de façon délibérée
et le considérer comme un but commun. Ces conditions impliquent un engagement pour la
réalisation du but commun.
V. Interactions dans les systèmes multi-agents 154

Ferber énumère trois situations de coopération selon les valeurs des deux paramètres
suivants :
• les compétences de chaque agent qui peuvent être suffisantes ou insuffisantes ;
• les ressources nécessaires à chaque agent qui peuvent être suffisantes ou insuffisantes.

Le tableau ci-dessous extrait de [Ferber 1995] identifie ces situations de coopération selon les
valeurs de ces deux paramètres. Nous avons écarté délibéremment la solution qui considère
que les agents ont des compétences suffisantes et des ressources suffisantes car dans ce cas, ils
n’ont pas besoin de coopérer.
Compétences Ressources Situation de
coopération
Suffisantes Insuffisantes Encombrement
Insuffisantes Suffisantes Collaboration simple
Insuffisantes Insuffisantes Collaboration coordonnée

Tableau 7. Situations de coopération [Ferber 1995]

Décrivons de façon détaillée ces trois situations de coopération.


• Encombrement : Cette situation de coopération suppose que les agents ont des buts
compatibles13 et qu’ils possèdent des ressources insuffisantes mais des compétences
suffisantes. Cette situation correspond à l’utilisation de la même ressource par
plusieurs agents. Un exemple caractéristique de cette situation est l’utilisation d’une
unique machine très coûteuse installée chez un unique partenaire mais qui doit être
exploitée par plusieurs d’entre eux.
• Collaboration simple : Cette situation de coopération suppose que les agents ont des
buts compatibles et qu’ils possèdent des ressources suffisantes mais des compétences
insuffisantes. Dans ce cas une simple collaboration est suffisante : elle se limite à une
simple addition des compétences. Un exemple caractéristique de cette situation est la
production en chaîne : chaque organisation possède des compétences exclusives mais
nécessaires pour exécuter une partie précise du processus et l’addition de ces parties
permet de construire le produit final.
• Collaboration coordonnée : Cette situation de coopération suppose que les
agents ont des buts compatibles et qu’ils possèdent des ressources et des
compétences insuffisantes. On se trouve face à une collaboration plus
complexe : les agents doivent coordonner leurs tâches pour pouvoir bénéficier
de la synergie de l’ensemble de leurs compétences. Cette situation est plus
délicate puisqu’elle ajoute aux problèmes d’allocation des tâches des difficultés
de coordination dues aux ressources limitées. L’exemple caractéristique de cette
situation est celui de groupe de compagnies organisant des voyages, chacune

13
Selon Ferber, des buts sont compatibles si la satisfaction de l’un n’empêche pas la satisfaction de l’autre.
V. Interactions dans les systèmes multi-agents 155

possédant des compétences exclusives (vol, hôtels, visites culturelles,…) et


certaines d’entre-elles étant en effectif restreint.

V.3.1.1. Degré de la coopération

La coopération peut s’étendre de la coopération totale jusqu’à l’antagonisme complet


[Chaib-Draa 1993] [Hadj Kacem 1995]. Quatre degrés de la coopération sont distingués dans
[Benscart 1994] :
• Niveau 1 : Pas d’interactions conscientes entre les agents. C’est l’exemple du travail à la
chaîne. Des agents effectuent différents travaux, mais sans avoir conscience que leur
travaux ont pour objectif la réalisation d’un but commun.
• Niveau 2 : Existence d’interactions minimales entre les agents. Par exemple : la mise en
commun d’informations. Deux secrétaires qui disposent chacune d’une partie des
informations pour établir le planning de leur patron.
• Niveau 3 : Existence d’un minimum de planification. C’est l’exemple d’un diagnostic
médical coopératif. Un minimum de coordination est nécessaire entre le stomatologue,
cardiologue, neurologue, etc. pour établir ce diagnostic.
• Niveau 4 : L’interaction des agents est maximale. La coopération nécessite la mise en
place de certains mécanismes pour coordonner le comportement des différents agents.
C’est l’exemple du développement d’un nouveau logiciel par plusieurs informaticiens.

D’une manière générale, le degré de la coopération des agents dépend de leur degré
d’autonomie, c’est-à-dire du degré d’indépendance de leurs tâches respectives. Cela est
déterminé par la décomposition du problème global à résoudre. Plus la décomposition est fine,
plus les tâches sont indépendantes et plus les interactions des agents sont faibles.

Si nous faisions le rapprochement avec la typologie des problèmes multi-disciplinaires donnée


par M.-P. Gleizes et P. Gleizes [Gleizes 1990], nous pourrions dire que les degrés de la
coopération les plus élevés devraient être rencontrés dans la résolution des problèmes
interdisciplinaires, alors que les degrés de la coopération les moins élevés devraient être
rencontrés dans la résolution des problèmes pluridisciplinaires.

D’un autre côté, le degré de la coopération détermine l’intensité de la communication entre les
agents et l’importance des travaux de coordination. Une coopération intensive conduit
naturellement à une surcharge de communication et un grand effort de coordination, alors
qu’une coopération faible est caractérisée par une charge de communication généralement
faible et peu d’efforts de coordination.

Afin d’atteindre le but commun, les agents peuvent coopérer en se partageant les tâches
(coopération par partage de tâches) ou les résultats (coopération par partage de résultats)
[Smith 1981].
V. Interactions dans les systèmes multi-agents 156

V.3.1.2. Coopération par partage de tâches

Il consiste à partager une tâche globale en sous-tâches. Dans ce cas, le contrôle est dirigé par
les buts. Les différents agents tentent de résoudre leurs tâches respectivement. Les différents
résultats qui en résultent sont intégrés afin de porter une solution à la tâche globale.

Le partage de tâches passe en fait par plusieurs étapes. Tout d’abord, le problème global est
décomposé en un ensemble de sous-tâches ; Ces dernières sont distribuées aux différents
agents. La tâche de décomposition et de répartition peut être effectuée par un seul agent.
Enfin, les différents résultats obtenus sont intégrés pour former la solution du problème. Cette
solution peut être considérée comme une solution partielle à un problème plus global.

Le partage de tâches conduit à la formation d’une structure de connexions entre les agents.
C’est pour cela que ce partage doit être fait de telle sorte que la réalisation des tâches conduise
à un minimum de communication entre les agents.

V.3.1.3. Coopération par partage de résultats


Il consiste à communiquer l’ensemble des données initiales du problème aux agents
concernés. Après une phase de résolution, les résultats partiels sont groupés puis synthétisés.
Cette synthèse produit de nouvelles connaissances qui peuvent constituer une solution au
problème. Dans le cas contraire, on recommence le processus en distribuant ces nouvelles
connaissances. On dit alors que le contrôle est dirigé par les données.

Il apparaît ici que le partage de résultats n’exige pas de mécanismes de décomposition. Cette
méthode est particulièrement utile dans les domaines où les résultats obtenus par un agent
influencent ou contraignent fortement ceux des autres agents.

V.3.1.4. Modes de contrôle

Un processus de décision en tant qu’activité sociale suppose l’existence d’une forme


quelconque de contrôle. L’autonomie accordée aux agents nécessite un contrôle et une
coordination d’actions très élaborées. En effet, le système doit veiller à ce que ce processus soit
orienté vers la recherche d’une solution optimale au problème posé. Il s’agit d’éviter les
solutions partielles incompatibles et d’utiliser d’une façon rationnelle les moyens de
communications et les ressources disponibles. Le contrôle sous-entend l’existence de plans
partiels indépendants à coordonner. Il peut être centralisé ou distribué selon l’existence ou
non d’un agent ayant une vue globale de l’état du processus.

V.3.1.4.1. Contrôle centralisé

Dans un système à contrôle centralisé, un agent intervient dans le processus de décision d’une
façon opportuniste. Cet agent superviseur oriente le processus de décision. Il dispose des
connaissances globales sur le problème à résoudre et contrôle les processus partiels de
décision des différents agents. Il lui appartient également de décider, parmi les éléments des
V. Interactions dans les systèmes multi-agents 157

solutions locales proposées par les agents, ceux qui seront retenus dans l’espace d’information
partagé par tous.

Différents plans d’actions partiels sont créés respectivement par les différents agents et
envoyés à l’agent superviseur. Celui-ci les analyse afin de détecter les conflits potentiels et
propose un plan global cohérent. Plusieurs cas [Von Martial 1992] peuvent se présenter :
• Absence d’interactions : les plans partiels des agents sont indépendants, les actions
sont compatibles, les accès aux ressources ne sont pas conflictuels. Les plans partiels
ne sont donc pas modifiés.
• Interactions positives ou synergiques : la fusion des plans partiels permet à chaque
plan de bénéficier de la réalisation des autres plans. Le plan global résultant de cette
fusion est plus performant que les plans partiels réalisés indépendamment les uns des
autres. Le problème principal ici est la synchronisation de l’exécution des plans partiels
sans les modifier.
• Interactions négatives ou conflictuelles : la réalisation simultanée des plans partiels
peut conduire à des aspects négatifs. Ces derniers peuvent provenir d’une
incompatibilité des objectifs, des accès conflictuels aux ressources, etc.

M.P. Georgeff [Georgeff 88] propose une méthode de contrôle centralisé basée sur trois
phases :
• Analyse de faisabilité : pendant cette étape, l’agent superviseur détermine les situations
mutuellement incompatibles et ne retient que les situations faisables.
• Analyse de sécurité : pendant cette étape, l’agent superviseur identifie, parmi les
situations faisables, les situations pouvant conduire à des états de blocage.
• Analyse d’interactions : cette étape doit conduire à identifier un plan global d’actions.
Ce plan est basé sur la synchronisation des plans partiels, notamment au niveau
d’accès aux différentes ressources.

V.3.1.4.2. Contrôle distribué

Il convient aux systèmes totalement distribués. Ici un agent est totalement autonome pour
prendre ses décisions. Contrairement aux systèmes à contrôle centralisé, les agents disposent
de méta-connaissances sur les autres agents. L’absence d’un agent superviseur, conduit
chaque agent à devoir détecter lui-même les situations de conflits et reconnaître des situations
de synergies. . C’est pourquoi les agents sont amenés à échanger des informations concernant
leurs plans et leurs buts.

V.3.2. Coordination dans les Systèmes Multi-Agents


Cette section présente les principales techniques de coordination dans les SMA notamment la
coordination par allocation de tâches, la coordination basée sur des structures
organisationnelles, la coordination basée sur des protocoles d’interaction, la coordination
d’actions par planification multi-agents et enfin la négociation.
V. Interactions dans les systèmes multi-agents 158

V.3.2.1. Coordination par allocation de tâches

Cette technique consiste à répartir entre plusieurs agents une liste de sous-tâches résultant de
la décomposition d’une tâche initiale. On distingue deux formes d’allocation : centralisée ou
distribuée.

Dans le premier cas, il existe une première technique dite hiérarchique (ou par commande) où
un agent A décompose sa tâche initiale, sélectionne les meilleurs agents sur la base de leurs
compétences, et leur distribue les sous-tâches. La deuxième technique centralisée est basée sur
un médiateur (matchmaker, broker) qui met en relation des agents demandeurs et des agents
fournisseurs de service.

Dans le cas de l’allocation distribuée de tâches, on distingue principalement deux techniques :


l’allocation par réseau d’accointances et l’allocation par appel d’offres. [Smith 1980] remarque
que ces différentes techniques présupposent que les agents ne jouent pas nécessairement des
rôles fixes. Par exemple, un agent peut être parfois client, d’autres fois fournisseur de service.
L’attribution dynamique des rôles aux agents peut elle-même faire l’objet de techniques de
coordination basées sur des structures organisationnelles.

V.3.2.2. Coordination basée sur des structures organisationnelles

Cette technique s’attache à coordonner des agents à travers une structure organisationnelle
qui offre un espace d’interaction et fixe des règles, ou conventions, auxquelles les agents
doivent se soumettre dans cet espace. Le respect de ces règles a pour objectif d’organiser le
travail des agents, de limiter les conflits et de réduire le coût des communications. Il existe
plusieurs formes d’organisation qui différent selon, par exemple [Kirn 1998], [Gasser 2001],
[Ferber 1998] : la structure de subordination (hiérarchique, égalitaire), la constitution de la
structure organisationnelle (prédéfinie, émergente), le niveau de spécialisation des agents
(généraliste, spécialiste), le recouvrement de leur compétence (redondant ou non), le degré
d’évolutivité de la structure organisationnelle (agents à rôle fixe, agents à rôle variable,
modifications des règles). S’inspirant de la théorie des organisations et de la sociologie,
diverses techniques ont vu le jour en intégrant des concepts naturels et puissants aussi variés
que les rôles, les groupes, les équipes, la réglementation, les normes, les engagements, les
responsabilités ou les permissions. Cependant, la plus part des techniques organisationnelles
sont articulées autour de trois concepts clés :
• les rôles intervenants dans l’organisation,
• les protocoles selon lesquels ces rôles interagissent
• et les mécanismes d’attribution de rôles aux agents.

Il faut d’ailleurs signaler l’émergence de méthodes de conception des SMA centrées autour
d’un modèle organisationnel (par exemple Aalaadin [Ferber 1998] et Gaia 14[Wooldridge

14
Wooldridge M, Jennings N. R et Kinny D., «The Gaia Methodology for Agent-Oriented Analysis and
Design”. Journal of Autonomous Agents and Multi-Agent Systems, 3(3):285–312, 2000.
V. Interactions dans les systèmes multi-agents 159

2000]) et basées sur ces trois concepts. Cette émergence est due au triple rôle des structures
organisationnelles qui sont à la fois un moyen d’appréhender un SMA, de structurer sa
conception et de coordonner son exécution.

V.3.2.3. Coordination basée sur des protocoles d’interaction

Cette technique s’attache à coordonner les agents en définissant a priori la structure de leurs
conversations, c’est-à-dire les séquences d’interactions en relation causale. Elle s’intéresse aux
conversations qui se déroulent conformément à un certain schéma prédéfini [Hanachi 2004]
qui détermine notamment :
• le but de la conversation
• le rôle de chacun des participants
• le type des interventions, ou interactions élémentaires, qu’ils peuvent effectuer,
• et les règles d’intervention qui précisent les circonstances dans lesquelles un agent
jouant un certain rôle peut (ou doit) réaliser une intervention d’un certain type.

Ainsi, une conversation est considérée comme une occurrence d’un protocole d’interaction.
Les agents gardent la liberté de choisir quand et comment intervenir, mais leurs choix sont
contraints par les règles de la conversation. Ces protocoles ne sont bien souvent que
l’adaptation informatique de procédures largement utilisées dans la société et qui sont, de ce
fait, optimisées pour atteindre un but déterminé. Les protocoles d’enchères, les différentes
formes de vote, le «ContractNet» ou certains protocoles de négociation en sont des exemples.
Les protocoles peuvent être spécifiés de manière répartie, c’est-à-dire qu’ils peuvent être
dissous dans chaque rôle, ou au contraire isolés et spécifiés comme un composant à part
entière que les agents peuvent partager et utiliser à la manière d’une ontologie [Hanachi 2003]
[Hanachi 2004], [Gruber 1993]. Beaucoup de travaux ont été développés autour des
protocoles pour deux raisons :
• Tout d’abord parce qu’il s’agit d’un mécanisme qui se combine bien avec tous les
autres, le partage des tâches, la négociation, la planification peuvent, à des étapes
diverses, tirer profit du déploiement de protocoles ;
• mais aussi parce qu’ils permettent de donner une sémantique formelle aux langages de
communication d’agents comme FIPA-ACL15 et KQML16 (qui se base sur des
performatifs). En effet, l’émission d’un message comportant un performatif transmet
l’intention du message qui déclenche chez l’émetteur comme chez le récepteur un
comportement précis : ce comportement, qui définit la sémantique du performatif, est
aisément décrit sous la forme d’un protocole.

15
www.fipa.org
16
www.cs.umbc.edu/kqml/papers
V. Interactions dans les systèmes multi-agents 160

V.3.2.4. Coordination par planification

Un plan est un ensemble partiellement ordonné d’actions et d’interactions ayant un but, et


pouvant être décomposé en plans partiels. Des plans partiels peuvent également être fusionnés
en un plan global après résolution de possibles conflits entre ces plans partiels et d’éventuelles
optimisations. L’objectif de la planification multi-agent est de coordonner les plans d’action de
plusieurs agents, afin d’éviter les conflits.

La planification se résume en trois étapes [Ferber 1995] :


• la construction d’un plan ou de plusieurs plans partiels,
• la coordination des plans partiels,
• et leur exécution coordonnée.

Il existe plusieurs formes de planification selon que chacune de ces étapes est réalisée par un
ou plusieurs agents, selon que ces étapes sont séquentielles ou entrelacées, et enfin selon
qu’elles s’inscrivent dans un environnement statique ou dynamique. On distingue
essentiellement trois formes de planification qui peuvent ensuite se décliner :
• La planification centralisée correspond à un scénario dans lequel un agent
planificateur construit un plan global, le parallélise et le synchronise en plans partiels
qu’il alloue à différents agents pour une exécution coordonnée. La synchronisation et
l’allocation peuvent être dynamiques ou statiques.
• La planification coordonnée est une technique dans laquelle chaque agent construit
son plan partiel ; à la réception de ces plans, un coordinateur les modifie, les synthétise
et les synchronise en résolvant les éventuels conflits pour produire un plan global.
Ensuite, chaque agent exécute son plan partiel modifié de façon à être coordonné.
• Enfin, la coordination distribuée est une technique dans laquelle toutes les étapes sont
distribuées. Chaque agent fabrique, négocie, modifie et exécute les actions de son plan
en fonction des interactions qu’il entretient. Ce scénario nécessite que chaque agent ait
des connaissances sur les autres agents et échange des informations (plans, buts,…)
avec eux.

V.3.2.5. La négociation

Durfee & al [Durfee 1989] définissent la négociation comme « le processus d’améliorer les
accords (en réduisant les inconsistances et l’incertitude) sur des points de vue communs ou
des plans d’action grâce à l’échange structuré d’informations pertinentes ».

Un des problèmes à résoudre dans un SMA est de pouvoir traiter ou prévenir des conflits
éventuels entre agents. Ces conflits peuvent concerner l’obtention de solutions différentes
pour un même problème ou l’accès aux ressources. En cas de conflits, les agents vont entrer
dans un dialogue appelé négociation pour arriver ensemble à un compromis.

Le nombre de participants et les interactions possibles peuvent aussi varier :


V. Interactions dans les systèmes multi-agents 161

• négociation un-à-un : un agent négocie avec un autre, par exemple dans le cas ou on
essaie de négocier le prix d’achat d’une maison avec le représentant d’une agence
immobilière ;
• négociation un-à-plusieurs : un seul agent négocie avec plusieurs autres agents, par
exemple les enchères où un agent veut vendre un objet ;
• négociation plusieurs-à-plusieurs : plusieurs agents négocient avec plusieurs d’autres
agents en même temps, par exemple les participants à des enchères électroniques
comme celles organisées par eBay

Müller de son côté [Muller 1996a], a indiqué que les recherches en négociation peuvent être
divisées en trois catégories. Les recherches sur les langages de négociation qui s’intéressent
aux primitives de communication pour la négociation, à leur sémantique et à leur usage dans
les protocoles. Les recherches sur les décisions en négociation qui s’intéressent, quant à eux,
aux algorithmes pour comparer les sujets de négociation, les fonctions d’utilité et la
caractérisation des préférences des agents. Les recherches sur le processus de négociation qui
étudient des modèles généraux des comportements de négociation des agents.

Plusieurs protocoles de négociation ont été proposés dans la littérature pour structurer la
négociation entre agents. Il est difficile de présenter tous ces protocoles de manière
exhaustive, aussi nous nous contenterons de citer et de synthétiser les protocoles les plus
couramment utilisés. Plus précisément, nous présentons le protocole réseau contractuel
[Smith 1980], le protocole heuristique et le protocole d’argumentation [Jennings 2001].

V.3.2.5.1. Protocole réseau contractuel

Ce protocole a été un des premiers protocoles utilisés dans les SMA pour résoudre le problème
d’allocation des tâches. Il est basé sur une métaphore organisationnelle, c’est-à-dire les agents
coordonnent leurs tâches grâce à l’élaboration de contrats pour réaliser des objectifs
spécifiques. Il comporte deux rôles essentiels : le gestionnaire et le contractant. Le
gestionnaire décompose une activité en plusieurs tâches élémentaires et annonce chacune de
ces tâches aux autres agents (contractants). Le contractant, quant à lui, évalue l’annonce par
rapport aux ressources et compétences dont il dispose et envoi une proposition, appelée en
anglais «bid», au gestionnaire. Ce dernier rassemble toutes les propositions qu’il a reçues,
alloue la tâche à l’agent qui a fait la meilleure proposition et signe le contrat.

V.3.2.5.2. Protocole heuristique

Ce protocole a pour objectif principal d’améliorer l’efficacité de la négociation. En effet, les


agents doivent fournir des réponses plus utiles aux propositions qu’ils reçoivent. Ces réponses
peuvent prendre soit la forme d’une critique, c’est-à-dire un commentaire sur la partie de la
proposition que l’agent accepte ou rejette, soit celle d’une contre-proposition, c’est-à-dire un
rejet ou une modification de la proposition.
V. Interactions dans les systèmes multi-agents 162

V.3.2.5.3. Protocole argumentation

Durant la négociation heuristique, les agents peuvent essayer de changer le rejet ou la


modification d’une proposition faite par un autre agent en utilisant des arguments tels que le
rappel à une promesse passée, la promesse d’une récompense future, la menace, etc. Ainsi, un
agent peut essayer de persuader un autre agent de répondre favorablement à sa proposition en
cherchant des arguments qui identifient de nouvelles opportunités.

Pour modéliser la négociation, il faut prendre en compte les aspects suivants :


• Le langage de négociation : c’est le langage utilisé par les agents pour échanger des
informations pendant la négociation ; Il est composé d’un ensemble de primitives de
communication.
• Le protocole de négociation : l’ensemble des règles régissant la négociation, les
participants possibles dans la négociation, les propositions légales que les participants
peuvent faire, les états de la négociation (par exemple l’état initial où commence la
négociation, l’état où on accepte des soumissions ou la fin de la négociation) et une
règle pour déterminer quand arrive-t-on à un accord ou quand faut-il s’arrêter parce
qu’aucun accord n’a pas ou pu être trouvé.
• L’objet de négociation : un objet abstrait qui comprend les attributs qu’on veut
négocier ;
• Le processus de décision : le modèle que l’agent utilise pour prendre des décisions
pendant la négociation. La partie la plus importante de la prise des décisions dans ce
cas est la stratégie de négociation qui permet de déterminer quelle primitive de
négociation l’agent doit choisir à un certain moment. Le processus de décision revient à
répondre à la question : « Que dois-je faire maintenant ? », par exemple liciter,
enchérir, abandonner, etc. Pour prendre une décision adéquate, un agent doit être
capable de faire un raisonnement stratégique, notamment raisonner en tenant compte
de ce que font/décident les autres agents et, s’il parvient à le savoir ou à le supposer,
quel est le modèle de décision des autres agents.

V.3.3. Communication dans les systèmes multi-Agents


Les communications, dans les systèmes multi-agents, sont à la base des interactions et de
l’organisation. Si les agents peuvent coopérer, coordonner leurs actions, réaliser des tâches en
commun, c’est parce qu’ils communiquent.

Koning et Pesty distinguent deux modes de communication : la communication directe par


passage de message et la communication indirecte via l’environnement ou par partage de
ressources [Koning 2001]. Ce second mode de communication est celui qui convient à la
situation décisionnelle qui nous intéresse qu’est l’aide à la décision stratégique.
V. Interactions dans les systèmes multi-agents 163

V.3.3.1. Communication par envoi de messages

La communication par envoi de messages consiste à échanger des messages explicites entre
les agents [Chaib-Draa 1987]. La communication peut être individuelle. Un agent désigne un
seul agent destinataire de son message. Elle peut être regroupée. Le message est alors diffusé
entre l’ensemble des agents (diffusion totale) ou d’un sous-ensemble d’agents (diffusion
partielle).

Les systèmes utilisant la communication par envoi d’informations sont caractérisés par une
distribution totale des connaissances, des résultats partiels et des méthodes utilisées pour
aboutir à un résultat. Un agent ne peut donc manipuler que sa base de connaissances locales.
Il peut cependant envoyer des messages aux autres agents qu’il connaît et sont appelés ses
accointances.

C’est le mécanisme le plus connu et le plus répandu. L’agent qui veut qu’une tâche soit réalisée
est le manager, le autres agents (accointances) sont les « contractors ».
Point du vue Manager Point de vue contractor
- Annonce d’une tâche qui doit être - Réception de l’annonce d’une tâche.
réalisée. - Evaluation de sa capacité à
- Réception et évaluation des offres des répondre.
autres agents. - Réponse (offre, rejet).
- Etablissement d’un contrat avec l’agent - Accomplissement de la tâche si
le plus adapté. l’offre est acceptée.
- Réception et synthèse des résultats. - Envoi des résultats.

Le rôle des agents n’est pas spécifié d’avance. Un contractor peut devenir manager pour
demander de l’aide à l’accomplissement de la tâche qu’il vient d’accepter. Ces liens forment
une hiérarchie de contrôle pour le partage de tâches et la synthèse de résultats.

La structure de l’annonce d’une tâche regroupe plusieurs caractéristiques qui permettent la


sélection des contractor potentiels et l’évaluation des différentes offres. Il y a une date de
fraîcheur pour chacune des annonces et des offres.

Un manager peut ne pas recevoir d’offre (Tous les agents compétents pour la tâche sont
occupés, il y a un agent libre mais la tâche est moins importante qu’une autre tâche
concurrente ou aucun agent n’est capable d’accomplir la tâche). Le manager doit alors
modifier son plan de tâche. Les contrats sont sans négociation.

V.3.3.2. Communication par partage d’information

La communication par partage d’information est parfois désignée par le modèle de


Blackboard ou Tableau noir [Hayes-Roth 1985] [Chaib-Draa 1987] [Nii 1986].

Métaphore d’un groupe de spécialistes devant un tableau et qui attendent une opportunité
pour fournir une expertise. La résolution du problème commence lorsque le problème et les
données initiales sont sur le tableau (figure ci-dessous). Cette structure comporte en plus les
V. Interactions dans les systèmes multi-agents 164

résultats partiels fournis par les agents (souvent appelés sources de connaissances). Elle
représente de ce fait le seul moyen d’échanger les informations.

Agent 1

Agent 2
Tableau
noir

Agent n

Figure 49. Communication par partage d’informations

Ainsi, chaque agent puise dans cette mémoire commune les informations qui lui sont utiles, y
modifie d’autres informations et l’alimente par ses résultats finaux ou intermédiaires. Un
agent n’a donc pas besoin d’avoir connaissance des autres agents.

L’architecture comprend donc trois sous-systèmes :


• Les KS (Knowledge Sources ) ou sources de connaissances.
• La base partagée (tableau) qui comprend les états partiels d’un problème en cours de
résolution, les hypothèses et les résultats intermédiaires et toutes les informations que
s’échangent les KS.
• Un dispositif de contrôle qui gère les conflits d’accès entre les KS. Ces derniers
interviennent de manière « opportuniste ».

L’avantage de cette architecture est surtout sa souplesse pour décrire les modules et articuler
leur fonctionnement. Son principal inconvénient provient de sa relative inefficacité. De ce fait,
elle s’avère particulièrement utile lors de la phase de prototypage ou lorsque les temps de
réponses ne sont pas trop contraints.

Les caractéristiques essentielles d’un tableau noir sont les suivantes :


• L’indépendance de l’expertise. (Spécialistes ou sources de connaissance travaillent
indépendamment des autres experts),
• La diversité des techniques de résolution de problème. (La représentation interne de
chacun des spécialistes est cachée),
• La flexibilité de la représentation de l’information. (Pas de restriction concernant le
contenu éventuel du tableau),
• Le langage d’interaction commun.
• L’activation fondée sur les événements.
• Le besoin de contrôle (Agent externe aux spécialistes dirige la progression de la
résolution du problème et gère l’activation des spécialistes).
• La génération de solution incrémentale.
V. Interactions dans les systèmes multi-agents 165

• Coopération opportuniste : les sources de connaissances peuvent poster des solutions


en espérant que d’autres sources soient capables de les prendre en vue de progresser
vers la solution finale.

V.3.3.3. Les langages de communication

D’après [Finin 1997], pour que les agents puissent interagir de manière efficace, ils doivent
posséder un langage de communication commun, leur permettant de se comprendre ainsi que
de s’échanger des informations et des connaissances.

Avant aborder les langages de communication existants, nous présentons brièvement la


théorie des actes de langage, considérée en intelligence artificielle comme un modèle général
de communication entre les agents.

V.3.3.3.1. Théorie des actes de langage

La théorie des actes de langage17 ou « Speech Act Theory », constitue un fondement théorique
de la communication, basée sur l’idée suivante : « Lorsqu’on parle, on effectue des actions ».

Un acte de langage définit un message contenant l’affirmation positive ou négative, et


provoquant des changements de l’environnement.

J.L. Austin s’est intéressé aux différents types d’actes de langage que constituent les actions
intentionnelles effectuées au cours d’une communication. Il distingue trois types d’actes de
langage : actes locutoires, actes illocutoires et actes perlocutoires.
• Le composant locutoire : qui décrit l’expression d’un message ;
• Le composant illocutoire : qui définit les intentions de l’émetteur, associées
implicitement au message ;
• Le composant perlocutoire : qui décrit les effets d’un acte de langage sur
l’environnement.

Dans la théorie des actes de langage, les intentions des émetteurs sont identifiées utilisant les
verbes performatifs. Ces derniers sont classifiés en plusieurs catégories : les affirmatifs
(informer), les directifs (ordonner), les promissifs (promettre), les déclaratifs (déclarer) et les
expressifs (exprimer).

D’après cette théorie, chaque acte de communication multi-agent peut être décrit sous la
forme d’un message, dont le type est défini par le verbe performatif, tel que « demander » ou
« informer ». Le contenu de ce message est décrit en utilisant les langages de communication
de haut niveau (par exemple KQML).

17
Théorie introduite en 1962, par le philosophe et linguiste anglais J.L.Austin dans son livre « How to do things
with words ».
V. Interactions dans les systèmes multi-agents 166

V.3.3.3.2. KQML (Knowledge and Query Manipulation Language)

KQML (Knowledge and Query Manipulation Language) [Mayfield 1996] est une approche
basée sur les actes de langages, qui permet de réaliser les interactions des agents tenant en
compte la diversité des langages de communication. La communication est considérée comme
un ensemble d’échanges de messages KQML. Chaque message comprend trois couches
[Labrou 1999] :
• La couche de contenu : qui spécifie le contenu réel du message d’agent ;
• La couche de communication : décrit tous les paramètres de communication de bas
niveau, par exemple, l’identificateur de l’agent émetteur et celui de l’agent récepteur,
l’identificateur de la communication, etc.
• La couche de message : considéré comme le noyau de KQML. Sa fonction principale
s’agit d’identifier le protocole de réseau, utilisé pour envoyer le message et de
déterminer le performative, indiquant le type de ce message (par ex. une affirmation,
une requête, une commande, etc.).

La syntaxe de KQML ressemble à celle utilisée dans LISP. Le message KQML est représenté
sous la forme d’une liste, contenant le performative, qui correspond au type particulier d’acte
de langage (par exemple, tell (transférer l’information aux autres agents), ask-one (demander
la réponse à l’agent correspondant), etc.), et les arguments associés à ce performative (voir
fig.ci-dessous). Il est à noter que l’ordre des arguments dans une liste n’est pas important.

( K Q M L - p e r f o r m a t iv e
:se n d e r < nam e> le n o m d e l’ a g e n t é m e tte u r d u m e s s a g e
: r e c e iv e r < n a m e > le n o m d e l’ a g e n t r é c e p te u r d u m e s s a g e
: la n g u a g e < te x t> le la n g a g e , u ti lis é p o u r d é c r ir e l e c o n t e n u d u m e s s a g e
: o n t o lo g y < te x t > le v o c a b u l a ir e d u c o n t e n u d e m e s s a g e
: c o n t e n t < e x p r e s s io n > le c o n te n u r é e l d u m e s s a g e
)

Figure 50. La structure d’un message KQML.

KQML est muni d’une seule règle de conversation : une conversation commence au moment
où le premier message est envoyé par un agent à un autre agent et se termine quand ce dernier
répond. Pour chaque message, les actes de langage autorisés sont restreints aux performatives.

KQML fournit un ensemble de performatives (voir TAB. 2.4) divisé en trois catégories. Dixhuit
performatives de discours permettent l’échange d’informations et de connaissances. Sept
performatives de régulation des conversations traitent les erreurs et les variantes à la règle de
conversation. Enfin, onze performatives d’assistance et de réseau étendent les possibilités de
communication à plus de deux agents (non données ici). Pour la description des
performatives, S est l’émetteur, R est le destinataire et P est le contenu du message.
V. Interactions dans les systèmes multi-agents 167

Tableau 8. Liste des performatifs KQML

Le langage de KQML permet d’utiliser les différents protocoles de communication,


notamment, TCP/IP, SMTP (e-mail), COBRA, etc.

Bien qu’il présente un grand intérêt pour les utilisateurs, KQML montre quelques lacunes
[COH 95] :
V. Interactions dans les systèmes multi-agents 168

• La signification floue de certains performatifs (par exemple, le cas d’un performatif


« dénier ») ;
• Le manque des performatifs promissifs, exprimant l’engagement, auprès d’un tiers,
d’accomplir une action ;
• L’utilisation de ce langage que pour des communications isolées.

V.3.3.3.3. FIPA ACL (Agent Communication Language)

Pour résoudre certains problèmes inhérents à KQML, FIPA (Foundation for Intelligent
Physical Agents) a proposé un nouveau langage de communication d’agents, FIPA ACL (FIPA
Agent Communication Language). Comme KQML, ce langage est fondé sur la théorie des actes
de langages. Sa spécification consiste en la définition d’un ensemble des types de messages et
la description de leurs pragmatiques, c’est-à-dire, les effets sur les attitudes mentaux des
agents émetteurs et des agents récepteurs. La sémantique formelle de FIPA ACL se compose
en cinq niveaux [O’Brian 1998] :
• Le protocole, qui décrit les règles sociales des dialogues entre les agents ;
• Les actes communicatifs (AC), qui définit le type de communication entre les agents
(par exemple, la demande, la confirmation, etc.) ;
• Le méta-information concernant le message (l’identification d’un agent émetteur et
d’un agent récepteur, le contexte, etc.) ;
• Le langage du contenu, qui décrit la grammaire et la sémantique associée, utilisées
pour exprimer le contenu d’un message ;
• L’ontologie, qui définit le vocabulaire et les significations des termes et des concepts,
employées dans le contenu.

l’acte communicatif
(inform
le méta-information :sender <name> le nom de l’agent émetteur du message
du message :receiver <name> le nom de l’agent récepteur du message
:content <expression> le contenu du message
:in-reply-to <expression> le contexte du message
:language <text> le langage de contenu
:ontology <text> le vocabulaire du contenu de message
:protocol <text> le protocole du message
)

Figure 51. La structure d’un message FIPA ACL.

La syntaxe de FIPA ACL est identique à celle de KQML, sauf les noms de certains primitifs
réservés. Le message FIPA ACL (figure ci-dessus) est représenté sous la forme d’une liste,
contenant le type de l’acte communicatif (par exemple, INFORM, REQUEST), le nom de
l’agent émetteur et celui de l’agent récepteur, le contenu et le contexte du message, l’ontologie
à utiliser pour interpréter ce contenu, et le protocole [FIPA 2000].
V. Interactions dans les systèmes multi-agents 169

FIPA fournit également la description normative d’un ensemble de protocoles d’interaction de


haut niveau, y compris la demande d’action (voir Tableau. 10, tirée de [FIPA, 2002a]),

Tableau 9. Liste des performatives de FIPA-ACL

FIPA ACL peut être considéré comme l’extension de KQML possédant deux langages
différents. Le langage externe définit la signification intentionnelle du message. Le langage
interne (ou le contenu) décrit l’expression à laquelle s’appliquent les croyances, les désirs et les
intentions des agents, décrites dans le primitif de communication.

Différemment de KQML, FIPA ACL est basé sur la sémantique logique de la communication.
Ceci facilite la description des formats de la communication. Cependant, les agents ne
possèdent pas toujours les capacités logiques nécessaires. Il est à noter que la sémantique de
FIPA ACL est basée en grande partie sur les croyances des agents, qui peuvent être inconnus
V. Interactions dans les systèmes multi-agents 170

pour les autres agents ou bien se changer rapidement. Ceci rend beaucoup des conditions de
communication préalables, difficiles à contrôler.

Une autre grande différence entre FIPA ACL et KQML, concerne les actes communicatifs.
FIPA ACL contient un ensemble des actes communicatifs normatifs, qui peuvent être primitifs
ou composés. Les nouveaux actes communicatifs ne peuvent être définis qu’en combinant les
actes existants et en utilisant les opérateurs prédéfinis. Ceci permet de maintenir l’intégrité
sémantique du langage.

V.4. Caractéristiques d’un espace d’interaction

Depuis quelques années, l’attention s’est portée sur le niveau organisationnel des Systèmes
Multi-Agents et notamment sur les protocoles qui permettent aux agents d’interagir. La
définition et l’implantation d’un protocole mettent en jeux un grand nombre de mécanismes et
de propriétés qui concernent non seulement le protocole lui-même, mais aussi les entités en
interaction et leurs environnements d’exécution, ainsi que les media de communication et les
mécanismes de régulation qui peuvent exister au niveau de l’ensemble du système. L’ensemble
de ces éléments détermine un espace d’interaction et donc les caractéristiques des protocoles
que l’on peut déployer dans un système [Sibertin-Blanc 2004].

Pour sérier ces caractéristiques, quatre niveaux ont été définis. Ils correspondent aux
questions essentielles suivantes [Sibertin-Blanc 2004] :
• Quelle est la nature des messages véhiculés à l’occasion de ces interactions ?
• Comment sont-ils traités ?
• Quelles sont les relations entre ces messages ?
• Comment ces relations sont mises en oeuvre.

a. Les propriétés des messages

Toute interaction passe par la communication d’un message, un transfert d’un agent vers un
autre. Ce niveau répond aux questions de type « qui communique quoi à qui ? », telles que :
• la syntaxe des messages envoyés, qui détermine le contenu de ce qui peut être
transmis ; par exemples : un simple identificateur de signal, un nom de procédure, de
sélecteur, d’événement, de service... accompagné ou non de paramètres, ou bien un
énoncé d’un langage de type ACL (Agent Communication Language) faisant référence à
une ontologie [Gruber 1993].
• la possibilité pour un message d’avoir un ensemble de destinataires ; (la question
réciproque ne se pose pas, si l’on suppose qu’un message n’a toujours qu’un seul
expéditeur).
• le mode de désignation du (ou des) destinataire (s), directement par son identificateur
ou de façon associative par certaines de ses propriétés.
V. Interactions dans les systèmes multi-agents 171

• le fait que les interventions soient de type question / réponse (auquel cas l’agent qui
envoie un message pour réaliser une intervention s’attend toujours à recevoir un
message en réponse et cette réponse fait partie de la même intervention), ou bien de
simples envoies de messages, auquel cas l’éventuelle réponse constitue une autre
intervention.

b. L’acheminement et le traitement des messages

Ce niveau met en jeu directement les propriétés du media de communication et les aptitudes
comportementales des agents.
• Un message est-il délivré directement au(x) destinataire (en point à point ou par
diffusion), ou ce dernier doit-il s’enquérir des messages qui lui sont destinés en
accédant à une structure de donnée partagée de type tableau noir ou base de données ?
• L’envoi d’un message est-il synchrone (l’émetteur est bloqué jusqu’à ce que le/les
destinataire ait reçu le message, ou jusqu’à la réception du résultat dans le cas d’une
intervention de type question / réponse), éventuellement avec un délai maximal
d’attente, ou bien asynchrone (après l’émission d’un message, l’émetteur poursuit son
activité ce qui suppose, dans le cas des interventions de type question / réponse, qu’il
peut se mettre en attente tout en continuant un autre fil d’activité) ? Ou bien encore,
les interactions se produisent-elles à l’occasion de rendez-vous entre l’expéditeur et le
destinataire du message ?
• Si les messages sont délivrés, que devient un message arrivant à un instant où le
destinataire est occupé : il est ignoré, il est mis dans une file d’attente (possiblement
gérée avec des priorités), ou il préempte l’activité du destinataire ?
• Les interventions de type question / réponse peuvent-elles être sur le long terme, c'est-
à-dire que l’envoie de la réponse se produit relativement longtemps après la réception
de la question ?
• Un agent est-il en mesure de traiter une séquence d’interactions comme une
transaction qui peut être soit validée soit invalidée (les effets de toutes ces interactions
sur son état sont alors annulés) ?

c. La définition d’un protocole

Ce niveau concerne les règles qui définissent un protocole, le pouvoir d’expression du


formalisme avec lequel les contraintes sont exprimées et les propriétés générales des
Conversations qui en résultent.
• Comment sont définis les états, notamment initiaux et terminaux, des conversations ?
• Quelles sont les conditions qui déterminent à quels moments un agent peut entrer
dans une conversation (à l’initialisation ou en cours de conversation, avec un nombre
maximal de participants ou non,...) ou en sortir ? En d’autres termes, les conversations
sont-elles ouvertes ou fermées ?
V. Interactions dans les systèmes multi-agents 172

• Comment sont définies, dans les contraintes de distribution, les caractéristiques d’un
agent qui déterminent s’il peut ou non occuper un rôle ? Plus généralement, quel est le
pouvoir d’expression du formalisme utilisé pour exprimer les contraintes de
distribution ?
• Le temps intervient-il dans les contraintes comportementales du protocole, sous la
forme de délai avant lequel une intervention doit être faite ?
• Le protocole est-il séquentiel (à chaque instant, un seul participant a la possibilité
d’intervenir) ou concurrent ? Plus généralement, quel est le pouvoir d’expression du
formalisme utilisé pour exprimer les contraintes comportementales ?
• Les conversations d’un protocole sont-elles cycliques, avec des états de reprise pour le
démarrage d’un nouveau cycle, ou bien une conversation s’achève-t-elle dès que
l’objectif est atteint ?
• Les contraintes sont-elles strictes, ou supportent-elles un degré d’interprétation dans
chaque conversation ? Les contraintes sont-elles hiérarchisées, avec des domaines de
validité plus ou moins étendus ?

d. Le contrôle des conversations

Enfin, ce niveau concerne les mécanismes qui assurent le respect des règles des protocoles.
• Le contrôle du respect des règles est-il réparti (chaque participant veille, en ce qui le
concerne, à respecter et/ou faire respecter les règles), assuré par un superviseur, par
l’infrastructure, l’environnement d’exécution des agents rendant physiquement
impossible le non respect des règles, ou bien hybride ? Cette question concerne aussi
bien les contraintes de distribution (authentification des entités, limitation du nombre
de participants,...) que celles de comportement (ordonnancement des interventions,
activation de time-out,...).
• Comment sont initialisées et closes les conversations ?
• Quelle est la visibilité sur le déroulement d’une conversation (l’état courrant, la liste
des participants, l’historique des interventions...) pour les agents qui y participent,
mais aussi pour les autres (degrés de confidentialité d’une conversation) ?
• Les mécanismes de contrôle concernent aussi des contraintes et qui portent sur les
relations entre conversations telles que :
o le nombre de conversations d’un même protocole (ou de protocoles différents)
qui peuvent se dérouler simultanément ;
o l’enchaînement des conversations (règle du type : toute conversation du
protocole X est suivie d’une conversation de type Y), et plus généralement les
interactions possibles entre conversations ;
o le nombre et le type des conversations auxquelles un agent peut participer,
simultanément ou successivement, et les relations entre les rôles qu’il peut y
jouer.
V. Interactions dans les systèmes multi-agents 173

Toutes les questions mentionnées ci-dessus font plus ou moins directement référence à des
techniques actuellement disponibles. Cependant, ces quatre niveaux correspondent à des
questions de nature conceptuelle, et les réponses qui leurs sont apportées commandent les
choix plus techniques portant sur :
• le modèle des agents fonctionnels, c’est à dire les agents qui contribuent directement à
la production des résultats du système,
• les services, fonctionnalités offertes par l’environnement d’exécution, environnement
qui peut comporter des agents non-fonctionnels, ou agents intermédiaires, dont le rôle
est de faciliter, organiser l’activité des agents fonctionnels.

V.5. Méthodologies orientées agents

Comme les méthodes de développement de systèmes multi-agents sont nombreuses et


évoluent rapidement, il est nécessaire de faire une comparaison de l’existant afin d’exprimer
nos besoins compte tenu de nos objectifs : proposer une approche d’acquisition de
connaissances à base d’agents cognitifs, intégrer l’approche dans un contexte connu des
ingénieurs, et fournir des outils d’aide à la conception et à la décision.

Le travail réalisé par Picard [Picard 2004] nous sert de base (c’est le plus complet que nous
ayons trouvé dans la littérature à ce moment). Nous en proposons une synthèse.

Les méthodologies de développement des systèmes multi-agents ont été classées en quatre
catégories. Picard a effectué une généalogie des principales méthodes (figure ci-contre) [Picard
2004] (voir Annexe A pour une synthèse de ces méthodes).

Figure 52. Généalogie des méthodes orientées agent et les différentes influences [Picard
2004]
V. Interactions dans les systèmes multi-agents 174

Comme le montre la figure ci-dessus, l’ingénierie objet (OO) est la principale influence pour
les méthodes orientées agent. Cependant, trois autres courants existent : l’ingénierie des
connaissances, l’ingénierie des besoins et l’approche orientée plate-forme.

La première catégorie regroupe les méthodologies s’inspirant des méthodologies de


développement des objets (OO pour Orienté Objet) : Dans ce premier cas, l’intérêt est dans la
proximité avec le paradigme objet. Un point très positif pour une méthodologie agent venant
d’approche objet est la popularité et la généralisation des méthodes orientées objets :
l’apprentissage ou même l’acceptation initiale, ne peut qu’être facilité si l’on se trouve face à
une structuration familière. D’autre part, les différentes vues couramment employées pour
décrire les objets (statiques, dynamiques, fonctionnelles, ...) se déclinent assez facilement dans
le monde agent.

La deuxième regroupe des méthodologies s’inspirant de l’ingénierie de connaissances (KE


pour Knowledge Engineering) : Ces méthodes sont basées sur des approches dérivées de
l’ingénierie des connaissances et sont proposées pour concevoir des modèles d’agents
cognitifs. La définition du comportement de l’agent est ici vue comme un processus
d’acquisition de connaissances.

La troisième catégorie s’inspirant de l’ingénierie des besoins (RE pour Requirement


Engineering) : les méthodes de développement sont fondées sur les concepts utilisés en
ingénierie des besoins.

La quatrième catégorie s’inspirant des plates-formes de développement (P pour Plates-


formes). Plusieurs types de plates-formes multi-agents existent : les plates-formes de
simulation, les plates-formes de développement et les plates-formes d’exécution. Elles ont été
un courant notable d’influence pour les méthodes orientées agent. Souvent, les enjeux de
conception sont la conséquence des techniques utilisées par les plates-formes.

V.6. Conclusion

Nous avons présenté dans ce chapitre, les principales caractéristiques du concept agent et des
systèmes multi-agents.

Nous avons mis l’accent dans ce chapitre sur le rôle déterminant de l’interaction dans les SMA,
et les différentes formes d’interaction qu’elle peut prendre : coopération, coordination et
communication.

D’un point de vue computationnel, les SMA offrent un cadre intéressant à notre
problématique. Dans notre cas, la définition de l’agent ne sera pas retenue dans son
intégralité, car elle prend peu en compte les aspects humains primordiaux dans la coopération
cognitive. Un agent sera considéré dans le sens de «acteur », c’est-à-dire comme une personne
humaine ayant ses capacités cognitives, son histoire, son comportement particulier et unique.
V. Interactions dans les systèmes multi-agents 175

Dans notre système, les interactions entre les décideurs-métiers sont plutôt médiées par
l’environnement. Celui-ci est représenté par l’ensemble des ressources physiques (outils SIAD
mobilisés par ces derniers lors de la réalisation de la tâche cognitive). Les actions des
décideurs se traduisent par des opérations comme par exemple la création d’un nouveau
concept à l’aide de concepts existants. Une opération peut être vue comme une interaction
entre l’acteur qui la réalise et son environnement. Dans un processus de coopération comme la
situation qui nous inétresse, des traces laissées par certains acteurs, prennent sens chez
d’autres et déeclenchent un comportement spécifique. Il est alors question de communication
stigmergique entre agents.

Il résulte ainsi des avantages indéniables à utiliser la technologie agent pour l’acquisition de
connaissances par coopération d’agents cognitifs coopérants que sont les décideurs-métiers
dans le cadre d’une organisation par processus.

Le chapitre qui va suivre s’atèle à décrire une approche méthodologique d’acquisition de


connaissances agrégées à bases d’agents cognitifs coopérants, pour servir les systèmes d’aide à
la décision stratégiques.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 176

CHAPITRE VI. AMéACAA (Approche Méthodologique


d’Acquisition de Connaissances Agrégées à base
d’Agents)

« La complexité est un désordre apparent où on a des raisons de supposer un ordre


caché » [Atlan 1979].
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 177

VI.1. Introduction

L’approche méthodologique proposée baptisée AMéACAA (Approche Méthodologique


d’Acquisition de Connaissances Agrégées à base d’Agents cognitifs coopérants) a pour objectif
de favoriser l’émergence des connaissances utiles aux systèmes d’aide à la décision
stratégiques par la co-construction d’un langage commun à travers la coopération des
décideurs locaux.
Elle propose un cadre méthodologique pour une acquisition de connaissances agrégées (de
haut niveau) par coopération entre des agents cognitifs et ce pour le besoin de SIAD
stratégiques. Elle apporte une solution au problème de la négociation cognitive entre
décideurs dans le cadre d’une organisation par processus.
Il est question dans cette section de présenter les principales caractéristiques d’AMéACAA puis
les principaux modèles sous-jacents.

VI.2. Caractéristiques d’AMéACAA

AMéACAA (Approche Méthodologique d’Acquisition de Connaissances Agrégées à base


d’Agents cognitifs coopérants) est orientée management des connaissances dans les
organisations par projets. Elle regroupe les activités de recueil, contrôle et normalisation des
connaissances hétérogènes émanant du niveau infra (décideurs métiers). Elle vise à faire
évoluer la connaissance de l’organisation. Elle est donc par essence itérative et évolutive.
Elle puise ses fondements dans les trois principes suivants :

1. Une ingénierie des besoins de l’aide à la décision coopérative


La démarche méthodologique préconisée est un semi-prototypage dans le sens où elle repose
d’une part sur une analyse des besoins itérative permettant une évolutivité et prend source des
activités existantes d’autre part. En effet, dans le cadre de décisions peu ou pas structurées
comme celles auxquelles nous nous intéressons, nous recherchons les exigences dans
l’organisation de l’entreprise elle-même.

2. Une démarche d’acquisition de connaissances de l’organisation


(business).
L’amélioration de la prise de décision stratégique est liée à l’acquisition des connaissances.
L’amélioration peut porter sur une amélioration du processus cognitif et/ou sur une
amélioration de la connaissance sur la situation décisionnelle. Dans le cadre de décisions peu
ou pas structurées et normalisées comme celles auxquelles nous nous intéressons, il faut en
effet rechercher des exigences dans l’organisation de l’entreprise elle-même.
Pour exprimer le problème de la distribution des connaissances, nous nous référerons au
modèle coopératif proposé par la méthode MUSIC [Alquier 1993] [Baghdadi 1997].
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 178

AMéACAA repose ainsi sur le modèle coopératif de la méthode MUSIC. Ce choix s’explique par
le fait que :
• Nous nous intéressons à la connaissance d’une organisation.
• Nous prenons en compte l’hétérogénéité et la distribution de la connaissance dans
une organisation.
• Nous nous intéressons à la construction de connaissances nouvelles dans
l’organisation. MUSIC insiste sur le fait que la connaissance et le système cognitif
d’une organisation sont un «knowledge construct» ; un système permettant
l’émergence de processus cognitifs nouveaux à partir de l’interaction des individus
ou groupes d’individus, qui constituent l’organisation. Le système de connaissance
coopératif représente une plate-forme d’intégration et de coexistence des trois
autres systèmes de connaissance (figure ci-dessous). C’est un support d’échanges
de coordination et de travail coopératif. Il est fondé sur la construction des
connaissances globalisées (mémoire d’entreprise, management de la connaissance,
etc.). Son ossature est très générale et adaptable à l’organisation de projets
complexes. Toutefois, pour le besoin ce cette thèse, nous ne ferons pas de
distinction entre connaissances individuelles et connaissances départementales.
Elles représentent les connaissances spécialisées dont dispose un agent, quelles
soient permanentes (indépendantes du contexte) ou contextuelles (relatives à la
tâche qui lui est allouée). Les connaissances coopératives comprennent les
connaissances émergentes de la coopération (connaissances co-construites).

SIAD
Stratégique

Langage
coopératif
co-construit
Problème d'agrégation
de connaissances et de
communication

Département
Département

Collectif

Figure 53. Problème d’agrégation de connaissances et de communication

Nous nous focalisons donc sur l’amélioration de la situation décisionnelle. Cette situation est
caractérisée par :
• Processus d’acquisition : regroupant des activités de recueil, contrôle,
normalisation, ..) des connaissances hétérogènes émanant du niveau infra. C’est
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 179

par le biais d’un langage commun que le niveau supra combine les divers éléments
des connaissances explicites pour constituer de nouvelles connaissances explicites.
• Corpus : Les SIAD locaux sont nos sources de connaissances.
• Auteurs des corpus : Les décideurs métiers sont les principaux acteurs au niveau
local. Ils sont dans une structure d’organisation et une situation organisationnelle
qui les oblige à communiquer voir à coopérer. Leurs comportements se
matérialisent par une perception et une interprétation du but fixé par le niveau
supérieur et par un rôle à jouer dans le cadre de la coopération

3. Exploitation de la technologie agent


Les systèmes multi-agents fournissent des abstractions, des protocoles et des langages de haut
niveau pour traiter la distribution, l’hétérogénéité et l’autonomie qui sont inhérentes à
l’organisation coopérative. Ils permettent de décrire la coordination (négociation sémantique)
entre acteurs tant au niveau micro à travers les aptitudes cognitives des agents eux-mêmes,
qu’au niveau macro à travers des abstractions organisationnelles telles que les rôles, les
groupes, les engagements, etc. ;
Nous avons eu recours aux agents pour les raisons suivantes :
• Les SMA (Systèmes Multi-Agents) s’appuyent sur la métaphore de l’organisation
collective. Ils proposent de modéliser des systèmes complexes à l’aide d’une société
d’entités appelées agents [Ferber 1995] [Guessoum 1996].
• Les SMA fournissent des abstractions, des protocoles et des langages de haut
niveau pour traiter la distribution, l’hétérogénéité et l’autonomie qui sont
inhérentes à l’organisation coopérative.
• Les agents offrent une combinaison d’entités (physiques ou artificielles) et des
caractéristiques intéressantes (autonomie, coopération, adaptation) [Ferber 1995]
[El Mansouri 98]. En effet, notre système est caractérisée par une variété d’acteurs
(décideurs métiers locaux, chef de projet, voire des assistants logiciels).

Le travail réalisé par Picard [Picard 2004] nous a servi de base (c’est le plus complet que nous
avons trouvé dans la littérature). Un comparatif complet de méthodes orientées agents a été
effectué. Nous avons ainsi dressé le tableau filtre suivant : (en colonnes apparaissent les
méthodes avec une couleur par catégorie de méthodes) et en ligne les critères classés par
catégorie.

Trois catégories de critères parmi les quatre sont considérées :


• Pour les concepts manipulés : nous privilégions l’aspect cognitif, l’interaction,
organisation et rôles ;
• Pour le processus de développement : nous privilégions les phases du processus
couvertes par la méthode et les délivrables ;
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 180

• Pour la pragmatique : nous privilégions le degré d’expertise requise et la disponibilité


des ressources.

A partir des critères identifiés et utilisés dans ce comparatif (une quarantaine), nous en avons
sélectionné quatorze (14), qui cadrent avec nos préoccupations.

common Kads

4.1 Prometheus
4.1 Cassioée
1.4 Message

2.1 DESIRE
1.3 Massive

4.1 Aaladin
3.1 Tropos
1.2 Mase
1.1 Gaia

2.1 MAS
Croyances * * * - ** * ** - ** *

Désirs * ** * * * * * - ** *
Concepts

Intentions * * * * * ** ** - ** *

Interaction * ** ** ** * * * - * **

Organisation ** * * ** - * * ** * **

Rôle ** ** ** ** * * ** ** - **
Proces développement

Modularité ** * * ** * * * * * *

Analyse ** ** ** ** * * ** ** ** **

Conception ** ** ** ** ** ** * * ** -

Implémentation - * * * * * * - * **

Délivrables ** ** * ** - * - * * -
Pragmatiqu

Ressources - * * * - * - * - *

Expertise requise Oui Non Non Non Oui Oui Oui Non Oui Non

Langage spécif. Non Non Non Non Oui Non Non Non Non Oui

Tableau 10. Comparatif de méthodologies orientées agent (adapté de [Picard 2004]

Notation : (**) pour les propriétés pleinement et explicitement prises en charge ; (*) pour les
propriétés prises en charge de manière indirecte ; (−) pour des propriétés non prises en
charge.

La lecture du tableau filtre, montre que MAS-CommonKADS convient à notre situation. Elle
est orientée connaissance, les agents déployés sont à forte granularité (agents cognitifs) et
propose des techniques de conception des protocoles dans le but de modéliser les agents et les
interactions entre agents [Iglesias 1998]
La méthode MAS-CommonKADS est une extension de CommonKADS qui ajoute des
techniques venant des méthodes orientées objet à des techniques de conception des protocoles
dans le but de modéliser les agents et les interactions entre agents [Iglesias 1998].
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 181

Figure 54. Les modèles de MAS-CommonKADS [Henesey 2003]

L’extension à CommonKADS comprend les modèles suivants :


• Le modèle d’agent qui décrit les caractéristiques principales des agents, y compris les
capacités de raisonnement, les habiletés, les détecteurs et les effecteurs, les services, les
buts ;
• Le modèle de tâche qui décrit les tâches (les buts) devant être exécuté par les agents et
la décomposition des tâches, en utilisant les spécimens textuels et les diagrammes ;
• Le modèle d’expertise qui décrit les connaissances nécessaires aux agents pour
exécuter les tâches. La structure de connaissances suit l’approche de KADS, et
distingue les connaissances de domaine, les connaissances de la tâche, les inférences et
les connaissances spécifiques au problème à résoudre ;
• Le modèle d’organisation qui décrit l’organisation dans laquelle le système multi-agent
sera introduit ainsi que l’organisation de la société d’agents. La description de la
société d’agents utilise une extension du modèle objet d’OMT (Object Modeling
Technique), et décrit la hiérarchie des agents, le rapport entre les agents et leur
environnement, et la structure de la société d’agents ;
• Le modèle de coordination qui décrit les conversations entre les agents, c’est-à-dire
leurs interactions, leurs protocoles et les capacités d’interaction exigées. Les
interactions sont modélisées en utilisant les techniques de description formelle MSC
(Message Sequence Carts) et SDL (Specifications and Description Language) ;
• Le modèle de communication qui détaille les interactions entre l’agent humain et le
logiciel, et les facteurs humains nécessaires au développement de ces interfaces
utilisateur ;
• Le modèle de conception qui recueille les modèles précédents et est subdivisé en trois
sous-modèles : la conception de l’application, la conception de l’architecture et la
sélection de la plate-forme de développement pour chaque architecture d’agent.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 182

VI.3. Descriptif détaillé des modèles d’AMéACAA

L'organisation veut pouvoir utiliser les connaissances des agents, mais celles-ci n'ont pas de
structure ou de schémas d'interprétation. On pense les extraire de façon active par une
animation de la structuration des connaissances locales.
Les modèles inspirés de MAS-CommonKADS fournissent un moyen d’organiser la coopération
inter-agents pour l’émergence de connaissances business (figure ci-contre). Elle offre aussi un
moyen d’innovation dans les organisations par processus.

Figure 55. Synthèse des modèles d’AMéACAA

Nous allons exploiter dans la description d’AMéACAA les modèles suivants dans l’ordre:
• Le modèle d’agent : Ce modèle décrit les caractéristiques principaux agents. Les
décideurs métiers sont les principaux agents. Ils sont considérés comme une société
d’agents en interaction dans un cadre défini (organisation du travail). Nous partons
du principe qu’un contrôle centralisé est exercé sur cette société d’agents (ACM)
par l’ASU.
• Le modèle d’expertise : décrit la boucle de construction de connaissances par le
décideur métier à partir de son corpus de connaissances (SIAD local)
• Le modèle de tâche : décrit les tâches (les buts) devant être exécuté par les agents et
la décomposition des tâches ;
• Le modèle de coordination orienté négociation cognitive : qui décrit les
conversations entre les ACM, c’est-à-dire leurs interactions, leurs protocoles de
négociation cognitive.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 183

• Le modèle de conception : qui décrit les principaux objets issus des modèles
précédents.

VI.3.1. Modèle d’Agent


Un agent cognitif sera considéré dans le sens de «acteur », c’est-à-dire comme une personne
humaine ayant ses capacités cognitives, son histoire, son comportement particulier et unique.
La connaissance de chaque acteur cognitif se construit par un processus mental qui permet la
production de structures opératoires : mémoire, opérations cognitives [Piaget 1970]. Ces
structures opératoires donnent des représentations utiles pour la compréhension, l’action,... ;
elles sont explicatives du monde.
Chaque acteur construit ses propres structures opératoires, à ses propres connaissances et
modes de représentation du monde en fonction de ses capacités cognitives, de son histoire, de
ses relations avec son environnement. Il construit ses modèles mentaux de manière spécifique
et unique.
Cet acteur cognitif a donc :
• une perception et une interprétation du but à atteindre pour la coopération à
laquelle il participe,
• un raisonnement propre au niveau local avec sa vision du niveau global,
• sa capacité d’expertise dans son domaine de compétences,
• sa faculté d’apprentissage.
• un rôle par rapport à la coopération, tel qu’un rôle d’animation et/ou de
collaboration. Celui-ci sera en rapport avec ses actions dans la coopération au
travers des tâches et des activités qui lui incombent.
Les connaissances locales fraîches sont formulées par ces acteurs. On met en place des moyens
d'extraction, de structuration et de communication des connaissances. Ils font ainsi l'objet
d'une "animation", organisationnelle, appuyée d'un outil informatique.

Une analyse préalable des principales caractéristiques des acteurs de ce système complexe et
des rôles à jouer dans le cadre de l’organisation de cette coopération cognitive entre agents
locaux par rapport aux objectifs globaux, nous a permis d’identifier: deux agents cognitifs
humains (décideurs-métiers et le superviseur ou manager de processus) et trois agents
artificiels (agent de médiation, agent de contrôle supra et agent gestionnaire des connexions)
(Fig ci-dessous).
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 184

Acteur

Acteurs Humains
Acteurs artificiels

1.. * est
joué 1.. * est
1.. * joué
1.. *
Rôle Humain
Rôle Agent

Décideur Superviseur Agent Gestionnaire Agent Contrôle Supra Agent Médiation


des connexions

1.. *
appartient 1.. *
1.. *
Groupe

supervisé

Figure 56. Principaux agents de la situation décisionnelle [Ghomari 2006]

Nous avons identifié cinq agents dont trois agents artificiels :


• Agent Coopératif Métier (ACM) : Agent humain matérialisant le spécialiste au
niveau départemental ou métier (au sens de Music). Nous le dénommons ACM.
Etant donné l’importance que nous accordons à l’acquisition de connaissances
agrégées, nous envisageons l’ACM comme une entité compétente, communicante et
coopérative. Cette distinction entre plusieurs points de vues de l’expertise nous
permettra de clarifier et réduire la complexité du modèle en se focalisant sur des
aspects spécifiques.
• Agent Superviseur (ASU) : Agent humain matérialisant l’autorité (spécialiste
s’occupant de la supervision de l’acquisition via la co-construction coopérative des
connaissances de haut niveau). L’ASU a pour rôle de déclencher et animer
l’acquisition de connaissances. Il contrôle le processus d’interaction. Il lui
appartient également d’analyser les connaissances locales proposées par les AC-M.
Finalement, la validation des différents résultats lui revient.
• Agent Mediation (AME) : Agent artificiel agissant en fonction de la disponibilité ou
non de connaissances dans l’espace partagé. Il relance les ACM, gère les sous-
espaces du tableau noir.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 185

• Agent Gestionnaire des Connexions (AGO) : Agent artificiel ayant une


représentation de lui-même et des actions qu’il peut entreprendre. Il connaît et
tient à jour la liste de tous les ACM connectés ou déconnectés (niveau infra).
• Agent Contrôle Supra (ACS) : Agent artificiel de contrôle agissant pour servir l’ASU
(gestion des traçabilités, capitalisation des connaissances nouvelles) (niveau
supra).

VI.3.1.1. Agent Coopératif Métier (ACM)

La prise de décision est une activité cognitive [Perception, Interprétation/Décision,


Réaction/Action]. Le décideur métier est ainsi un agent cognitif, ayant des aptitudes cognitives
(construction de la connaissance grâce à la boucle : connaissance, Savoir ou savoir-faire et
langage de l’organisation), des compétences liées à la structure métier auquel il appartient et
des capacités de communication (figure ci-dessous). Nous partons de l’hypothèse que l’ACM
est un agent coopératif.

Communication
Perception

Raisonnement -
Interprétation
Mémoire
AC-M (Agent Coopératif Métier)

Figure 57. Architecture modulaire d’un ACM

L’ACM est l’Agent humain matérialisant le spécialiste au niveau départemental ou métier


(au sens de MUSIC). Nous le dénommons ACM. Cet acteur cognitif a:
• une perception du but à atteindre pour la coopération à laquelle il participe,
• un raisonnement et une interprétation propre au niveau local avec sa vision du
niveau global
• une mémoire qu’il tend à faire évoluer. Il bénéficie de connaissances de son
environnement (acquisition via les SIAD (Systèmes Interactifs d’Aide à la décision)
pour notre cas), et celles émanant de l’interaction avec les autres agents.

VI.3.1.2. Agent SUperviseur (ASU)

L’ASU est responsable de la formulation d’objectifs quantifiés et du développement


d’indicateurs adaptés au processus. Il a pour rôle de déclencher et animer18 la co-construction
coopérative des connaissances par les ACM. Il contrôle le processus d’interaction. Finalement,
la validation des différents résultats lui revient (figure ci-contre)

18
Ce métier d'animateur de connaissances remplace l'administrateur de données
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 186

Perception communication

Contrôle
validation
mémoire
ASU (Agent SUperviseur)

Figure 58. Architecture modulaire d’un ASU

L’ASU a une mémoire et tente de la faire évoluer par l’activité de supervision ou par lui-
même. Il bénéficie de connaissances nouvelles issues de l’analyse des connaissances locales
issues de l’intercation des ACM.
• de modes de perception : lui permettant d’incorporer des éléments de
connaissances provenant de son environnement.
• de contrôle de connaissances
• de validation des connaissances
• de communication

VI.3.1.3. Agent MEdiation (AME)

Agent d’information agissant en fonction de la disponibilité ou non de connaissances dans


l’espace partagé. Il a pour rôles :
• Récupérer les informations sur la négociation
• Charger les informations dans sa base de données interne
• Mise à jour de la table
• Mise à jour des ACMs connectés
• Alerter les ACMs en cas de modification au niveau du tableau noir
• mettre à jour les compétences des ACMs

VI.3.1.4. Agent Gestionnaire des cOnnexions (AGO)

Agent artificiel ayant une représentation de lui-même et des actions qu’il peut entreprendre. Il
connaît et tient à jour la liste de tous les ACM connectés ou déconnectés (niveau infra). Il a
pou rôles :
• Demander les informations de la négociation à l’ABB
• Charger la table « connectés »
• Établir une liste des ACMs
• Créer une session de négociation
• Placer une veille sur la table « connectés »
• Mise à jour de la liste des ACMs
• Restaurer la session
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 187

VI.3.1.5. Agent Contrôle Supra (ACS)

Agent d’information agissant pour servir l’ASU (gestion des traçabilités, capitalisation des
connaissances nouvelles) (niveau supra). Il a pou rôles :
• Demander les informations de la négociation à l’ABB
• Demander les propositions pour la synthèse des interactions
• Calculer les seuils
• Réorganiser les propositions selon les interactions
• Réorganiser les propositions selon les seuils

VI.3.2. Modèle d’expertise


Le décideur-métier est le seul à pouvoir transformer une information en connaissance ou une
connaissance en information (fig. ci-dessous). Ainsi, L’aide à la décision est à aborder comme
un système de connaissances. Générer de la connaissance est une activité permanente
d’interprétation d’informations

Figure. 59. Des connaissances aux données et des données aux connaissances (adpaté
d’[Alquier 1993]

La figure montre bien que notre modèle d’expertise est de type « traitement d’information». Il
postule que :
• La prise de décision s’appuie sur des connaissances structurées – des données
• les conduites individuelles de sujets en train de résoudre des problèmes s’organisent en
phases spécifiques de traitement de ces données.

Le niveau « connaissance» des données est géré directement par le décideur, dans une activité
permanente d’interprétation (transformant les données en connaissances) et de
représentation (des connaissances aux données).

Le système d’information (SIAD en tant que corpus de connaissances) est pour nous un
facteur de construction de connaissance, si on le conçoit comme un élément de la boucle entre
d'un côté la connaissance, et d'autre part Savoir ou savoir-faire et langage de l'organisation.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 188

VI.3.3. Modèle de tâches


Trois approches permettant de décomposer un problème, qualifié de complexe, en
sous-problèmes ou sous-tâches [El Mansouri 1998] :
• une approche orientée par les buts,
• une approche orientée par les objets d’information
• et une approche orientée par les compétences.

Approche orientée par les buts : Un but est un point de convergence qu’on cherche à atteindre
par les activités, individuelles ou collectives, de résolution d’un problème ou d’un ensemble de
problèmes.

Un but est défini par trois types d’attributs :


• les compétences qui semblent à priori nécessaires pour l’atteindre,
• les objets d’information à manipuler pour l’atteindre,
• les conditions de terminaison et de satisfaction permettant de déterminer précisément
à quel moment le but peut-il être considéré comme atteint, et dans ce cas, d’évaluer la
pertinence des solutions proposées.

Selon cette approche, un agent identifie le but global à atteindre. Ce but est considéré comme
un ensemble fini de sous-buts partiels identifiables et pouvant être atteint séquentiellement ou
simultanément. Il cherche, ensuite, à identifier pour chaque sous-but les compétences
nécessaires, les objets d’information utilisés, le type de résultat à produire, les conditions du
déclenchement des activités permettant de l’atteindre, etc. Un sous-but correspond à une
tâche directement affectable à un agent potentiel. Cela signifie que les compétences
nécessaires pour atteindre ces sous-buts existent dans le système.

Approche orientée par les objets d’information

Le problème global est, ici, considéré comme un ensemble d’objets d’information hétérogènes.
Tout d’abord, un agent va regrouper ces objets d’information en paquets thématiques
cohérents (domaines de compétences). Ensuite, dans chaque paquet, il identifie des
sous-paquets d’objets d’information selon l’appartenance de celles-ci à des familles de
compétences. Chaque sous-paquet (ensemble d’objets d’information appartenant à une famille
de compétences) doit permettre d’identifier des sous-tâches spécialisées utilisant des objets
d’information spécialisés. Les objets d’information subsidiaires représentent les objets
d’information communs à toutes les sous-tâches.

Approche orientée par les compétences

Selon cette approche, un agent envoie la description du problème global à tous les agents du
système en leur demandant de définir ce qu’ils peuvent faire pour contribuer à la résolution du
problème en question. Les contributions peuvent se chevaucher. Le problème est donc de
définir ces points de convergence.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 189

Cette approche est utile pour résoudre des problèmes complètement nouveaux. Elle conduit
les agents à devoir coopérer très tôt dans le processus de décision. De même, elle nécessite
énormément d’efforts de coordination. Comme dans l’approche orientée par les objets
d’information, l’approche orientée par les compétences doit veiller à ce que l’intégralité du
problème à résoudre soit couverte par les différentes contributions des agents.

Remarque : La première approche est descendante alors que les deux autres sont ascendantes.
Ces approches peuvent être utilisées séparément ou simultanément. La troisième approche
« décomposition orientée par compétences » nous convient plus particulièrement.
L’identification des compétences clés favorise l’innovation et la compétitivité.
La situation décisionnelle qui nous intéresse fait ressortir deux catégories de tâches (figure ci-
contre :

• Tâches coopérantes cognitives : une tâche coopérante cognitive est définie par le
« quoi ? » (sa finalité) et le « qui ? » (agent responsable de sa réalisation). La
manière dont la tâche est effectuée, c’est-à-dire le « comment ? » relève d’une
démarche cognitive (expertise et savoir-faire). Les ACM et ACS sont concernés par
ce type de tâche
• Tâches procédurales : ici le comment est de nature procédural. Ces tâches
préscrites que nous appelerons tâches de soutien, seront l’apanage des agents
artificiels que sont : AME, AGO et ACS.

Acteur Tâche
-But

-effectue 1..* 1..*

-Réalise
A_Réactif A_Cognitif T_Cognitive T_Procédurale
- 1..* 1..*
*

*
Avoir_metier

ABB ACS Metier


ASU ACM

AGO

Figure 60. Diagramme de classes

La décomposition des tâches est faite ainsi selon les modèles de gestion de projets que sont
WBS (Work Breakdown Structure) [Schweyer 1996]. L’allocation des tâches (sous-buts) aux
ACMs est effectuée selon les compétences (savoirs-faire métier) de chacun.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 190

VI.3.4. Modèle de coordination orienté négociation cognitive


Dans la littérature sur la coordination, le plus souvent les modèles de coordination sont définis
comme un triplet (E, M, R) [Papadopoulos 1998], où E représente les Entités à coordonner, M
représente le Média qui supporte la coordination de ces entités (dispositif utilisé pour
acquérir, rendre accessible et/ou transmettre l’information utile à la coordination) et R les
Règles de coordination (des lois ou mécanismes qui régissent l’interaction entre les entités via
le média).
• les entités à coordonner : La structure interne des entités à coordonner peut être
libre comme elle peut être fixe. Dans le premier cas, on se contente d’identifier les
entités à coordonner. Dans le deuxième cas, on impose des contraintes sur la
structure interne des entités et le sujet précis de la coordination, qui peut porter sur
les événements, les processus ou les contrats. L’une des exigences à ce niveau est de
ne pas avoir à « reconcevoir » les processus chaque fois que les mécanismes de
coordination changent ;
• le média de coordination : Le mot média fait référence au dispositif utilisé pour
acquérir, rendre accessible et/ou transmettre l’information utile à la coordination.
Il peut s’agir d’un simple canal de transmission ou d’un espace d’échanges partagé
plus au moins réactif (Blackboard ou autre). Il peut aussi faire référence à un
intermédiaire jouant le rôle de médiateur, lorsque la coordination se trouve
incarnée dans un composant à part entière. Le média correspond à un composant
de l’architecture logicielle qui supporte la coordination ;
• les règles de coordination : Il s’agit des lois ou mécanismes qui régissent
l’interaction entre les entités via le média. Ces lois doivent être spécifiées et
implémentées à l’aide de langages. Au niveau opérationnel, ces lois peuvent être
exprimées à l’aide de primitives d’accès au média et intégrées à un langage hôte, ou
être exprimées dans un langage de coordination spécifique que l’on souhaite, si
possible, déclaratif pour préserver une part d’autonomie aux entités.

Le modèle de coordination que nous préconisons est lui orienté négociation cognitive entre
ACM [Ghomari 2006].

La négociation est une une stratégie de résolution qui permet, une fois un conflit détecté,
d’amener les différentes parties impliquées à co-construire une solution. Durant la
négociation, chacun peut intervenir pour proposer une nouvelle solution au conflit, en
soutenir ou se positionner contre une proposition existante.

Une situation de conflit peut être résolue au sein d’un système multi-agents par le suivi de
règles témoignant d’un arbitrage (dans le cas d’agents réactifs) ou bien l’obtention d’un accord
résultant d’un processus de négociation (dans le cas d’agents cognitifs) comme c’est la cas
dans notre situation décisionelle.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 191

Le modèle de coordination adapté à notre situation décisionnelle comporte ainsi le triplet (A,
M, P) où :
• A représente les Auteurs : participants dans la négociation (le qui ?).
• M représente le Médium de communication (l’infrastructure partagée qu’est le
tableau noir) (le où ?)
• P le Protocole de négociation cognitive : Ensemble des règles régissant la
négociation à travers un jeu de propositions, contre-propositions et critiques, que
les ACM effectuent (le quoi ?) sur des attributs à négocier (dans notre cas, il s’agit
de négocier des connaissances statiques issues de la coopération des ACM dans le
cadre d’aide à la décision coopérative dans une organisation par processus), des
états de la négociation (le quand ?) (début de la négociation par des propositions,
l’état où des propositions sont acceptées et la fin de la négociation) ainsi que le
langage de négociation utilisé par les ACM pour échanger des connaissances
pendant la négociation (le comment ?) et des règles pour déterminer quand arrive-
t-on à un accord ou quand faut-il s’arrêter parce qu’aucun accord n’a pas ou pu être
trouvé.

VI.3.4.1. Auteurs : Participants à la négociation cognitive

Si L’ASU a comme rôle de déclencher et d’animer la co-construction coopérative des


connaissances par les ACM, ces derniers sont les principaux auteurs et acteurs de la
négociation cognitive. Ils bénéficient :
• de modes de perception : leur permettant d’incorporer des éléments de
connaissances via les SIAD, et via les autres agents.
• de raisonnement, interprétation
• de communication

VI.3.4.2. Média de communication

Pour supporter la négociation cognitive, un système doit proposer un espace partagé dédié au
conflit, dans lequel les agents peuvent intervenir en justifiant leurs interventions.

Etant donné le mode de contrôle centralisé de la coopération entre ACM, nous préconisons
ainsi le modèle de Blackboard19 ou tableau noir [Hayes-Roth 1984]. L’architecture permet aux
sources de connaissances que sont les ACM d’interagir autour d’une mémoire partagée.
Chaque ACM vient lire ou écrire sur cet espace partagé, selon un protocole de communication.

Chaque ACM a une pièce du puzzle, des éléments de raisonnement qui sont des pas de
résolution distincts du problème global. Le blackboard permet la collaboration entre acteurs,
par l'intermédiaire d'un media de communication (tableau) et d'un contrôleur assurant le
contrôle et l'écoute des acteurs et décidant de qui va agir.

19
Il existe différentes architectures de Blackbord (approches incluent l’architecture de contrôle standard,
architecture basée sur les agendas sophistiqués et les architectures multi-niveaux, etc ..).
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 192

Le choix de cette forme de communication (au regard de la communication directe) s’explique


notamment par les caractéristiques essentielles d’un tableau noir qui sont :
• L’indépendance de l’expertise (Spécialistes ou sources de connaissance travaillent
indépendamment des autres).
• Le besoin de contrôle. (un agent externe aux spécialistes dirige la progression de la
résolution du problème et gère l’activation des spécialistes)
• Le langage d’interaction commun.
• La génération de solution est incrémentale.

Nous avons scindé le tableau noir en trois sous-espaces (celui de départ (objectifs et
répartition des tâches), un autre pour les contributions et un troisième pour les résultats
(intermédiaires et finaux). (figure ci-dessous).

ASU AC-S

tableaunoir

Espace Espace Espace


AME
Objectifs contribution résulats AGO

{ACM1 , ... , ACMn}

Figure 61. Structuration de l’espace partagé (tableau noir)

L’architecture adoptée (figure ci-dessous) permet aux sources de connaissances que sont les
ACM (niveau micro) d’interagir autour d’un espace partagé. Chaque ACM vient ou lire ou
écrire sur cet espace. Le blackboard est ainsi une structure médiatrice contenant des
connaissances initiales, des contributions (Niveau médiation). L’ASU (niveau macro)
déclenche et anime l’acquisition de connaissances. Il intervient dans le processus de
coopération par la mise en cohérence et la validation des propositions (agrégats) proposées
par les ACM et se charge d’actualiser le langage commun ou langage pivot.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 193

ASU ACS Niveau supra


Agent SUperviseur langage pivot Agent Contrôle (global)
co-construitt Supra

Tableau noir
AME
Agent MEdiation sous-espace Niveau
sous-espace résultat médiation
objectifs
AGO sous-espace
Agent Gestionnaire contribution
des cOnnexions

Niveau infra
ACM (local)
Agent Coopératif Métier 1

Agent Coopératif Métier 2

Agent Coopératif Métier n

Figure 62. Modèle de coordination orientée négociation cognitive

VI.3.4.3. Protocole de négociation cognitive

VI.3.4.3.1. Caractéristiques du protocole

Si les ACMs peuvent uniquement accepter ou rejeter les propositions d’autres ACM, alors la
négociation peut être très longue et inefficace puisque l’auteur d’une proposition n’a pas le
moyen de vérifier pourquoi la proposition est inacceptable, ni si les agents sont proches d’un
accord, ni dans quelle direction une proposition peut être changée pour convenir à l’autre
agent.
Pour améliorer l’efficacité de la négociation, les ACM doivent fournir des réactions plus utiles
aux propositions qu’ils reçoivent. Ces réactions peuvent prendre la forme d’une critique ou
d’une contre-proposition. Une critique étant un commentaire sur la partie de la proposition
que l’agent accepte ou refuse. Une contre-proposition est une proposition alternative
engendrée en réponse à une proposition (proposition refusée ou modifiée). À partir de telles
réactions, l’auteur sera capable d’engendrer une proposition qui est plus apte à mener à un
accord (normalisation sémantique des propositions par rapprochements et mise en cohérence
aboutissant à la décision de retenir un ou plusieurs agrégats).
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 194

VI.3.4.3.2. Langage de négociation cognitive

Pour mener à bien un processus de négociation entre agents, il est nécessaire de définir des
primitives de négociation entre les agents.

Primitives spécifiques à l’ASU: L’agent superviseur possède trois primitives:


• Propose (objectifs) : primitive que le manager du processus envoie aux participants
pour leur proposer des objectifs. Les objectifs contiennent les indicateurs stratégiques
du niveau management.
• Confirme (proposition) : ce message indique aux ACM que la proposition est
confirmée. La négociation cognitive a été un succès. La connaissance est stockée dans
la mémoire des résultats.
• Annule (proposition): ce message indique aux ACM que la proposition est annulée. La
négociation a échoué. Les connaissances sont alors dirigées vers la mémoire de
désordre.

Primitives spécifiques aux ACMs: Les messages envoyés par les ACM sont destinés au autres
et/ou superviseur. Ces derniers prennent connaissance de ces messages via l’espace partagé
qu’est le tableau noir prévu à cet effet. Chaque ACM peut associer à sa proposition des
étiquettes qui permettent de la positionner par rapport aux autres propositions. Ces étiquettes
permettent d’établir des liens entre propositions, tels que : Appuie, Contredit,
Est_alternative_de, Est_version_de et Est_composant_de.

Ce mécanisme d’étiquettes est utilisé pour la négociation.

L’ACM possède quatre primitives de négociation :


• Accepte (paramètre): Ce message répond à l’appel à participation suite au dépôt
d’objectifs effectué par l’ASU.
• Publie proposition (étiquette, paramètre): L’ACM envoie une proposition. Une
étiquette est attachée à la proposition.
• Publie contre-proposition (étiquette, paramètre) : ce message répond à une
proposition émise. L’ACM formule une contre-proposition. L’étiquette contient
l’information nécessaire à la négociation.
• Publie critique (étiquette, paramètre) : ce message répond à une proposition. L’ACM
envoie une ou plusieurs critiques.

Pour les agents artificiels assistants, nous retenons plutôt les primitives correspondant à
l’interaction utilisateur – Système [Degreaf 1992], en d’autres termes :
• Send (Envoyer) : le système fournit une information en réponse à un utilisateur qui
n’en n’a pas demandé.
• Provide (Fournir) : le système fournit une info en réponse à une requête utilisateur.
• Receive (Recevoir) : le système reçoit une information qu’il n’a pas demandé
préalablement.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 195

• Obtain (Obtenir) : le système reçoit une information qu’il a demandé.

VI.3.4.3.3. Processus de négociation cognitive

Le protocole proposé permet d’aboutir à un langage pivot co-construit utile pour l’aide à la
décision stratégique.

Le processus dynamique de négociation cognitive s’articule autour de cinq phases avec des
itérations sur les phases d’acquisition de connaissances et de négociation sémantique :

1. Phase d’identification des compétences :

Une session se déclenche à partir du moment où des objectifs (besoins du niveau supra)
sont déposés dans le sous-espace des objectifs par l’ASU. L’AGO (Agent Gestionnaire des
cOnnexions) se charge de l’instanciation de la session (fig. ci-dessous). L’appel à
participation est lancé par la sélection des personnes ressources (compétences métier). Ce
sont les ACMs (experts décideurs métiers).

Figure 63. Diagramme d’activités « Lancement de négociation »

2. Phase de recceuil de connaissances (niveau local) :


VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 196

Le comportement de l’ACM se matérialise par une perception et une interprétation de


l’objectif fixé. Le SIAD personnel est utilisé comme corpus d’acquisition. Le
développement de la connaissance est basé sur un processus d'apprentissage par
association entre un objet et son abstraction. Deux phases sont observées :
o 1ère phase: associer une abstraction à l'objet. L'abstraction implique d'avoir un
modèle de représentation qui soit une structure opératoire (qui permette
l'explication synthétique du fonctionnement de l'objet).
o 2ème phase: manipuler cette abstraction dans sa confrontation avec l'objet ou
des objets similaires. L'apprentissage boucle sur lui-même: l'abstraction évolue
confrontée à l'action, et le processus cognitif pourra construire le cas échéant
des structures opératoires nouvelles.

Ainsi, tout ACM ayant une proposition doit la publier (déposer) dans le sous-espace
des contributions. L’AME (Agent MEdiation) alerte les autres ACM du dépôt. Le
processus de négociation peut ainsi démarrer.

3. Phase de négociation sémantique :

L’efficacité de la négociation passe par le fait que les agents doivent fournir des réactions
utiles aux propositions émises (figure ci-dessous).

Figure 64. Les catégories des réactions possibles à une proposition

On appelle réaction utile toute réaction visant de faire avancer le processus de négociation.
Elle est par essence constructive car dans une telle situation chaque ACM est amené à
communiquer avec les autres participants et coopérer avec eux pour pouvoir arriver à un
accord sur l’objectif de la négociation et par conséquent à extérioriser des connaissances
éventuelles.

Les réactions utiles peuvent prendre la forme soit d’une critique soit d’une contre-
proposition. Une critique est un commentaire sur une partie ou la totalité de la
proposition que l’agent décline, mais sans fournir une proposition proprement dite. Une
contre-proposition est une proposition engendrée en opposition à une proposition.
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 197

Une réaction-appui est le fait qu’un ACM approuve la proposition en question, en


apportant ou non une explication ou un commentaire sur celle-ci sans proposer une
solution.

À partir de telles réactions, le ou les auteurs seront capables d’aboutir à une proposition
plus apte à mener à un accord commun. Cette phase est par essence itérative (fig. ci-
dessous).

Figure. 65. Diagramme d’activités « Déroulement d’une négociation »

La co-construction de connaissances s’appuient sur des communications dans le langage


spécifique à base de primitives: c’est le langage de la co-construction et de la coopération
cognitive.

L’AME (Agent Médiation) y contribue par la gestion des sous-espaces du tableau noir. Au
bout d’un moment, si un consensus est obtenu pour une proposition, elle sera retenue et
est redirigée sur le sous-espace de résultats.

L’ASU joue le rôle d'animateur et peut donc soit:


VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 198

o aider à formuler la connaissance émergente au bout d'un certain délai d'activité des
ACMs.
o documenter les échanges, et ce grâce à l’ACS (Agent de Contrôle Supra) qui assure
la gestion des conversations effectuées.

4. Phase de contrôle et validation (niveau global) :

Le temps nécessaire au processus de négociation étant coûteux ; il doit être par conséquent
limité. Le contrôle du processus peut être automatique ou reposer sur une autorité (i.e. un
utilisateur particulier autorisé à agir sur sa gestion) pour y mettre fin. Dans tous les cas, il
faut qu’une proposition soit explicitement adoptée. Pour cela, plusieurs solutions sont
envisageables [Ferreira 2004]:
o le choix d’une proposition par l’autorité,
o la mise en place d’un système de vote,
o un calcul automatique de la meilleure proposition, en fonction des différents
messages de soutien ou de rejets des ACMs.
o l’application d’un système de priorités des points de vue.

Nous privilégions le contrôle par l’intermédiaire de de l’ASU à l’aide d’indicateurs


déterminant deux seuils : le premier pour l’adoption de la proposition et le second pour le
rejet de celle-ci. La validation globale consiste à retenir les propositions ayant recceuili un
nombre d’avis favorables dépassant le seuil d’acceptation et à rejeter les propositions
ayany atteint un certain seuil de réaction défavorables. Les seuils précédemment cités sont
définis par le manager du processus. Le langage pivot résultat est ensuite communiqué aux
autres acteurs locaux pour appropriation.

5. Phase de réajustement des objectifs :

L’ASU doit veiller à ce que l’objectif de départ soit couvert par les différentes propositions
émanant des ACM. Si ce n’est pas le cas, des modifications voire réajustements des
objectifs fixés sont opérées et une nouvelle itération peut commencer.

La figure ci-dessous synthétise le protocole d’interaction mis en œuvre lors de l’étape de


négociation sous la forme d’un diagramme de collaborations UML.
VI.3.5. Modèle de Conception

L’organisation de la négociation cognitive entre ACM passe par une assistance à travers un
environnement informatique support à une acquisition des connaissances agrégées émanant
de l’interaction des décideurs-métiers. Ce modèle sera présenté à travers : d’abord un
descriptif du diagramme de classes puis des objets manipulés et enfin une architecture
générale de cet environnement (objet du chapitre suivant).

Les agents, les tâches cognitives, les propositions, les critiques, les contre-propositions
représentent les objets conceptuels manipulés au cours d’une session du processus de
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 199

coopération cognitive. Ces objets entretiennent des liens entre eux. Les différents objets sont
modélisés selon la grammaire présentée dans le tableau suivant.
Notations Signification
A ::= B La syntaxe de A est définie par B
Symbole symbole terminal prédéfini
<symbole> symbole non terminal
symbole Symbole terminal
<symbole> un terminal du langage défini par l’utilisateur
A|B une alternative, A ou B
{}* expression apparaissant entre 0 et N
{}+ expression apparaissant entre 1 et N

Tableau 11. Notations de la grammaire de formalisation des entités [El Mansouri 1998]

VI.3.4.1. Description des agents

Un agent est défini par ses caractéristiques fondamentales, c’est-à-dire ses caractéristiques
internes qui sont indépendantes de ses interactions avec les autres agents. Un agent dispose
également des caractéristiques qui sont dépendantes de ces interactions, notamment les
propositions voire les contre-propositions ou critiques qu’il a émises. (figure ci-dessous)
<Agent> ::= Agent
Caractéristiques-internes : <c-internes>
Caractéristiques-coopératives : <c-coopératives>
Fin agent

<c-internes> ::= Nom : <nom agent>


Type 1 : cognitif /réactif
Type 2 : coopératif /superviseur
Type 3 : information/médiation/contrôle
Domaine :{<domaines de compétences>}+
Coordonnées : <coordonnées>
Etat : actif / non- actif / non disponible

<c-coopératives> ::= Rôle :{<tâches>}*


Propositions :{<nom proposition>}*
Critiques : {<nom critique>}*
Contre-propositions : {< nom contre-proposition>}*

Figure 66. Caractéristiques de l’agent


Tableau explicatif des caractéristiques des agents :
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 200

Nom : Identification de l’agent.


Type1 : Cognitif s’il se base sur des démarches cognitives pour réaliser ses
tâches. Réactif si l’agent se base sur des démarches prescrites pour
réaliser ses tâches.
Type2 : Coopératif si l’agent participe à la coopération en vue de la résolution
du problème ou « de contrôle » s’il a un rôle de superviseur (animateur
de la coopération entre agents coopératifs métiers)
Domaines : Domaines de compétence de l’agent.
Etat : Un agent peut être actif lorsqu’il est retenu dans le groupe ou inactif
dans le cas contraire. Il peut également se rendre non disponible.
Rôles : Un rôle correspond aux tâches attendues de l’agent. Notre système
n’exclut pas l’attribution de deux ou plusieurs tâches à un même agent
(agent cognitif). Les rôles sont donc la liste des tâches affectées à
l’agent.
Propositions : Liste des propositions présentées par l’agent.
Critiques : Liste des critiques
Contre-propositions : Liste des contre-propositions présentées par l’agent.

VI.3.4.2. Description d’un tâche cognitive

Une tâche cognitive est définie par ses caractéristiques fondamentales et ses caractéristiques
coopératives.
<Tâche> ::= Tâche
Caractéristiques-internes : <c-internes>
Caractéristiques-cooperatives : <c-coopératives>
Fin tâche

<c-internes> ::= Nom : <Nom tâche>


Type : cognitive /procédurale
compétences :{<compétences requises>}+
Localisation

<c-coopératives> ::= Allocation :< agent >


Propositions :{<nom propositions>}+
Critiques : :{<nom critiques>}+
Contre-propositions : :{<nom contre-propositions>}*

Figure 67. Caractéristiques de la tâche cognitive


VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 201

Tableau explicatif des caractéristiques des tâches :

Nom : Identification de la tâche.


Type : Une tâche peut être cognitive ou procédurale.
Compétences : Liste des compétences nécessaires à la réalisation de la tâche.
Localisation : Sous-espace du tableau noir où est déposé la tâche
Allocation : Identification de l’agent choisi pour réaliser la tâche.
Propositions : Liste des propositions .
Critiques : Liste des critiques.
Propositions : Liste des contre-propositions.

VI.3.4.3. Description d’une proposition

Une proposition est un des résultats de l’acquisition de connaissances locales. Elle peut être
générée :
• Indépendamment (dès sollicitation par le niveau supra ou au début de la négociation
cognitive)
• à partir des propositions précédentes de l’agent,
• A partir des propositions des autres ACM,
• à partir des contre-propositions faites par d’autres ACM au sujet de ses propositions,
au sujet de propositions précédentes.

<Proposition> ::= Proposition : <nom proposition>


Agent :<agent>
Date :<Date>
Source :<Source>
Signification émise :<signification émise>
Signification comprise :{<signification émise>}*
Localisation : <localisation>
Statut : <statut>

Figure 68. Caractéristiques de la proposition


Tableau explicatif des caractéristiques des propositions :
Nom : Identification de la proposition.
Agent : Agent propriétaire
Date : Date de la proposition.
Source Source (SIAD pour notre cas) ou autre
Signification émise Commentaire sur le sens voulu par la proposition
Localisation Sous-espace du tableau noir où est déposé la proposition
Statut
VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 202

VI.3.4.4. Description d’une contre-proposition

Une contre-proposition est une alternative en réponse à une proposition d’un ACM. Les
contre-propositions sont porteuses d’explications: informations sur la ou les raisons pour
lesquelles l’agent n’est pas d’accord.

La figure suivante présente le modèle de contre-proposition :


<Contre- Contre-proposition : <nom contre-proposition>
proposition> ::=
Proposition :<nom proposition>
Nature: positive / négative
Agent :<agent>
Date :<Date>
Explication :{<raison contre-proposition >}+
Localisation : <localisation>

Figure 69. Caractéristiques de la contre-proposition


Tableau explicatif des caractéristiques des contre-propositions :
Nom : Identification de la contre-proposition.
Proposition : Identification de la proposition concernée par la contre-proposition.
Agent : Agent propriétaire
Date : Date de la contre-proposition.
Explication La ou les raisons pour lesquelles l’ACM n’est pas d’accord.
Localisation Sous-espace du tableau noir où est déposé la contre-proposition

VI.3.4.5. Description d’un critique

Une critique est une réaction d’un ACM par un commentaire sur la proposition de l’agent
émetteur. Les critiques sont porteuses d’explications : informations sur la ou les raisons de la
critique et la signification comprise de la proposition émises. Les critiques sont porteuses de
connaissances.

La figure suivante présente le modèle de critique :


<Critique > ::= Critique : <nom critique>
Proposition :<nom proposition>
Nature : positive / négative
Signification :<signification comprise>
Agent :<agent>
Date :<Date>
commentaire : {<raison critique >}+
Localisation : <localisation>

Figure 70. Caractéristiques de la critique


VI. AMéACAA, Approche Méthodologique d’Acquisition de Connaissances Agrégées à base d’Agents 203

Tableau explicatif des caractéristiques d’une critique :


Nom : Identification de la critique.
Proposition : Identification de la proposition concernée par la critique
Date : Date de la critique
Signification Signification comprise de la proposition
comprise
Agent : Agent propriétaire
Nature : Positive si accord sur une partie de la proposition, négative si
désapprobation d’une partie de la proposition.
Commentaire La ou les explications supplémentaires
Localisation Sous-espace du tableau noir où est déposé la contre-proposition

VI.4. Conclusion

Nous avons décrit dans ce hapitre AMéACAA (Approche Méthodologique d’Acquisition de


Connaissances Agrégées à base d’Agents cognitifs coopérants) qui présente les spécificités
suivantes :
• Elle est coopérative : Grâce au modèle coopératif de MUSIC, les décideurs métiers
participent à l’élaboration de connaissances agrégées. Elle est guidée et animée par un
manager de processus pour la validation des connaissances. Nous avons abordé le
projet de coopération cognitive comme une unité organisée afin que chaque individu
qui apporte ses représentations et ses structures mentales trouve un terrain d’appui
pour penser et agir collectivement et inversement trouve dans le projet de quoi guider
son action et ses réflexions.
• Elle est adaptée à un usage business
• Elle repose sur une architecture à base d’agents, une organisation formelle à travers
un modèle de coordination orienté négociation sémantique et enfin des supports (un
langage de communication de haut niveau, et un environnement informatique support
à l’approche capable d’offrir une espace d’interaction utile pour l’aide à la décision
stratégique. Nous avons explicité les activités de recueil, contrôle et normalisation des
connaissances hétérogènes émanant du niveau infra (décideurs métiers) via le modèle
de coordination.
204

Chapitre VII. EnISACAA (Environnement


Informatique Support à l’Acquisition de
Connaissances Agrégées à base d’Agents coopérants).
VII. EnISACAA, Environnement Informatique Support à AMéACAA 205

VII.1. Introduction

Un outil de traitement d’information et de connaissance est le média indispensable pour


accompagner et mettre en place un processus. Dans la pratique, il y a intérêt à associer
étroitement réorganisation du travail et mise en place du traitement d’information ad hoc.

L’environnement logiciel support à AMéACAA baptisé EnISACAA (Environnement Support à


l’Acquisition de Connaissances Agrégées à base d’Agents coopérants) doit avoir des capacités
d’évolution et d’adaptation à différents contextes. Il doit donc être :
• paramétrable en fonction des caractéristiques des types d’utilisateurs et des processus
stratégiques adoptés.
• évolutif, pour permettre la progression du niveau de maturité des acteurs. Les acteurs
se perfectionnent individuellement à leur rythme. L’entreprise progresse globalement.
Il est question dans cette section de présenter les principaus objectifs d’EnISACAA puis
l’architecture générale et enfin un exmeple d’application qu’est le processus de RAO (Réponse
à Appels d’Offres).

VII.2. Objectifs assignés

Les principaux objectifs assignés à EnISACAA sont :


• Facilité d’emploi : La plate-forme doit être facile à exploiter par les agents cognitifs que
sont les ACMs et l’ASU. Il ne doit pas uniquement offrir un moyen convivial et simple à
utiliser mais pouvoir aussi faciliter l’accès aux sous-espaces et aux ressources
nécessaires à la coopération cognitive.
• Portabilité : Le prototype doit être facile à transférer sous différents environnements
matériels et logiciels.
• Extensibilité : Le prototype doit offrir des facilités de manière à insérer des
modifications ou extensions de fonctionnalités à partir du moment où le système est
amené à s’insérer dans le paysage technologique de l’organisation apprenante.

VII.3. Architecture générale

Pour répondre aux exigences de modularité et d’évolutivité, EnISACAA est organisé en


modules indépendants. Chaque module doit permettre la mise en œuvre de l’acquisition
coopérative de connaissances agrégées pour le besoin des systèmes d’aide à la décision
stratégique.

Il est envisagé une conception adaptée aux spécificités des processus cognitifs des décideurs,
qui demandent :
• une interface homme-machine supportant les processus mentaux des usagers
(mémorisation, coopération homme-machine plus ou moins guidante,…),
VII. EnISACAA, Environnement Informatique Support à AMéACAA 206

• un accès aisé aux connaissances agrégées issues de la coopération cognitive,

L’architecture d’EnISACAA proposée prend en compte les différentes étapes du processus de


négociation cognitive (figure ci-dessous)
ASU (ACM 1, .. ACM i)

Interface multi-auteurs

Gestionnaire des Gestion de


agents projet

Gestionnaire de
Gestion des
l'espace partagé
conversations

Administration et analyse

Mémoire de Mémoire Langage


désordre de travail pivot

Figure 71. Architecture générale d’EnISACAA [Ghomari 2007]

EnISACAA est composé de six modules de base et trois catégories de mémoires (une mémoire
de désordre ou corbeille, une mémoire de travail (jouant le rôle de mémoire des conversations)
et une mémoire des résultats validés ou langage pivot) :

• Module Interface multi-auteurs :

L’interface multi-auteurs est divisée en zones aux contenus et aux fonctionnalités


distinctes. Ce module permet aux agents cognitifs (ASU et ACM) d’accéder aux espaces
d’interaction voire d’intéragir avec le système.

• Module Gestion de projet :

La gestion de projet n’est pas aisée à mettre en œuvre notamment dans les cas liés aux
organisations transversales. En effet, la superposition entre le mode fonctionnel et le
mode projet présente des difficultés : disponibilités des acteurs, hiérarchie du projet
différente de la hiérarchie de l’entreprise, souplesse de l’équipe par rapport à la rigidité
du fonctionnement de l’entreprise.

Le module gestion de projet permet au manager du processus une facilité dans la


constitution de l’équipe pluri-disciplinaire et l’affectation des tâches au fur et à mesure
de l’avancement du projet. Un annuaire d’expertise est constitué afin de faciliter
l’identification des décideurs métiers selon compétences et domaines d’intérêt. Le
module permet ainsi d’afficher des informations concernant ces personnes ressources.

Une personne ressource est décrite comme suit :


VII. EnISACAA, Environnement Informatique Support à AMéACAA 207

o Coordonnées (nom, structure, adresse, téléphone, fax, mail)


o Compétences (métier, expertise, expérience, réalisation)

• Module Gestionnaire des agents :

Ce module permet d’instancier les agents ACS, AGO et AME. Une Base de
conversations (mémoire de travail) stocke toutes les informations liées aux
conversations en cours telles que l’identité des ACM, l’identité du superviseur, la date
de création de la session, etc..

• Module Gestion de l’espace partagé (ou espace d’interaction) :

L’interaction entre ACM est rendue possible grâce au tableau noir (organisation
préétablie dans lesquels ces interactions peuvent se produire).

Deux moyens de diffusion de connaissances sont généralement utilisés :


o Le mode Pull, où l’ACM doit suivre une procédure bien définie pour retrouver la
connaissance.
o Le mode Push, où les connaissances sont poussées aux ACMs par le biais
d’agents spécialisés.
Nous privilégions le second moyen. Il fait ainsi partie des briques de base de notre
environnement informatique. L’AME y joue ce rôle grâce à un moteur d’alerte.

• Module de Gestion des conversations (négociation cognitive) :

Ce module central permet d’assister les ACMs lors de la phase de négociation


sémantique. Les tâches cognitives, les propositions, les contre-propositions et les
critiques représentent les objets conceptuels manipulés au cours du processus de
négociation cognitive.

Ce module tire parti de l’architecture dans laquelle il s’intègre et notamment du


«tableau noir», qui joue le rôle d’espace partagé par les ACMs et dont ceux-ci se
servent pour publier leurs propositions. Chaque ACM peut associer à sa proposition
des étiquettes qui permettent de la positionner par rapport aux autres propositions.
Ces étiquettes permettent d’établir des liens entre propositions, tels que Appuie,
Contredit, Est_alternative_de, Est_version_de, et Est_composant_de. Ce mécanisme
d’étiquettes est utilisé pour la négociation. La trace de toutes ces publications et des
liens entre les propositions est archivée dans la mémoire de travail.

Notre module de négociation cognitive fonctionne de la façon suivante : un conflit est


détecté à partir du moment où une ou plusieurs propositions sont déposées dans le
tableau noir. Un processus de négociation est alors amorcé. La négociation est réalisée
par la publication de propositions en lien avec les propositions en conflit.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 208

Dans les dialogues, le temps nécessaire à un processus de négociation est coûteux et


doit être limité. Le contrôle de ce processus peut être automatique ou reposer sur une
autorité (i.e. un utilisateur particulier autorisé à agir sur sa gestion) pour y mettre fin.

Dans tous les cas, il faut qu’une proposition soit explicitement adoptée. Pour cela,
plusieurs solutions sont possibles : le choix d’une proposition par l’autorité, la mise en
place d’un système de vote, un calcul automatique de la meilleure solution, en fonction
des différents messages de soutien ou de rejet des participants.

Ce module permet d’avoir un référentiel validé des connaissances issues de la


négociation. En effet, il permet au superviseur de juger de la pertinence des résultats
issus de la négociation cognitive entre ACM. Les connaissances validées seront
proposées à la réutilisation pour concrétiser le partage du langage pivot par d’autres
projets.

Le positionnement de la mémoire des résultats (langage pivot) est ainsi bien


particulier: ce n’est pas une mémoire des procédures routinières, c’est une mémoire
formalisée constituée par et pour les besoins de l’aide à la décision stratégique qui
s’appuie sur de la connaissance business (de haut niveau).

• Module Administration et Analyse :

Outre l’administration des comptes des auteurs, l’environnement renferme des outils
permettant la surveillance du trafic et l’utilisation des diverses ressources, etc… De tels
indicateurs permettent de révéler la qualité et la pertinence des sollicitations du
système.

VII.4. Environnement de développement

Nous avons opté pour une architecture client/serveur 3-tiers : un serveur d’application, un
serveur de données et les postes clients. L’architecture «Model-View-Controller» est assez
répandue dans le développement d’applications web. Elle permet de structurer une application
en distinguant la partie présentation d’une part et le code applicatif d’autre part, ce qui facilite
le développement en équipe, la relecture et la maintenance.

Une application web 3-tiers a la structure suivante :

Figure 72. Application web 3-tiers


VII. EnISACAA, Environnement Informatique Support à AMéACAA 209

• La couche d’accès aux données [dao] s'occupe le plus souvent des données
persistantes au sein d'un SGBD. Mais cela peut être aussi des données qui proviennent
de capteurs, du réseau, ...

• La couche [metier] implémente les algorithmes " métier " de l'application. Cette
couche est indépendante de toute forme d'interface avec l'utilisateur. Ainsi elle doit
être utilisable aussi bien avec une interface console, une interface web et une interface
de client riche. Elle doit ainsi pouvoir être testée en-dehors de l'interface web et
notamment avec une interface console. C'est généralement la couche la plus stable de
l'architecture. Elle ne change pas si on change l'interface utilisateur ou la façon
d'accéder aux données nécessaires au fonctionnement de l'application.

• La couche [interface utilisateur] qui est l'interface (graphique souvent) qui permet à
l'utilisateur de piloter l'application et d'en recevoir des informations.

VII.4.1. Langages de programmation

Nous avons choisi JAVA comme langage car il est robuste, flexible et facile à utiliser. Il permet
de manière plus simple de respecter le design pattern MVC (Model View Controller).
Implémenter un MVC avec JAVA permet de créer des servlets (Controller), des JAVA Beans
(Model) et des JSP (View) ce qui confère une grande souplesse de développement (partages
nets des taches et des compétences sur un projet).

VII.4.2. Editeur de développement

Nous avons opté pour Eclipse, un environnement de développement intégré, dont le but est de
fournir une plate-forme modulaire pour permettre de réaliser des développements
informatiques et la gestion de plusieurs projets de moyenne et grande taille simultanément, en
fournissant un support multi-langage de haute qualité.

Il possède une architecture extensible et s’appuie sur le support d’une communauté open
source active.

VII.4.3. Plateforme des agents

JADE20 est un framework implémenté entièrement en Java. Il simplifie l’implémentation d’un


SMA à travers un middleware répondant aux spécifications de FIPA, une librairie de classes
que les utilisateurs peuvent utiliser et étendre ainsi qu’un ensemble d’outils graphiques à
savoir le « Sniffer Agent » ou encore le « Remote Monitoring Agent » qui permettent le
débogage et l’administration du SMA à concevoir.

20
Giovanni Caire, “ JADE Tutorial: JADE programming for beginners », TILab, formerly CSELT, 2003.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 210

Jade inclut tous les composants obligatoires qui contrôlent un SMA. Ces composants sont
l’ACC (Agent Communication Channel), l’AMS (Agent Management System) et le DF
(Directory Facilitator). Ces agents représentent respectivement les services de pages blanches
et jaunes. Toute la communication entre agents est exécutée par messages FIPA ACL. La plate-
forme d'agent peut être répartie sur plusieurs serveurs. Une seule application Java, et donc
une seule machine virtuelle de Java (JVM), est exécutée sur chaque serveur. Chaque JVM est
un conteneur d'agents qui fournit un environnement complet pour l'exécution d'agent et
permet à plusieurs agents de s'exécuter en parallèle sur le même serveur.
VII.4.4. Editeur de l’ontologie

Protégé est un outil d'édition, visualisation et contrôle (vérification des contraintes)


d'ontologies (des systèmes basés sur les connaissances), l'extraction d'ontologies à partir de
sources textuelles et la fusion semi-automatique d'ontologies. Le modèle de connaissances
sous-jacent à Protégé2000 est issu du modèle des frames et contient des classes (concepts),
des slots (propriétés) et des facets (valeurs des propriétés et contraintes), ainsi que des
instances des classes et des propriétés.
VII.4.5. Système de gestion de bases de données (SGBD)

PostgreSQL est un système de gestion de bases de données relationnelles objet, fiable et


relativement performant. Le SGBD supporte une grande partie de la norme SQL-92 et possède
en plus un certain nombre d'extensions (Java, Ruby, PL-SQL). Il supporte aussi l’objet
relationnel dont les extensions sont spécifiées dans la norme SQL-99. Néanmoins, PostgreSQL
étant la seule base libre à supporter l'objet relationnel, tout en restant simple d'utilisation et
d'administration.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 211

VII.5. Description des principales fonctionnalités d’EnISACAA

L’utilisateur doit se connecter par un nom d’utilisateur et un mot de passe. Si ce dernier figure
au niveau de la base de données de l’organisation, il se connecte la première fois en saisissant
son nom pour nom d’utilisateur (login), et son prénom pour mot de passe (password).

Figure 73. Page d’accueil d’EnISACAA

Cette page présente brièvement le prototype et la zone de connexion. Dès que l’utilisateur est
authentifié (Superviseur, décideur métier ou administrateur), une page d’accueil personnalisée
selon son profil lui est affichée.

VII.5.1. Constitution d'un réseau d’agents coopérants

Le prototype offre la possibilité de constituer un réseau d'agents disposant des compétences


nécessaires pour réagir rapidement aux appels d'offre. Chaque agent est identifié au sein du
réseau par les compétences dont il dispose. Les personnes ressources sont ainsi décrits :
• Profil (nom, fonction, activité)
• Coordonnées (structure, adresse, téléphone, fax, mail)
• Compétences (expertise, expérience, réalisation)
Le prototype permettra de spécifier les rôles requis des ACM en fonction des compétences
requises.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 212

Figure. 74. Les agents d’EnISACAA

VII.5.2. Gestion du projet

La figure suivante montre le cas de création de projets. Le formulaire de création est


décomposé en deux parties : la première relative aux informations sur le projet, la seconde
pour déterminer les objectifs du processus. A cahque sélection d’un champ du formulaire,
l’aide contextuelle apparaît (en coulissant horizontalement et affichant des explications
concernant ce champ).

Figure 75. Page Créer un projet (partie1)


VII. EnISACAA, Environnement Informatique Support à AMéACAA 213

Figure 76. Page: créer un projet (partie2)

Le superviseur peut avoir accès aux projets (achevés, en cours et ceux planifiés pour l’année en
cours). Il peut consulter son compte ou accéder au menu (gestion de projets et gestion des
coopérations, consulter le calendrier des évènements et une aide contextuelle).

Figure 77. Page d’accueil d’un superviseur (projets en cours)

Lorsqu’il sélectionne Projets ou Gestion des projets, il aura page suivante:


VII. EnISACAA, Environnement Informatique Support à AMéACAA 214

Figure 78. Page Gestion des projets

Il est alors possible de créer de nouveaux projets, les éditer, les lancer, les clore. Le menu à
gauche est dédié justement à cette gestion.

VII.5.3. Gestion des conversations médiées entre ACMs

L’ACM ou décideur métier a accès aux projets auxquels il participe. Les conversations entre
ACM est possible à travers le « tableau noir », qui joue le rôle d’espace partagé par les ACM, et
dont ceux-ci se servent notamment pour publier leurs propositions.

Figure. 79. Page d’accueil ACM


VII. EnISACAA, Environnement Informatique Support à AMéACAA 215

Cette page permet à l’ACM de suivre l’avancement de la coopération lancée. Elle est
fractionnée en quatre parties :

1 : Panneau contenant les contributions des ACMs ;


2 : Zone de contribution pour l’ACM avec un menu à gauche et une zone de saisie ;
3 : Menu de visualisation des contributions ;
4 : L’équipe des ACMs.

Le système affiche toutes les propositions reçues des différents agents. A tout instant on peut
visualiser l'état courant de la négociation. Les agents réactifs sont activés dès le lancement de
la coopération pour assurer les tâches assignées à chacun d’eux.

Les ACMs peuvent à tout moment consulter le graphe des propositions mis à jour au fur et à
mesure des conversations entre ACM.

Figure. 80. Graphe des contributions lors d’une coopération

Les contributions apparraissent en couleur : Fond transparent : proposition , Fond rouge :


Contre proposition , Fond vert : proposition appui , Fond rose : Critique.

VII.5.5. Normalisation et validation des résultats de la négociation

Le système affiche toutes les propositions reçues des différents agents. A tout instant, l’ASU
peut visualiser l'état courant de la négociation.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 216

Figure. 81. Fenêtre de supervision d’une coopération

Cette page permet à l’ASU de suivre l’avancement de la coopération lancée. Elle est fractionnée
en quatre parties :
1 : Panneau contenant les contributions des ACMs ;
2 : En haut, le menu de visualisation des contributions. En bas les ACMs participants ;
3 : Menu de contrôle et de validation des propositions ;
4 : État d’avancement contenant un graphe des proportions des contributions et nombre de
contributions par acteurs.
En choisissant d’: Annuler/valider les propositions, la page suivante présentée en trois volets
est affichée :
VII. EnISACAA, Environnement Informatique Support à AMéACAA 217

Figure. 82. Volet contrôle de la coopération : nombre et type d’interaction par proposition

Ce volet présente le nombre total d’interaction sur chaque contribution ainsi que leur
proportion par types d’interaction en graphe, pourcentage et tableau.
VII. EnISACAA, Environnement Informatique Support à AMéACAA 218

Figure. 83. Volet contrôle de la coopération : Tris des contributions

Ce volet contient les tris des contributions par : nombre de versions, d’appuis, de critiques et
de contre-propositions.
L’ASU désirant valider une proposition, choisit , la1fenêtre de normalisation lui est affichée :

Figure. 84. Normalisation et validation d’une proposition sélectionnée


VII. EnISACAA, Environnement Informatique Support à AMéACAA 219

VII.6. Conclusion

EnISACAA assiste les différents décideurs-métiers dans la constitution et la structuration des


connaissances agrégées. Mais la connaissance business doit être communiquée et partagée
entre travailleurs du savoir, les uns utilisant, les autres fournissant.

EnISACAA gère des négociations cognitives entre les décideurs compétents ou acteurs métiers,
qui sont supervisées par un manager de processus.

Nous avons, dans ce chapitre, présenté le prototype que nous avons implémenté comme
support à AMéACAA. Ce prototype est hautement interactif dans la mesure où la spécification
des tâches et la détermination des différents agents intervenant dans le processus de décision
nécessitent une coopération entre le décideur et le système d'une part et entre l'ASU et les
ACM d'autre part. Le prototype présente également l'avantage d'être évolutif dans la mesure
où un agent peut être incorporé au système comme il peut cesser d'en faire partie. L'évolutivité
est une caractéristique intrinsèque dont doit disposer tout système qui évolue dans un
contexte qui est lui même évolutif.

Plusieurs domaines d’expérimentation sont identifiés, notamment :


• Les tableaux de bord stratégiques
• La prévention des risques professionnels dans la médecine du travail
• La gestion des projets industriels complexes
• Le lancement de nouvelles formations en milieu universitaires
• La conduite des opérations humanitaires
VII. Conclusion et Perspectives 220

CHAPITRE VIII. CONCLUSION ET PERSPECTIVES


VIII. Conclusion et Perspectives 221

VIII.1. Bilan

Nous concevons la recherche en système d’information et plus particulièrement en système


d’information pour l’aide à la décision stratégique, comme un champ profondément
interdisciplinaire centré sur l’ingénierie de connaissances [Bachimont 1996][Charlet
2000][Alquier 2001][Aussenac-Gilles 2005], les technologies de l’information et de la
communication [Scott Morton 1995][Davenport 1993] et bénéficiant des éclairages de la
psychologie cognitive et sociale [Getz 1994], de la linguistique [Prince 1996] et de la
théorie des organisations [Mintzberg 1982]. Cette interdisciplinarité, est le moyen de
théorisations fécondes et également un garant pour l’utilité des recherches effectuées.

Mes recherches m’ont amené à travailler plus particulièrement sur les thématiques de
l’ingénierie des systèmes d’aide à la décision stratégiques, de l’ingénierie de connaissances, la
coopération cognitive et l’interaction dans les systèmes multi-agents. La pluridisciplinarité
imposée par notre problématique, nous a poussés à y réserver une bonne partie de la thèse.

Nous avons par la suite proposé et décrit AMéACAA (Approche Méthodologique d’Acquisition
de Connaissances Agrégées à base d’Agents cognitifs coopérants). Elle présente les spécificités
suivantes :
• Elle est adaptée à un usage business : Elle prend en compte le problème de
l’acquisition des connaissances business. Leur acquisition est en effet difficile. D’une
part les informations de bas niveau sont peu explicitées dans les entreprises (floues,
insuffisantes, tacites, secrètes, détenues par des experts qui sont rares dans
l’entreprise, perdues dans l’histoire ancienne, transformées avec le temps, sous-
estimées, hétérogènes,…). D’autre part, même lorsque ces informations détaillées
existent, les informations de niveau business ne peuvent être obtenues directement par
des traitements statistiques ou de fouille de données [Fayyad 1996].
• Elle est coopérative : Grâce au modèle coopératif de MUSIC, les décideurs métiers
participent à l’élaboration de connaissances agrégées Elle est guidée et animée par un
manager de processus pour la validation des connaissances. Nous avons abordé le
projet de coopération cognitive comme une unité organisée afin que chaque individu
qui apporte ses représentations et ses structures mentales trouve un terrain d’appui
pour penser et agir collectivement et inversement trouve dans le projet de quoi guider
son action et ses réflexions. Nous avons explicité les activités de recueil, contrôle et
normalisation des connaissances hétérogènes émanant du niveau infra (décideurs
métiers) via le modèle de coordination.
• Elle fait émerger des connaissances agrégées de haut niveau : Ces connaissances
présentent un intérêt majeur : la cohérence entre le management et l’opérationnel, la
mise en œuvre des directives de management dans les opérations quotidiennes. Une
VIII. Conclusion et Perspectives 222

fois rassemblée et organisée, la connaissance business intéresse en effet l’entreprise


dans sa globalité. Elle est un levier d’évolution de l’entreprise apprenante.

VIII.2. Contributions

Nous avons tout au long de ce travail de recherche, apporter un certain nombre de


contributions que nous répartissons comme suit:

• En ingénierie d’aide à la décision stratégique : AMéACAA a la particularité d’être un


semi-prototypage. Elle repose :

o d’une part, sur une analyse itérative des besoins permettant une évolutivité,

o elle prend source des activités existantes d’autre part. En effet, dans le cadre de
décisions peu ou pas structurées comme celles auxquelles nous nous
intéressons, nous recherchons les exigences dans l’organisation de l’entreprise
elle-même.

• En IC (Ingénierie des Connaissances) : AMéACAA est orientée management des


connaissances dans les organisations par projets. L’approche méthodologique
proposée favorise l’émergence des connaissances à partir d’une langage commun co-
construit par les décideurs locaux.

• En SMA, AMéACAA propose la modélisation des interactions entre agents cognitigs


coopérants pour l’acquisition de connaissances agrégées de haut niveau. Nous avons
proposé ainsi une architecture à base d’agents, une organisation formelle et enfin des
supports (un langage de communication de haut niveau, et un environnement
informatique support à l’approche). Nous avons ensuite réalisé le prototype logiciel
baptisé EnISACAA prenant en compte les différentes étapes du processus de
négociation cognitive. EnISACAA apporte une solution au problème de la négociation
cognitive entre décideurs dans le cadre d’une organisation par processus et ce par
l’utilisation des TIC (Technologies de l’Information et de la Communication). Cette
gestion informatisée des savoirs et des savoir-faire basée sur la négociation sémantique
permettra de faire circuler les connaissances co-construites, la coordination des
interactions entre acteurs cognitifs. On fait ainsi passer de l'organisation de la
transmission descendante des ordres à la gestion ascendante des ressources cognitives
des centres opérationnels.

Nous considérons ce sujet de recherche comme un défi à nos organisations. En effet, les
systèmes d’aide à la décision stratégiques nous invitent à l’intelligence collective. La diversité
et la variabilité des attitudes personnelles et organisationnelles imposent un travail
d’accompagnement particulier sur le plan de la gestion des ressources humaines. Il s’agit
notamment :
VIII. Conclusion et Perspectives 223

• D’identifier et de caractériser les contraintes organisationnelles de la mise en œuvre de


d’AMéACAA: en amont, le diagnostic organisationnel du ou des processus concernés
permet de repérer les éléments favorables au développement d’une culture de partage
ou au contraire, ceux qui l’entraveront en restant incompatibles. Ceci permet de
prévoir les dispositifs d’accompagnement à l’introduction de l’approche.

• D’impliquer la hiérarchie : l’engagement de la hiérarchie dans une démarche de


changement conditionne son déroulement et son efficacité. La volonté stratégique du
changement doit être clairement affichée par la direction, relayée par responsables
hiérarchiques et maintenue dans le temps.

• De communiquer et former : au-delà d’un changement de techniques ou d’outils, il


s’agit d’impulser un changement de culture en phase avec la réalité ou les exigences du
monde moderne. La communication et la formation sont ainsi les deux leviers d’action
à mobiliser. Les décideurs ont un rôle essentiel à tenir afin que chacun s’approprie ces
nouveaux enjeux et leurs conséquences sur ses façons de penser et d’agir.

• De mener un travail particulier d’ingénierie de la formation : homogénéisation des


référentiels et de leur gestion (langage pivot pour la coopération), variété des niveaux
d’apprentissage (utilisateurs qui changent de méthodes et d’outils, usagers qui doivent
comprendre le sens des changements). Exploiter le rôle formateur d’agents du
changement : dans le cas particulier de PRIMA, projet auquel nous avons partiellement
participé (projet CMEP 00MDU485 de 2000 à 2002), il a été remarqué que les acteurs
du processus de RAO (managers et techniciens), par leur implication dans le
changement, peuvent devenir des relais naturels dans l’effort de développement d’une
nouvelle culture du risque.

VIII.3. Perspectives

Ce travail de recherche ouvre de nouvelles perspectives. Plusieurs points abordés par


l’approche méthodologique méritent d’être approfondis, notamment :

• Etendre l’acquisition à d’autres corpus donc d’autres sources de connaissances : Si les


SIAD locaux ont été pris comme corpus d’acquisition de connaissances, nous pensons
qu’il est intéressant d’élargir la réflexion vers d’autres corpus de connaissance
(datamining agrégatif, datamarts, …).

• Tenir compte de l’aspect temporel dans la phase de co-construction de connaissances


agrégées : ceci dans un souci de performance du processus général d’acquisition
envisagée.

• Elargir la coopération cognitive entre décideurs dans le cadre d’une organisation plus
vaste qu’est une entreprise étendue (systèmes d’informations inter-entreprises).
VIII. Conclusion et Perspectives 224

Du point de vue de l’environnement support à AMéACAA, les actions qui méritent d’être
poursuivis sont:

• Multiplier les tests d’EnISACAA, le prototype logiciel support à AMéACAA : Les cas
concernés doivent être caractérisés par l’autonomie des agents dans leur prise décision
et leurs activités respectives, et l’existence d’un agent coordinateur des décisions. Nous
pensons, notamment à la gestion des projets industriels complexes (construction de
bâtiments, production de systèmes industriels, etc.), le lancement de nouveaux
produits dans le cadre de la formation, la conception de tableaux de bors stratégiques.
Ce qui caractérise ces domaines est l’intérêt de construire des réseaux, formés d’agents
potentiellement coopérants, capables de réagir rapidement pour prendre des décisions.

• Simuler le comportement des experts métiers en situation de conflit cognitif par le


biais d'agents artificiels mettant en oeuvre le modèle des cartes cognitives afin de
montrer l’atout qu’ils représentent pour la modélisation de situations complexes
comme celle de la coopération cognitive pour l’aide à la décision stratégique.

• Intégrer une ontologie de gestion de compétences : Les processus d’identification des


compétences requises restent très difficiles. Il nous semble intéressant d’envisager un
système qui permettra de bien les représenter et ce en y intégrant une véritable
ontologie de gestion de compétences.

Notre passion pour l’étude des systèmes d’information et l’espoir de conseiller de jeunes
chercheurs, tout en nous enrichissant de leurs approches nous rendent confiant dans la
poursuite de nos recherches. Formulons l’espoir que ce travail contribuera aux recherches
futures relatives à l’ingénierie des systèmes d’information et plus particulièrement à la
problématique de l’inégnierie des systèmes d’information pour l’aide à la décision stratégique
(coopérative).
Références Bibliographiques 225

REFERENCES BIBLIOGRAPHIQUES
Références Bibliographiques 226

[Admane 2000] Admane L., Ghomari A.R., « K-Discover, un outil de découverte de


connaissances à partir de bases de données utilisant les graphes latticiels »,
CARI’2000, Antananarivo, Madagascar, 2000.

[Admane 2006] Admane L. “Une démarche et un méta-modèle pour la conception de mémoires


d’entreprises basées sur la réutilisation, », Thèse de Doctorat d’Etat, INI, 2006.

[Adrians 1996] Adrians P., Zantinge D. “Data mining”, Addison-Wesley, 1996.

[Agrawal 1993] Agrawal R., Imielinski T. et Swami A., “Mining Associations between Sets of
Items in Massive Databases”, ACM-SIGMOD, Conference on Management of
Data, Washington, 1993.

[Almashari 2002] Almashari M., Zairi M., Alathari M., “An Empirical Study Of The Impact Of
Knowledge Management On Organizational Performance. ”, Journal of
Computer Information Systems, Vol. 42, no5, 2002, pp. 74-83.

[Alquier 1993] Alquier A.M., « Modélisation des systèmes d’information : modèle coopératif.
Application à l’audit et aux schémas directeurs informatiques », Habilitation à
Diriger les des Recherches, Université Toulouse1, 1993.

[Alquier 1998a] Alquier A.M, Tignol M.H., «Management des connaissances et management
par projets », IC’98, Nancy, France, 1998.

[Alquier 1998b] Alquier A.M, Tignol M.H., «A method for knowledge capitalization in project
management, application to a decision support system for bidding» IPMA’98,
14éme Congrès sur le Management de Projets, Ljubjana, Slovenie, 10-
13/06/1998.

[Alquier 1999] Alquier A.M, Solivares H., Tignol M.H., « Aide à la décision pour réponse à
appels d’offres et management du système d’information », Journal of
Decision Systems, Volume 8, N° 1/1999, p 101-122.

[Alquier 2000] Alquier, A. M., Tignol, M.H., «Management des connaissances et management
par projet», in Charlet J., Zacklad M., Kassel G., Bourigault, D. (Eds),
Ingénierie des connaissances, évolutions récentes et nouveaux défis, Eyrolles,
2000.

[Alquier 2001] Alquier A.M, Tignol M.H « Project management technique to estimate and
manage risk of innovative projects », », IPMA’01 (International Project
Management Association), Suède, 2001.

[Alter 1977] Alter, S., « A Taxonomy of Decision Support Systems », Sloan Management
Review, Vol. 19, N°1, pp.39-57, 1977.

[Amabile 2002] Amabile S., Caron-Fason M.L, “Contributions à une ingénierie des systèmes
d’information orientée « complexité » », Chapitre 3, dans « Faire de la
recherche en système d’information », Vuibert Fnege, 2002.
Références Bibliographiques 227

[Angele 1996] Angele J., Fensel D. et Studer R., « Domain and task modelling in MIKE”,
Chapman & Hall, 1996.

[Ansoff 1976] Ansoff I. « From strategic planning to strategic management », Wiley, 1976.

[Ansoff 1984] Ansoff I., «Implementing strategic management”, Prentice Hall, 1984.

[Ansoff 1989] Ansoff, H.I., «Stratégie du développement de l’entreprise », Edition Française


revisée, Les Editions d’Organisation, Paris, 1989.

[Anthony 1965] Anthony, R.N., «Planning and Control Systems: A Framework for Analysis”,
Harvard University Graduate School of Business Administration, Studies in
Management Control, Cambridge, 1965.

[Argyris 1996] Argyris, C. & Schon D.A, “Organizational Learning II”, Addison Wesley, 1996

[Arrelge 2001] Arregle J.L., “Policy capturing et modèles linéaires hiérarchiques : une
démarche de collecte et d’analyse des décisions managériales ». Actes de la
Xème Conférence Internationale de l’AIMS, Québec, Juin 2001.

[Arthus 1997] Arthus I, « Détermination des besoins en information : proposition d’une


méthodologie utilisant les cartes cognitives pour aider les managers à
déterminer leurs informations décisionnelles », Thèse de Doctorat, ESA,
Grenoble, 1997.

[Atlan 1979] Atlan, H., «Entre le cristal et la fumée», Seuil 1979.

[Atlan 2000] Atlan, H., «La finalité», Hors série Science&Avenir, 2000.

[Aussenac 1989] Aussenac N., « Conception d’une méthode et d’un outil d’acquisition de
connaissances expertes », Thèse de Doctorat en Informatique, Université Paul
Sabatier, Toulouse, 1989.

[Aussenac 1996] Aussenac-Gilles N., Laublet, Reynaud, « Acquisition et ingénierie des


connaissances : Tendances actuelles », Cépaduès-Editions, 1996.

[Aussenac 2005] Aussenac-Gilles N., « Méthodes ascendantes pour l’ingénierie des


connaissances », Habilitation à Diriger les Recherches, Université Paul
Sabatier, Toulouse, 2005.

[Avenier 1988] Avenier M.J, « Le pilotage stratégique de l’entreprise », CNRS, 1988.

[Bachimont 1996], Bachimont B., « Herméneutique matérielle et Artéfacture : des machines qui
pensent aux machines qui donnent à penser. Critique du formalisme en
intelligence artificielle ». Thèse de Doctorat Informatique, Ecole Polytechnique,
1996.

[Baghdadi 1997] Baghdadi Y., « Contribution Méthodologique à la conception de Systèmes


d’Information Coopératifs », Thèse de Doctorat en Informatique, Université
Toulouse I, 1997.

[Bartoli 1996] Bartoli J.A., Le Moigne J.L., « Organisation intelligente et Système


Références Bibliographiques 228

d’information », Economica, 1996.

[Boehm 1988] Boehm B.W. «A Spiral Model of Software Development and Enhancement”,
IEEE Computer, 21(5), 61-72, 1988.

[Boissier 2001] Boissier.O, «Modèles et architectures d’agents”. Principes et architecture des


systèmes multi-agents, Chapitre 2, J. P. Briot, Y. Demazeau (dir), Hermès
Science Publications, 2001.

[Boissier 2004] Boissier O., Gitton S., Glize P., «Caractéristiques des systèmes et des
applications », Observatoire Français des Techniques Avancées : Systèmes
Multi-Agents, Série ARAGO 29.

[Bolloju 2002] Bolloju, N., Khalifa, M., Turban, E., “Integrating knowledge management into
enterprise environments for the next generation decision support.” Decision
Support Systems, Vol.33, no2, pp.163-176, 2002.

[Bonabeau 1997] Bonabeau E., Theraulaz, G., Deneubourg, J.-L., Aron, S., Camazine, S., «Self-
organization in social insects”, Trends in Ecology and Evolution, p. 188-193,
1997.

[Booch 1998] Booch, G., Jacobson, I., Rumbaugh, J. « The Unified Modeling Language User
Guide », Addison-Wesley, 1998.

[Bouguettaya 1998] Bouguettaya A., Benatallah A., Elmagarmid A.,« Interconnecting


Heterogeneous Information Systems », Kluwer Academic Publishers, 1998.

[Breucker 1994] Breucker J., De Velde W.V, “CommonKADS Library for Expertise Modelling,
Reusable Problem Solving Components”, IOS Press, 1994.

[Camps 1998] Camps V. « Vers une théorie de l’auto-organisation dans les systèmes multi-
agents basée sur la coopération », Thèse de Doctorat, Université Paul Sabatier,
Toulouse, 1998.

[Carlsson 2002] Carlsson, C. & Turban, E., « DSS: directions for the next decade », Decision
Support Systems, Vol. 33 (2), pp.105-110., 2002

[Chaib-Draa 1987] Chaib-Draa B., Millot P. : « Architecture pour les systèmes d’intelligence
artificielle », IEEE Compint’87, Montréal 1987.

[Chaib-Draa 1993] Chaib-Draa B., Moulin B. : « Problématique de la résolution distribuée de


problèmes », Analyse de systèmes, Vol. 19, No. 1-2, Mars-Juin 1993.

[Chaib-Draa 1996] Chaib-draa B., “Interaction between agents in routine, familiar and unfamiliar
situations”. International Journal of Intelligent and Cooperative Information
Systems, Vol. 1, n° 5, p. 7-20, 1996.

[Chaib-Draa 2001] Chaib-Draa B., Jarras I., Moulin B., “Systèmes multi-agents : principes
généraux et applications”. Principes et architecture des systèmes multi-agents,
Chapitre 1, J. P. Briot, Y. Demazeau (dir), Paris, Hermès Science Publications,
2001.
Références Bibliographiques 229

[Chalal 2006] R. Chalal, Ghomari A.R, Alquier A.M, “Capitalizing On Process Knowledge In
Bidding Processes”, JKMP (Journal of Knowledge Management Practices), Vol.
7, No. 4, December 2006, disponible sur www.tlainc.com/articl121.htm.

[Chalal 2007] R. Chalal, “ Elaboration d’une approche pour la capitalisation coopérative des
connaissances sur les risques produit en phase initiale d’un projet industriel ”,
Thèse de Doctorat d’Etat, INI, Décembre 2007.

[Chalal 2008] R. Chalal, Ghomari A.R, « TUPROD, an Assistant Tool for the dUrable PRoduct
Design», IJETM, Vol. 8, N°1, pp.23-36, 2008, disponible sur
www.indersience.com.

[Charlet 2000] Charlet J., Zacklad, M., Kassel, G., Bourigault, D., « Ingénierie des
connaissances : recherches et perspectives », In Charlet, J., Zacklad, M.,
Kassel, G., Bourigault, D. (Eds). Ingénierie des connaissances, évolutions
récentes et nouveaux définis, Eyrolles, 2000.

[Charlet 2003] Charlet J., « L’ingénierie des connaissances : Développements, résultats et


perspectives pour la gestion des connaissances médicales », Mémoire
d’Habilitation à Diriger des Recherches, Université Pierre et Marie Curie, 2003.

[Charlot 2002] Charlot J.M, Lancini A. « De la connaissance aux systèmes d’information


supports », chapitre 8, dans « Faire de la recherche en système d’information »,
coordonné par Rowe F., Vuibert Fnege, 2002.

[Courbon 1993] Courbon J.C., « Système d’information : structuration, modélisation et


communication », Inter-Editions, 1993.

[Cyert 1970] Cyert, R.M., March, J.G., “Processus de décision dans l’entreprise, Dunod,
1970.

[Davenport 1993] Davenport T.H., “Process innovation – Reengineering work through


information technology”, Harvard Business School, 1993.

[Davenport 1998] Davenport T.H., Prusak D., «Working knowledge: how organizations manage
what they know ”, Harvard Business Press, 1998.

[Davis 1986] Davis G.B, Olson, Ajenstat J., Peaucelle. J.L., « Système d’Information pour le
management », Editions Vermette, 1986.

[Decortis 1994] Decortis F., Pavard B. : «Communication et coopération : de la théorie des


actes de langage à l’approche ethnométhodologique », dans « Systèmes
coopératifs : de la modélisation à la conception », sous la direction de Pavard B.,
Editions Octares, 1994.

[DeGreef 1992] De Greef H.P., Breuker J.A., «Analysing system-user cooperation in KADS”, in
“Knowledge Acquisition”, (4): 89-108, 1992.

[Demazeau 1995] Demazeau Y., «From Interactions to Collective Behaviour in Agent-Based


Systems”, Proceedings of the First European Conference on Cognitive Science
Références Bibliographiques 230

(ECCS’95), Saint Malo, France, pages 117–132, 1995.

[Demazeau 2001] Demazeau Y., «Voyelles », Habilitation à Diriger des Recherches, INP Grenoble,
2001.

[De Rosnay 1975] De Rosnay J. « Le Macroscope : vers une vision globale », Seuil, 1975

[Desanctis 1987] Desanctis G., Gallupe R.B., «A foundation for the study of group decision
support systems”, Management Science, Vol. 33, No. 5, May 1987.

[De Tersssac 1994] De Terssac G., Lompré N., «Coordination et coopération dans les
organisations » dans « Systèmes coopératifs : de la modélisation à la
conception », sous la direction de Pavard B., Octares, 1994

[Dhar 1993] Dhar V., Tuzhilin A, «Abstract-Driven Pattern Discovery in Databases », IEEE
Transactions on Knowledge and Data Engineering, Vol 5, N°6, Décembre 1993.

[Dieng 1990] Dieng R., «Méthodes pour la modélisation des connaissances » Rapport de
Recherche N° 1624, INRIA, 1990.

[Dieng 2002] Dieng R., « Panorama : Méthodes et outils pour la gestion des
connaissances », Projet ACACIA, INRIA Sophia-Antipolis, Journées Loriatech,
Nancy, 2002.

[Drogoul 1998] Drogoul A., Collinot A., «Applying an agent-oriented methodology to the
design of artificial organizations: A case study in robotic soccer”, Journal of
Autonomous Agents and Multi-Agent Systems, 1(1):113–129, 1998.

[Drogoul 2000] Drogoul A., «Systèmes multi-agents situés”, Habilitation à Diriger des
Recherches, Université Paris 6, 2000.

[Duncan 1996] Duncan W.R., « A guide to the Project Management Body of Knowledge”, PMI
Standards Committee, 1996

[Durfee 1989] Durfee E.H, Lesser V., «Negotiating task decomposition and allocation using
partial global planning”. In L. Gasser and M. Huhns, editors, Distributed
Artificial Intelligence Volume II, pages 229-244. Pitman Publishing : London
and Morgan Kaufmann: San Mateo, CA, 1989

[El Mansouri 1998] El Mansouri H., « Système coopératif pour la prise de décision dans un
contexte distribué : Modélisation par agents génériques », Thèse de Doctorat
en Informatique, Université Toulouse I, 1998.

[Ellis 1991] Ellis C.A., Gibbs S.J., Rein G.L., «Groupware: some issues and experiences”,
Communications of the ACM, 34(1), 1991.

[Erceau 1994] Erceau J., Ferber J., «L’intelligence artificielle distribuée », La Recherche,
Volume 22(233), 1991.

[Ermine 1996a] Ermine J.L., «Les systèmes de connaissances », Hermès, 1996.

[Ermine 1996b] Ermine J.L, Chaillot M., Bigeron B., Charreton B., Malavieille B., « MKSM :
Références Bibliographiques 231

Méthode pour la gestion des connaissances », Ingénierie des systèmes


d’Information, AFCET-Hermès, Vol 4, N°4, 1996.

[Fayyad 1996] Fayyad U.M., Piatesky-ShapirobG., Smyth P. , Uthurusamy R., « Advances in


Knowledge Discovery ans Data Mining », AAAI Press/ the MIT Press, 1996.

[Ferber 1988] Ferber J., Ghallab M., «Problématiques des univers multi-agent intelligents »,
PRC-GRECO I.A., 1988.

[Ferber 1989] Ferber J., «Objets et agents : une étude des structures de représentation et de
communication en intelligence artificielle », Thèse de Doctorat d’Etat,
Université de Pierre et Marie Curie, Paris VI, 1989.

[Ferber 1994] Ferber J., «Coopération réactive et émergence », Intellectica, 2-9, 1994.

[Ferber 1995] Ferber J., «Les systèmes multi-agents : vers une intelligence collective »,
InterEditions, 1995.

[Ferber 1998] Ferber, J., Gutknecht, O. «A meta-model for the analysis and design of
organisations in multi-agents systems”. Third International Conference on
Multi-Agent Systems (ICMAS’98), IEEE Computer Society, 1998.

[Ferreira 2004] Ferreira da Silva C., Médini L., Ghodous P., « Atténuation de conflits en
conception coopérative », IC’2004.

[Finin 1997] Finin T., Labrou Y., Mayfield J., «KQML as an Agent Communication
Language », Software Agents, Bradshaw Jeffrey (Eds.), AAAI/MIT Press, 1997

[FIPA 2000] Dutch auction Interaction Protocol Specification.

www.FIPA.org/specifications/index.html

[FIPA 2002] FIPA., “FIPA request interaction protocol specification” Rapport technique,
Foundation for Intelligent Physical Agents, 2002. Available at www.fipa.org

[Forrest 1990] Forrest, S., «Emergent computation: self-organizing, collective, and


cooperative phenomena in natural and artificial computing networks”,
Proceedings of the ninth annual CLNS conference, 1990.

[Galliers 1988] Galliers J.R. : «A theorical framework for computer models of cooperative
dialogue: knowledging multi-agent conflict”, Thesis of Open University, (UK),
1988.

[Gardarin 1999] Gardarain G., « Bases de données objet et relationnel », Eyrolles, 1999.

[Gasser 2001] Gasser. L., «Organizations and MAS”, Tutorial presented at MAAMAW-10,
Annecy-France, May 2001.

[Gavriloff 2001] Gavriloff I., Jarronsson B., “La créativité au service des organisations »,
Dunod, 2001.

[Georgé 2004] Georgé J.P, «Résolution de problèmes par émergence, Etude d’un
environnement de programmation émergente », Thèse de Doctorat, Université
Références Bibliographiques 232

Toulouse III, 2004.

[Georgeff 1988] Georgeff M.P. : «A theory of actor for multi-agent planing", in Readings in
Distributed Artificial Intelligence, A.H. Bond and L. Gasser (Eds.), Morgan
Kanfimann Publischers, 1988.

[Getz 1994] Getz I, « Système d’information : apport de la psychologie cognitive », Revue


Française de Gestion, Juin-Juillet-Août, 1994.

[Ghomari 2004] Ghomari A.R, « Strategic decision support system: Integration between expert
knowledge and historical data », ICTTA’04, Conférence IEEE, Damas, Syrie,
19-23 Avril 2004.

[Ghomari 2006] Ghomari A.R, Chalal R. «Vers une approche d’acquisition de connaissances
agrégées à base d’agents cognitifs coopérants », MCSEAI’06, 07-09 Décembre
2006, Agadir, Maroc.

[Ghomari 2007] Ghomari A.R, Chalal R., Alquier A.M, «Business knowledge acquisition
methodological approach», ECS (Egyptian Computer Science Journal), ISSN
1109-9526, Volume 29, N°2, May 2007, available in
http://net.shams.edu.eg/ecs/

[Giard 1996] Giard, V., Midler, C. « Management et gestion de projet: bilan et


perspectives », disponible sur http ://panoramix.univ-paris1.fr/GREGOR/96-
11.html, 1996

[Gleizes 1990] Gleizes M.P., Glize P., «Les systèmes multi-experts", Hermès 1990.

[Gleizes 1991] Gleizes M.P., «Spécification d'une architecture multi-experts: Asymex", Thèse
de Doctorat, Université Toulouse III, 1991.

[Gleizes 2004] Gleizes M.P., «Vers la résolution de Problèmes par émergence", Habilitation à
Diriger des Recherches, Université Paul Sabatier, Toulouse, 2004.

[Goglin 2000] Goglin, « Entrepôts de données », Hermès, 2000.

[Goldstein 1999] Goldstein, J., «Emergence as a construct: History and issues”. Emergence 1,
1999.

[Gomez-Perez 2004] Gomez-Pérez A., Fernandez-Lopez M. & Corcho O. “Ontological engineering”.


In Advanced Information and Knowledge Processing, Madrid, Spain, Springer,
2004.
[Gorry 1971]
Gorry, G.A., & Scott Morton, M., « A Framework for Management Information
Systems. », Sloan Management Review, Vol. 12, no1, pp.55-70, 1971.

[Grislin-Le Strugeon Grislin-Le Strugeon E., Adam E., Kolski C. « Agents intelligents en interaction
2001] Homme-Machine dans les Systèmes d’information », Chapitre 7, dans
Environnements évolué et évaluation de l'I.H.M., Interaction Homme-Machine
pour les S.I. 2, C. Kolski (Ed.), Hèrmes, 2001.

[Gruber 1993] Gruber T.R., “Toward Principles for the Design of Ontologies Used for
Références Bibliographiques 233

Knowledge Sharing”, International Workshop on Formal Ontology, Padova,


Italy. Technical Report KSL 93-04, Knowledge Systems laboratory, Stanford
University, March 1993.

[Grundstein 1996] Grundstein M., « La capitalisation des connaissances de l’entreprise, une


problématique de management », in actes des 5eme Rencontres du Programme
MCX, Complexité : la stratégie de la reliance, Aix-en-Provence, 4-5 juillet 1996.

[Guarino 1995] Guarino N, « Formal ontology, conceptual analysis and knowledge


representation”, International Journal of Human-Computer Studies, Vol. 43,
pp. 625-640, 1995.

[Guarino 1998] Guarino N, «Formal Ontology and Information Systems », Proceedings of


FOIS’98 (Formal Ontologies in Information Systems), 1998.

[Gutknecht 1998] Gutknecht, O., Ferber, J. « Un modèle d’analyse, de construction et d’exécution


de systèmes multi-agents".In Jean-Pierre Barthes (ed): Actes des Journées
Francophones en Intelligence Artificielle Distribuée et Systèmes Multi-Agents,
Hermès, 1998.

[Hackathorn 1981] Hackathorn, R.D. & Keen, P.G.W., 1981, « Organizational Strategies for
Personal Computing in Decision Support Systems », MIS Quarterly, Vol. 5, (3).

[HadjKacem 1995] Hadj Kacem A., «Systèmes à bases de connaissances coopératifs : modélisation
des connaissances et étude du conrôle", Thèse de Doctortat, Université
Toulouse III, 1995.

[Hammer 1993] Hammer M. Champy J. “Reengineering the corporation – a manifesto for


business revolution”, Nicholas Brealy Publishing, 1993

[Han 1993] Han J., Cai Y., Cercone N., « Data-Driven Discovery of Quantitative Rules in
Relational Databases » IEEE Transactions on Knowledge and Data
Engineering. Vol 5, N°1, 02.1993.

[Hanachi 2003] Hanachi C., «La coordination dans les systèmes d'information orientés
agents”. Habilitation à Diriger des Recherches, Université Toulouse 1,
Décembre 2003.

[Hanachi 2004] Hanachi C., «Protocol Moderators as Active Middle-Agents in Multi-Agent


Systems”, International Journal of Autonomous Agents and Multiagent
Systems, (JAAMAS’04), Volume 8, N° 2, Mars 2004.

[Handschuh 1998] Handschuh S., Hombrecher A., Schmid B.F., & Stanoevska K., 1998, “Efficient
Information Retrieval: Tools for Knowledge Management” In: Reimer, U.,
1998, Practical Aspects of Knowledge Management PAKM 98, Proceedings of
the Second International Conference in Basel, Switzerland.

[Hassas 2003] Hassas S. “Systèmes complexes à base de multi-agents situés”, HDR, Université
Lyon1, Décembre 2003.
Références Bibliographiques 234

[Hayes-Roth 1985] Hayes-Roth B., «A Blackboard Architecture for Control”, Artificial Intelligence,
26, pp 251-321, 1985.

[Henesey 2003] Henesey L. E., Notteboom T. E., Davidsson P., « Agent-based simulation of
stakeholders relations: An approach to sustainable port terminal
management », in IAME’2003.

[Holsapple 1996] Holsapple C.W., Whinston A.B., «Decision support systems; a knowledge
based approach”, West Publishing Company, 1996.

[Holsapple 2001.1] Holsapple C.W, «Knowledge management support of decision making,


Decision support systems, Elsevier, 2001.

[Holsapple 2001.2] Holsapple, C.W. & Joshi, K.D., «Organizational knowledge resources», Decision
Support Systems, Vol. 31, no1, pp.39-54, 2001.

[Huber 1984] Huber, G.P., «Issues in the Design of Group Decision Support Systems », MIS
Quarterly, Vol. 8, No. 3, 1984, pp. 195-204;

[Iglesias 1998] Iglesias C. A, Garijo M, Gonzalez J. C et Velasco J. R., «Analysis and design of
multiagent systems using MAS-CommonKADS”, Dans Singh M.P, Rao A.et M.
J. Wooldridge, Editeurs: Intelligent Agents IV: Agent Theories, Architectures
and Languages, volume 1365 de LNAI (Lecture Notes in Artificial Intelligence),
Springer-Verlag, 1998.

[Inmon 1996] Inmon B., « The Data Warehouse and Data Mining », Communications of the
ACM, November 1996 / Vol 39 N°11 p 49-50.

[Inmon 2000.1] Inmon B., «Re-Engineering and the Data Warehouse», www.billinmon.com,
consulté en Juin 2000.

[Inmon 2000.2] Inmon, W.H. & Imhoff, C. & Sousa, R. “Corporate Information Factory”, Wiley
& Sons, énd Ed, 2000.

[Jaganhatan 1985] Jaganhatan, V. and Elmaghraby. AS., "MEDKAT Multiple Expert Delphi-Based
Knowledge Acquisition Tool". In Proceedings of the ACM NE Regional
Conference. Boston, MA, pp. 103-110. October, 1985.

[Jambu 1999] Jambu M., « Introduction au data mining », Eyrolles, 1999.

[Jarronson 2004] Jarronson B., « 100 ans de management », Dunod, seconde édition, 2004.

[Jars 2005] Jars I, “Contribution des sciences socials dans le domaine de l’IAD: Alone, un
modèle hybride d’agent apprenant”, Thèse de Doctorat, Université Lyon 1,
2005.

[Jennings 1998] Jennings N.R, Wooldridge M., Sycara. K., “A roadmap of agent research and
development”, In International journal of Autonomous Agents and Multi-
Agents Systems, vol.1, n°1, p. 7-38, 1998.

[Jennings 2001] Jennings N., Faratin P., Lomuscio A., Parsons S., Sierra C. and Wooldridge. M,
Références Bibliographiques 235

“Automated Negotiation: Prospects, Methods and Challenges”, In


International Journal on Group Decision and Negotiation, 10 (2), p. 199–215,
2001.

[Kaplan 1998] Kaplan R., Norton D.P, « Le tableau de bord stratégique : Pilotage stratégique,
les 4 axes du succès », Les Editions d’Organisation, 1998.
[Kassel 2000]
Kassel G., Abel M.H, Barry C., Boulitre P., Irastorza C. et Perpette S.,
« Construction et exploitation d’une ontologie pour la gestion des
connaissances d’une équipe de recherche », IC 2000, LaRIA, Université de
Picardie, 2000.

[Keen 1978] Keen, P.G.W, Scott-Morton, M.S., « Decision support systems, an


organizational perspective », Addison-Wesley, 1978.

[Kimball 2000] Kimball R. “Les entrepôts de données”, Eyrolles, 2000.

[King 1990] King J.L, Star S.L, « Conceptual foundations for the development of
Organizational Support Systems”, Proceedings of the Twenty-third Annual
Hawaii, International Conference on System Science, Los Alamitos, CA, IEEE
Computer Society Press, 1990.

[Kirn 1998] Kirn St, “Organizational Approaches to Coordination in Multi-Agent Systems”.


Special issue on Intelligent Agents, it + ti, issue 4, p. 23-29, 1998.

[Koriche 1996] Koriche, F., « Une méthode de modélisation des Systèmes d'Information
Coopératifs » ISI, Ingénierie des systèmes d'information, Volume 4(2), 1996.

[Korth 1997] Korth H. F, Silberschat A., « Database Research Faces the Explosion
Information », Communications of the ACM, February 1997, Vol 40 N°2.

[Kroenke 1994] Kroenke D., Hatch R. «Management Information Systems », McGraw-Hill,


1994.

[Labidi 1995] Labidi S. « Ingénierie de la connaissance dans le cadre de projets multi-


experts: Méthode, techniques et outils ». Thèse de Doctorat en Informatique,
Université de Nice-Sophia-Antipolis, 30 Juin 1995.

[Labrou 1999] Labrou Y., Finin T., Peng Y., «Agent Communication Languages : the Current
Landscape », IEEE Intelligent Systems & Their Applications, Vol.14, N°2, 1999,
pp. 45-52.

[Langton 1990] Langton C., "Computation at the edge of chaos, Phase transition and emergent
computation", Physica D, Vol.4, 1990.

[Lebraty 2001] Lebraty J.F, Habilitation à Diriger des Recherches, 2001.

[Lebraty 2003] Lebraty J.F, «Intégrer les applications de KM aux outils d’aide à la décision »,
Actes de la conférence AIM’2003.

[Le Moigne 1973] Lemoigne J.L., « Les Systèmes d’Information dans les organisations », Les
Editions d’Organisation, 1973.
Références Bibliographiques 236

[Le Moigne 1974] Le Moigne J.L. « Les systèmes de décision dans l’organisation», P.U.F., 1974.

[Le Moigne 1977] Le Moigne J.L., « La théorie du système général, théorie de la modélisation »,
P.U.F., 1977.

[Le Moigne 1990] Le Moigne J.L., « La modélisation des systèmes complexes », Dunod, 1990.

[Le Moigne 1995] Le Moigne J.L., « Les épistémologies constructivistes », PUF, 1995.

[Lévine 1989] Lévine P., Pomerol M.J., « Systèmes interactifs d’aide à la décision et systèmes
experts », Hermès, 1989.

[Llerena 1997] Llerena, D., « Coopérations cognitives et modèles mentaux collectifs : outils de
création et de diffusion des connaissances » dans Economie de la connaissance
et organisations, l'Harmattan, 1997.

[Matheus 1993] Matheus C. J., Chan P. K, Piatetsky-Shapiro G., « Systems for Knowledge
Discovery in Databases », IEEE Transactions on Knowledge and Data
Engineering. Vol 5, N°6, 1993.

[Maturana, 2002] Maturana H. et Varela F., “The Tree of Knowledge: The Biological Roots of
Human Understanding”, Shambhala Publications, Boston, 2002.

[Mayfiel 1996] Mayfield J., Labrou Y., Finin T., « Evaluating KQML as an Agent
Communication Language », In : Wooldridge Michael, Müller Jörg P., Tambe
Milind (Eds.), Intelligent Agents II : Agent Theories, Architectures, Languages
– IJCAI’95 Workshop (ATAL), Lecture Notes Artificial Intelligence v.1037,
Springer-Verlag, pp. 347-360, 1996.

[MacCormack,2001] MacCormack, A. (2001). « Product-development practices that work : How


Internet companies build software », MIT Sloan Management Review, 42(2),
75-84, 2001.

[McGraw 1987] McGraw, K.L., Seale, M.R.,"Multiple experts knowledge acquisition


methodology: MEKAM". In 3' Australian Conference on Expert Systems, pp.
165-179, 1987.

[Mélèse 1978] Mélèse J., «Analyse Modulaire des Systèmes », Masson, 1978.

[Mélèse 1979] Mélèse J., «Approches systémiques des organisations », Edition Hommes et
Techniques, 1979.

[Michaels 1989] Michaels J.V., Wood W.P., «Design to cost», Wiley & Sons, 1989.

[Miner 1996] Miner, A.S., Mezias, S.J., “Ugly ducking no more: past and futures of
organizational learning research”, Organization Science, Vol. 7, pp. 88-99.

[Mintzberg 1976] Mintzberg H., Raisinghani D. and Theoret A. “The structure of unstructured
decision processes”. Administrative Science Quarterly, 21:246_275, June 1976.

[Mintzberg 1982] Mintzberg H., « Structure et dynamique des organisations », Les Editions
d’Organisation, 1982.
Références Bibliographiques 237

[Mintzberg 1986] Mintzberg H., « Management des organisations », Les Editions


d’Organisation, 1986.

[Mizoguchi 2002] Mizoguchi, R., “Ontological Engineering: Ontology design and knowledge
systematisation”, in CIRTA, Montréal, Canada, August 2002.

[Moraïtis 1994] Moraïtis P., "Paradigme multi-agent et prise de décision distribuée", Thèse de
Doctorat, Université de Paris IX, 1994.

[Müller 1996a] Müller H.J, «Negociation Principles», Foundations of Distributed Artificial


Intelligence, Wiley and Sons, 1996.

[Müller 1996b] Müller. J.P “The Design of Intelligent Agents – A layered Approach”, Lecture
Notes in artificial Intelligence, 1996.

[Newell 1972] Newell A., Simon H.A, «Human problem solving », Prentice Hall, 1972.

[Newell 1982] Newell A. “The knowledge level”. Artificial Intelligence, 18, 87-127, 1982.

[Newman 2001] Newman J., “ Some Observations on the Semantics of “Information”,


Information Systems Frontiers”, Vol. 3(2), pp. 155-167, 2001.

[Nii 1986] Nii H.P. : "Blackboard systems: the blackboard model of problem-solving and
the evolution of blackboard architectures", AI Magazine, Vol. 7(3), 1986.

[Nonaka 1994] Nonoka I. “Dynamic Theory of Organizational Knowledge Creation”.


Organizational Science, Vol. 5 (1), Février 1994, pp. 14-37.

[Nonaka 1995] Nonaka I., Takeuchi H. – « Knowledge-Creating Company: How Japanese


Companies Create the Dynamics of Innovation », Oxford University Press,
1995.

[O’Brien 1998] O’Brien P.D., Nicol R.C., « FIPA – towards a standard for software agents »,
BT Technology Journal, Vol. 16 (3), pp 51-59, July 1998.

[Papadopoulos 1998] Papadopoulos G.A. et Arbab. F., «Coordination Models and Languages”, SEN-
R9834, 31, December, 1998.

[Parsaye 1989] Parsaye, K. et al, « Intelligent Databases », Wiley and Sons, 1989.

[Penders 2002] Penders T., « Introduction à UML », OEM, 2002.

[Piaget 1970] Piaget J., «Pour une théorie de la connaissance », Editions Médiations, 1970.

[Picard 2004] Picard G., : « Méthodologie de développement de systèmes multi-agents


adaptatifs et conception de logiciels à fonctionnalité émergente », Thèse de
Doctorat, Université Toulouse III, 2004.

[Pitrat 1990] Pitrat J., « Méta connaissance, futur de l’intelligence artificielle», Hermès,
1990.

[PMI 2000] Project Management Institute, «A Guide to the Project Management

Body of Knowledge (PMBOK Guide)”, Edition 2000.

[Polanyi 1967] Polanyi M. «The tacit dimension». New York, 1967.


Références Bibliographiques 238

[Porter 1985] Porter M. “Competitive advantage”, Free Press, New York, 1985.

[Power 2000.1] Power, D. J., «A Brief History of Spreadsheets", DSSResources.COM,


http://dssresources.com/history/sshistory.html, version 3.3, 03/11/2000.

[Power 2000.2] Power D.J., «Decision Support Systems: Concepts and Resources”. Cedar Falls,
IA: DSSResources.COM, 2000 http://dssresources.com/ dssbook/.

[Prima 2000] http://www.esi2.us.es/prima, consulté en juin 2000

[Prince 1996] Prince V. « Vers une informatique cognitive dans les organisations Le rôle
central du langage », MASSON, 1996.

[Reimer 1998] Reimer, U. (1998) « Knowledge Integration for Building Organizational


Memories », In Proceedings of the 11th Knowledge Acquisition for Knowledge-
Based Systems Workshop, Organisation Science, Alberta, Canada, Vol. 5(1), pp.
14-37, April 1998.

[Richard 1990] Richard J.F. «Les activités mentales", Armand Colin, 1990.

[Rosenbloom 1993] Rosenbloom, P. S., Laird, J. E., and Newell, A. (Eds.)., « The Soar Papers:
Research on Integrated Intelligence”, Cambridge, MA: MIT Press, 1993.

[Rowe 2002] Rowe F., «Faire de la recherche en système d’information», Vuibert Fnege,
2002.

[Roy 1985] Roy B., « Méthodologies Multicitères d’aide à la decision”, Economica, 1985.

[Rush 1997] R. Rush & W.A Wallace, “Elicitation of Knowledge from Multiple Experts
Using Network Inference”, IEEE Transactions on Knowledge and Data
Engineering, Vol. 9(5), 1997.

[Salles 2000] Salles M., Alquier A.M and Tignol M.H, « L’aide à la décision stratégique dans
le management du risque projet. L’utilisation de l’intelligence économique »,
12ème Colloque National de Sûreté de Fonctionnement, Montpellier, 28-30
Mars 2000.

[Saadoun, 1996] Saadoun M., « Le Projet Groupware : des techniques de management au choix
du logiciel groupware », Eyrolles, 1996.

[Shannon 1949] Shannon C. et al. « Théorie mathématique de la communication », Retz, CEPL,


Paris, 1949.

[Schmidt 1991] Schmidt K., "Cooperative work: a conceptual framework", in "Distributed


decision making: cognitive models for cooperative work", Rasmussen J.
Brehmer B., Leplat J. (ed.), John Wiley & Sons Ltd, 1991.

[Schmidt 1994] Schmidt K.: "The organization of cooperative work: beyond the levianthan
conception of the organization of cooperative work", Proceedings of ACM
"Computer Support Cooperative Work", octobre 1994.

[Schreiber 1994] Schreiber G., Wielinga B., Akkermans H., Van de Velde W. , Anjewierden A.
Références Bibliographiques 239

“CML: the CommonKADS Conceptual Modelling Language”. Proceedings


EKAW’94, LNAI 867, 1-25 (Springer-Verlag, Heidelberg, FRG), 1994.

[Scott Morton 1995] Scott Morton M.S, «L’entreprise compétitive du futur : technologie de
l’information et transformation de l’organisation », Editions d’Organisation,
1995, Traduit de Scott Morton M.S, 1991.

[Searle 1995] Searle J. R., "La redécouverte de l'esprit", Gallimard, 1995.

[Shadbolt 1999] Shadbolt, N. R., O'Hara, K. and Crow, L. “The Experimental Evaluation of
Knowledge Acquisition Techniques and Methods: History, Problems and New
Directions”, International Journal of Human-Computer Studies 51(4), pp. 729-
755, 1999.

[Shim 2002] Shim J.P., Warkentin M., Courtney J.F., Power D.J., Sharda R., et Carlsson C.
“Past, present, and future of decision support technology”, Decision Support
Systems, 2002.

[Simon 1960] Simon, H.A., «The New Science of Management Decision», New York: Harper
and Row. 1960.

[Simon 1983] Simon H.A., «Administration et processus de décision", Economica 1983.

[Simon 1991] Simon H.A., «Sciences des systèmes, Sciences de l'artificiel», Dunod, 1991.

[Smith 1980] Smith R.G., "The contract Net protocol: hight-level communication and
control in a distributed problem solver", IEEE Transactions on Computers, C-
29, Décembre, 1980.

[Smith 1981] Smith R.G., Davis R. : "Frameworks for cooperation in distributed problem
solving", IEEE Tansactions on Systems, Man end Cybernetics, SMC 11(1), 1981.

[Solivares 1997] Solivares S., Alquier A.M, «A particular aspect of decide bid decision support
system: modelling of life-cycle processes and costs, IEEE Conference on
Systems, Man and Cybernetics, Orlando, 1997.

[Sommerville 1995] Sommerville I., « Software engineering » (5th ed.). Wokingham, England
Addison-Wesley, 1995.

[Soubie 1996] Soubie J.-L., Buratto F., Chabaud C, «La conception de la coopération et la
cooperation dans la conception », in De Terssac, G., Friedberg, E., Coopération
et Conception, Octares, 1996.

[Sprague 1980] Sprague, R.H.,1980, « A framework for the development of decision support
systems », Management Information Systems Quarterly, Vol. 4, pp. 1-26

[Sprague 1982] Sprague, R.H., Carlson. E.D., « Building Effective Decision Support Systems »,
Prentice-Hall, 1982.

[Psyché 2003] Psyché, V., Mendès O., Bourdeau J. “Apport de l’ingénierie ontologique aux
environnements de formation à distance”, STICEF, Vol 10, , 2003.
Références Bibliographiques 240

[Studer 1998] Studer R., Benjamins V.R et Fensel D., “Knowledge Engineering: Principals
and methods”. Data & Knowledge Engineering, Vol. 25, pp. 161-197, 1998.

[Tardieu 1983] Tardieu H., Rochfeld A, Colleti. R., « La méthode Merise : principes et outils »,
Les Editions d’organisations, 1983.

[Tardieu 1985] Tardieu H., Rochfeld A., Colletti R. « Méthode MERISE, Tome II : démarche et
pratique », Les Editions d'Organisation, 1985.

[Tarondeau 1998] Tarondeau J.-C., « Le management des savoirs », PUF, 1998.

[Tolman 1948] Tolman E.C., « Cognitive maps in rats and men » First published in The
Psychological Review, 55(4), 189-208.

[Tort 2000] Tort F., Teulier R., Grosz G., Charlet J. « Ingénierie des besoins, ingénierie des
connaissances : similarités et complémentarités des approches de
modélisation”, IC’2000.

[Touati 2005] Touati K., « Conception d’un système d’aide à la décision organisationnel pour
le management des connaissances affaires », Thèse de Doctorat en
Informatique, Université Toulouse1, Toulouse, 2005.

[Turban 1993] Turban E., Aronson J.E « Decision support and expert systems: Management
support systems », MacMillian, New York, 1993.

[Turban 2001] Turban E., « Decision support and intelligent systems », Prentice-Hall, 6th
Edition, 2001.

[Tvesky 1974] Tversky, A. & Kahneman, D., « Judgment under uncertainty: heuristics and
biases », Science, Vol. 185, pp.1124–1131, 1974.

[Van de Vijver 1997] Van De Vijver, G., "Emergence et explication", Intellectica: Emergence and
explanation, 1997/2 n°25, ISSN N°0984-0028, pp. 185-194, 1997.

[Van Heijt 1997] Van Heijt G., Schreiber A. T. & Wielinga B. J., “Using explicit ontologies in KBS,
development.” International Journal of Human-Computer Studies, 45(2/3),
183-292, 1997.

[Varela 1989] Varela F., «Connaître les sciences cognitives, tendances et perspectives », Seuil,
1989.

[Verrons 2004] Verrons M.H, « GeNCA, un modèle général de négociation de contrats entre
agents », Thèse de Doctorat de l’université de Sciences et technologie de Lille,
2004.

[Vogel 1988] Vogel C., « Génie Cognitif », Seuil, 1988.

[Vogel 1990] Vogel C., « KOD : la mise en œuvre », Masson, 1990.

[VonBertalanffy 93] Von Bertalanffy L., « Théorie générales des systèmes », Dunod, 1993.

[Von Martial 1992] Von Martial F., "Coordinating Plans of Autonomous Agents", Springer-Verlag
1992.
Références Bibliographiques 241

[Watson 1990] Watson, R.T., « A Design for and Infrastructure to Support Organizational
Decision Making », Proceedings of the Twenty-third Annual Hawaii
International Conference on System Sciences, Los Alamitos, IEEE Computer
Society Press, 1990.

[WFMC 1999] The Workflow Management Coalition, “Workflow Management Coalition


Terminology and Glossary”, Technical Report, WFMC-TC-1011, 1999.

[Wielinga 1992] Wielinga B. J., Schreiber A. T. & Breuker J. A., «KADS: a modelling approach
to knowledge engineering”, Knowledge Acquisition, Vol. 4(1), 5-54, 1992.

[Wielinga 1994] Wielinga B. J., Hans Akkermans Y., Hassan H., Olsson O., Orsv¨arn K.,
Schreiber G., Terpstra P., Van de Velde W.et Wells S., «Expertise Model
Definition Document”, Projet ESPRIT P5248 KADS-II, Document Id.
KADSII/M2/UvA/026/5.0, University of Amsterdam, 1994.

[Wolf 1989] Wolf W.A., "Knowledge acquisition from multiple experts". Sigart News Letter,
(108):138-140, 1989.

[Wooldridge 1999] Wooldridge M., Jennings N. R., Kinny D., «A methodology for agent-oriented
analysis and design", Proceedings of the Third International Conference on
Autonomous Agents, pp. 69-76, Seattle, USA, 1999.

[Zacklad 2000] Zacklad, « Ingénierie des connaissances, évolutions récentes et nouveaux


défis », Habilitation à Diriger des Recherches, 2000
242

ANNEXES
Annexes 243

Annexe A. Management versus Organisation par processus

Les organisations ne cessent de se transformer pour s’adapter à leur environnement. La


multitude de modèles proposés démontre qu’il n’y a plus de modèle dominant comme l’ont été
le taylorisme, le fordisme ou le toyotisme. Sous la pression de leurs marchés, les formes
d’organisations se sont diversifiées. Elles doivent répondre aux attentes de leurs clients et non
chercher à résoudre leurs propres problèmes.
L’évolution de l’environnement des entreprises, entraînée par la mondialisation des échanges,
le renouvellement accéléré des technologies et l’accroissement des connaissances entraînent
des restructurations internes dont l’organisation par projet est un exemple patent. Une des
caractéristiques majeures de ces nouvelles formes d’organisation est de s’appuyer sur des
équipes dotées d’autonomie dans la coordination de leurs activités.

A.1. Projet et gestion de projet

Selon le PMBok (Project Management – Body of Knowledge) Guide21, « un projet est une
démarche unique et temporaire, composée d’activités inter reliées, ordonnancées et générant
des extrants bien identifiables, biens livrables, qui répond au besoin d’un client interne ou
externe, réalisée dans un contexte précis, dans environnement et avec des contraintes »
[Duncan 1996].
Selon l’AFITEP22 (Association Française des Ingénieurs et des Techniciens d’Estimation et de
Planification), « un projet est un ensemble d'actions à réaliser pour satisfaire un objectif
défini, dans le cadre d'une mission précise et pour la réalisation desquelles on a identifié non
seulement un début, mais aussi une fin »
Un projet est donc:
• un effort temporaire entrepris dans le but de créer un produit ou un service unique;
• un ensemble coordonné de tâches techniques, administratives et financières, destiné à
concevoir, développer, réaliser et utiliser un produit ou un système, satisfaisant un besoin
dans les meilleures conditions économiques, ainsi qu'à en assurer le soutien et à envisager
les contraintes de retrait de service.
• a un résultat (produit ou cible) identifié, négocié et défini au départ. Le produit doit
être mesurable, défini, connu, d’où des méthodes dites d’analyse fonctionnelle ou de cahier
des charges fonctionnel, qui s’appliquent aussi bien pour des produits concrets (comme le
développement d’un nouveau produit ou service), ou abstraits (comme mettre en œuvre un
changement organisationnel, implémenter un nouveau processus ou organiser une
campagne politique).

21
corpus des connaissances en management de projet
22
www.afitep.fr
Annexes 244

Un projet peut impliquer une seule unité d'une organisation mais est plus généralement un
processus de grande dimension qui traverse les frontières organisationnelles et les
cloisonnements classiques de l’organisation en services, départements, …
Un projet se caractérise également par son cycle de vie allant de la recherche et l’expression
des besoins jusqu’à la réalisation et l’exploitation de l’ouvrage (produit ou service).
Gérer un projet, c’est optimiser et maîtriser les objectifs techniques, la qualité, les coûts et les
délais. La publication la plus synthétique sur la gestion de projet est PM-BOK [Duncan 1996],
éditée par le PMI (Project Management Institute)23.
Un projet est piloté par un chef de projet, qui étudie, définit et décide les actions à réaliser. Il
aménage pour cela des tableaux de bord basés sur différents indicateurs.
La complexité des projets et leur nombre croissant imposent une meilleure coordination entre
les différents intervenants. L'organisation du travail dominée par le modèle taylorien24 est
inopérante. La séparation fonctionnelle des différentes expertises nécessaires au projet et la
coordination séquentielle de l’activité soulève simultanément plusieurs problèmes :
• La recherche d’une performance globale est plus difficile car chaque métier tend à
« tirer le projet » à son avantage en l’absence d’une régulation du projet à part entière,
• En l’absence d’une coordination centrale du projet, le risque de multiplier des outils de
pilotages différents comme les systèmes de planification est élevé,
• La coupure entre les acteurs de l’amont et les acteurs de l’aval empêche que les seconds
prennent bien en compte les contraintes des premiers et réciproquement.

A.2. Management de projet

Selon le PMI : « le management de projet est la mise en oeuvre de connaissances, d’outils et


de méthodes dans les activités projets afin de satisfaire, voire de dépasser les besoins et les
attentes des parties prenantes du projet » [Duncan 1996]. Il s’agit d’arbitrer entre variables de
performances (délais, qualité et coûts), mais aussi entre des attentes ou exigences non
identifiées et des besoins ou exigences explicites différents, voire contradictoires.
L’AFITEP considère elle, que le management de projet comporte deux fonctions bien
différentes : la direction de projet ou « project management » et la gestion de projet ou
« project control ».
La première s’intéresse à des décisions stratégiques ou tactiques tandis que la seconde traite
des décisions opérationnelles et intervient dans la préparation de certaines décisions
tactiques.
La mission de la direction de projet consiste à :
• Fixer de manière cohérente, en conformité avec la stratégie de l’entreprise :

23
www.pmi.org
24
Frédéric Winslow Taylor (1856-1915) est le fondateur de l’OST (Organisation Scientifique du Travail),
démarche basée sur l’observataion, l’expérimentation et la quantification.
Annexes 245

o les objectifs du projet (délais, performances techniques, fiabilité, disponibilité,


durabilité, sécurité de l’emploi, choix de la solution technique, …);
o les moyens à mettre en œuvre (ressources matérielles, humaines et
informationnelles…).
• Apprécier les risques encourus et mettre en place les procédures permettant de les
surveiller et à réagir sur la base d’une identification de problèmes plus anticipés que subis.
• Animer les hommes travaillant sur le projet, coordonner leurs activités et intervenir
régulièrement pour réviser objectifs et/ou moyens en cas de dérives du projet ou de risques.
Le management participe au choix et à la modification des buts organisationnels en tenant en
compte des variables contextuelles, en développant de l’influence sur les choses (par
organisation, anticipation ou contrôle) en même temps que sur les personnes (par
mobilisation, coordination ou contrainte). Autrement dit, le management est une version
ouverte de la gestion, dont il amplifie les dimensions stratégiques et négociatrices. Il en
privilégie les aspects humains et socio-politiques par rapport aux dimensions techniques ou
instrumentales.

A.3. Management par processus


Le management par processus a pour but l’organisation de l’entreprise en processus. Les
processus sont définis par rapport à des finalités des clients, transverses par rapport aux
métiers ou fonctions. Les processus sont en général de grandes dimensions par rapport à la
vision procédurale classique qui limitait les procédures à l’intérieur d’un domaine de gestion.
On en dénombre environ 20 processus majeurs quelle que soit la taille de l’entreprise.

Le management par processus vise à lier la stratégie de l’entreprise à l’organisation du travail


en liant l’efficacité de l’entreprise et l’efficacité de ses processus. L’entreprise est alors pilotée
par les besoins des clients. Ce type d’organisation est considéré comme [Davenport 1993] :
• Permettant une adaptation plus rapide aux besoins de l’environnement,
• Favorisant l’innovation dans un contexte de grandes incertitudes non probabilisables,
• Facilitant les mesures de l’efficacité de l’entreprise,
• Fournissant des avantages concurrentiels décisifs.
Le management par processus (ou projet) s’appuie sur des méthodes (figure ci-contre) :
• La gestion de projet, qui se préoccupe de l'organisation des tâches d'un projet,
• La réorganisation des processus, qui se focalise sur l'amélioration des processus clés de
l'entreprise,
• L’organisation par processus, qui organise la coordination du travail selon des
processus de grande dimension orientés client.
Pour T.H Davenport, les piliers du management par processus sont les opportunités humaines
et les TIC (Technologies de l'Information et de la Communication). Les TIC y ont un rôle très
important à jouer pour organiser et mettre en œuvre ce changement radical d'organisation
[Davenport 1993].
Annexes 246

A.4. L’organisation par processus


L’organisation par processus est définie comme une nouvelle théorie d’organisation du travail
[Hammer 1993]. Cette définition reconsidère l’organisation du travail au sens de H. Mintzberg
[Mintzberg 1982], mais aussi le management de l’entreprise. Davenport montre que le
management par processus est en effet une forme nouvelle de management de l’entreprise
dont il améliore l’efficacité [Davenport 1993].
Les processus définis, dans le cadre de l’organisation par processus, sont de grande de grande
dimension par rapport à la vision procédurale classique qui limitait les procédures à l'intérieur
d'un domaine de gestion. Selon Davenport, une entreprise compte pas plus de 20 processus de
ce type qu’il qualifié de clé [Davenport 1993].
L’organisation par processus constitue un changement profond des méthodes d’organisation
du travail dont l’objectif principal est de raccourcir les cycles de l’innovation dans un contexte
concurrentiel.
Elle présente deux caractéristiques :
• C’est une vue horizontale de l’entreprise, qui passe à travers l’organisation des tâches et
les frontières existantes des unités organisationnelles. C’est une organisation matricielle du
travail. Elle recouvre et empiète sur les métiers, les fonctions et les procédures. C’est un
changement radical de l’organisation hiérarchique par fonction,
• Elle est par essence orientée vers le point de vue du client, ses exigences et sa
satisfaction.
De nombreux auteurs s’accordent à dire que la gestion sous forme de projet n’est pas aisée à
mettre en œuvre notamment dans les cas liés aux organisations (transversales).
En effet, la superposition entre le mode opération (c’est-à-dire le fonctionnement de
l’entreprise) et le mode projet présente des difficultés : disponibilités des acteurs, hiérarchie
du projet différente de la hiérarchie de l’entreprise, souplesse de l’équipe par rapport à la
rigidité du fonctionnement de l’entreprise…
De plus, ce mode transversal engendre des problèmes au niveau des repères hiérarchiques et
sociaux des acteurs. En effet, au sein de l’entreprise, l’individu se positionne par rapport à des
repères liés aux individus qui l’entourent. Il connaît ses supérieurs et les personnes avec
lesquelles il travaille. Dans le cas du projet, son cadre de référence est perturbé. Ainsi, il doit
créer un nouveau cadre de référence lui permettant de se stabiliser et d’évoluer dans le projet.

Ce type d'organisation est considéré comme permettant une adaptation plus rapide aux
besoins de l'environnement, favoriser l'innovation dans un contexte de grandes incertitudes
non probabilisables, fournir aux managers des mesures plus directes de l'efficacité de
l'entreprise et donner des avantages concurrentiels décisifs [Davenport 1993].
L’organisation par processus procure des améliorations visibles et remarquables des résultats
de l’entreprise [Davenport 1993] :
Annexes 247

• Améliorations en coût, délais, qualité, utilité, cohérence, variabilité, ou zéro défauts, sur
le plan de la production,
• Meilleure confrontation aux incertitudes du marché et de la compétition, adaptation
plus rapide aux changements de l’environnement, meilleures capacités d’innovation, et
avantages compétitifs décisifs sur le plan management.
L’organisation est effectivement intéressante à adopter, mais il s’agit d’une pratique difficile
qui doit faire face à une résistance organisationnelle et humaine. Il s’agira de développer des
motivations fortes.

A.5. Synthèse
L’entreprise moderne doit adopter :
• Une organisation par processus, permettant la création de connaissances. Nous nous
sommes positionnés dans la vision de [Nonaka 1994] [Davenport 1993].
• Une attitude managériale orienté processus (désignation des responsables de processus,
définition de mécanismes de contrôle à tous les niveaux,…),
• Les TIC comme média et comme fondement de la réorganisation [Davenport ].
L’organisation par processus permet de mettre en place des structures du travail orientée
processus dans l’entreprise. Par contre, le management par processus se préoccupe de l’aspect
management des processus une fois qu’ils sont définis. Il s’agit de mettre un processus sous la
responsabilité d’un manager et de définir des mécanismes de contrôle au niveau processus et
entreprise.
Les systèmes de contrôles qui ont été mis en place dans les entreprises ont le plus souvent fait
correspondre les niveaux de contrôle aux hiérarchies de commandement traditionnel. Or les
nouveaux modes d’organisation des entreprises auront besoin de systèmes de contrôle
capables d’opérer aussi bien dans le sens transversal que vers le haut ou vers le bas de
l’organisation. Donc, les deux types d’aide à la décision co-existent.
Ainsi, chaque manager de processus est responsable de la formulation des objectifs quantifiés
et du développement d’indicateurs adaptés ou des buts. Il s’agit du contrôle managérial de
processus pour mesurer l’efficacité des processus. Cela constitue une partie seulement du
contrôle du management par processus qui englobe aussi le contrôle du management par
processus qui a pour but de fournir des mesures sur l’efficacité de l’entreprise.
Annexes 248

Annexe B. Synthèse des principales méthodes orientées-agents

Cette annexe rassemble les principales méthodes orientées agents (les plus représentatives)
résumées à partir de la littérature et notamment la thèse de doctorat de Picard [Picard 2004].
Dans la première catégorie (extensions d’approches objet), les méthodes sont nombreuses et
seulement certaines des plus citées dans la littérature sont présentées. Nous donnerons un
aperçu des méthodologies AAII25, GAIA26 MaSE27, MASSIVE proposée par Lind28 et
MESSAGE29.
Dans la seconde catégorie (extensions des méthodes d’ingénierie de connaissances), nous
présentons les méthodes DESIRE30 et MAS-Common KADS [Iglesias 1998].
Dans la troisième catégorie (inspirée de l’ingénierie des besoins), nous présenterons TROPOS
31.

Enfin, la quatrième catégorie, on donnera un aperçu des méthodologies Cassiopea32,


Prometheus33 ainsi que MadKit [Ferber 1998].

25
D. Kinny, M. Georgeff, A. Rao., “A Methodology and Modelling Technique for Systems of BDI
Agents”. In the Seventh European Workshop on Modelling Autonomous Agents in a Multi-Agent World,
Eindhoven, The Netherlands, 1996.
26
Wooldridge M, Jennings N. R et Kinny D., «The Gaia Methodology for Agent-Oriented Analysis and
Design”. Journal of Autonomous Agents and Multi-Agent Systems, 3(3):285–312, 2000.
27
DeLoach, S. A., Wood, M. F., Sparkman, C. H. «Multiagent Systems Egineering”, International
Journal on Software Engineering and Knowledge Engineering, Vol. 11, N° 3, pp. 231-258, 2001.
28
Lind J, “Iterative Software Engineering for Multiagent Systems: the MASSIVE Method”, volume 1994
de Lecture Notes in Artificial Intelligence (LNAI). Springer Verlag, 2001.
29
Caire G., Coulier W., Garijo F., Gomez J., Pavon J.,Leal F., Chainho P., Kearney P., Stark J., Evans R.,
Massonet P., Agent Oriented Analysis Using Message/UML. Dans M. Wooldrifge, G. Weiss et P.
Ciancarini, éditeurs : Agent-Oriented Software Engineering II, Second International Workshop, AOSE
2001, volume 2222 de Lecture Notes in Computer Science (LNCS), pages 119–135. Springer-Verlag,
2001.
30
Brazier F.M.T, Dunin-Keplicz B.M, Jennings N.R et Treue J., “DESIRE : Modelling Multi-Agent
Systems in a Compositional Formal framework”, International Journal of Cooperative Information
Systems, 6(1):64–94, 1997.
31
Castro J., Kolp M. et Mylopoulos J., “A Requirements-driven Development Methodology”, Dans
Dittrich K.R, Geppert A. et Norrie M.C, éditeurs : Proceedings of the 13th International Conference on
Advanced Information Systems Engineering (CaiSE’01), volume 2068 de LNCS, pages 108–123.
Springer-Verlag, 2001.
32
Collinot, A., Drogoul, A., Benhamou, P., “Agent oriented design of a soccer robot team”, ICMAS’96,
Proceedings of the Second International Conference on Multi-Agent Systems, 1996, pp. 41-47, Kyoto,
Japan.
33
Padgham, L., Winikoff, M., "Prometheus: A Methodology for Developing Intelligents Agents".
Proceedings of AOSE’2002 (The Agent Oriented System Engineering), 2002, 12 p.
Annexes 249

B.1. Extensions d’approches objet


Dans ce premier cas, l’intérêt est dans la proximité avec le paradigme objet. Un point très
positif pour une méthodologie agent venant d’approche objet est la popularité et la
généralisation des méthodes orientées objets. Les différentes vues couramment employées
pour décrire les objets (statiques, dynamiques, fonctionnelles, ...) se déclinent assez facilement
dans le monde agent.

B.1.1. AAII

AAII (Australian Artificial Intelligence Institute Methodology) a été développée par Kinny et
al. pour la gestion du trafic aérien. Elle est dédiée à la conception d’agents BDI impliqués dans
une organisation et occupant des rôles précis. Elle axe la conception suivant deux points de
vue, tout en s’intégrant dans un cadre orienté objet:
• point de vue externe aux agents, qui définit l’organisation, les rôles, les services et les
responsabilités ;
• point de vue interne aux agents, qui est une instanciation de l’architecture BDI au
problème.
AAII propose plusieurs modèles à instancier au cours du développement de la vue externe, qui
sont totalement indépendants de l’architecture BDI.
AAII repose principalement sur des notations de types UML. Les modèles d’agents et
d’instances sont regroupés dans des diagrammes type diagrammes de classes ou de
collaboration. La hiérarchie entre agents et l’organisation sont définies grâce aux relations de
composition, d’agrégation ou d’héritage.
Le modèle de croyances consiste en un ensemble de croyances et un ou plusieurs états de
croyances. Un ensemble de croyances est spécifié par des diagrammes d’objets sur le domaine
de croyances d’une classe d’agents. Enfin, le modèle de plans est un ensemble de plans qui
sont spécifiés grâce à des machines à états/transitions avec possibilité d’échec à l’exécution.
Le processus de AAII suit les deux axes de conception : externe et interne.
Une première phase consiste en l’élaboration de la vision externe en quatre étapes :
• Identifier les rôles du domaine d’application : avec la définition de l’organisation
structurelle et fonctionnelle ainsi que les premières classes d’agents (souvent
abstraites) de granularité indifférente ;
• Identifier les responsabilités et les services nécessaires pour remplir ces responsabilités
pour chaque rôle d’agent ;
• Identifier les interactions induites par les responsabilités pour chaque service, et
définir les actes de langage nécessaires à la communication ainsi que leur contenu.
C’est à ce niveau que la définition interne de chaque agent peut commencer ;
• Raffiner la hiérarchie d’agents en introduisant de nouvelles classes ou sous-classes
d’agents, en composant des classes d’agents. Enfin, établir les instances d’agents
nécessaires.
Annexes 250

A partir de l’identification des interactions, il est possible de commencer à modéliser la vue


interne des agents, en deux points, à itérer autant de fois qu’il y a d’agents :
1. Analyser les moyens d’atteindre les buts : ceci revient à décomposer les buts en sous-
buts ou en actions puis à les ordonnancer et à les conditionner, et enfin à identifier les
possibilités d’échec ;
2. Construire les croyances du système : à partir des conditions d’atteinte de buts et de
sous-buts dans des contextes particuliers, définir les croyances nécessaires aux agents
pour raisonner.
Malgré la clarté de ce processus, il reste néanmoins limité aux phases préliminaires de
développement (l’analyse en particulier), sans toutefois proposer d’aide à l’identification des
agents. Aucun support de conception ou de développement n’est spécifié, c’est aux utilisateurs
de travailler. Par contre, les délivrables sont clairement identifiés tout au long du processus,
mais la gestion de la qualité est inexistante.
AAII est une méthode assez ancienne, et peu de ressources sont disponibles pour des
concepteurs novices désirant tenter de l’utiliser réellement.
Les domaines d’application de la méthode sont assez restreints. Elle a notamment (et
visiblement uniquement) été utilisée pour le contrôle de trafic aérien.

B.1.2. GAIA

Gaia est une extension des approches d’ingénierie logicielle classique34 [Wooldridge 2000].
C’est une méthode de la seconde génération, par opposition à la première génération que
formaient AAII ou DESIRE. Elle est donc plus complète et bénéficie, de plus d’une large
reconnaissance dans le domaine multi-agent.
Gaia manipule deux types de concepts : abstrait (qui n'a aucune représentation directe dans le
système final) et concret (qui se retrouve dans le système construit).
• Les entités abstraites sont le modèle de rôles et le modèle d'interactions.
• Les entités concrètes quant à elles sont le modèle d'agents, le modèle de services et le
modèle d'accointances.
Gaia se veut être générale et applicable à n’importe quel domaine, et compréhensible par la
distinction entre macro-niveau et micro-niveau. Les agents modélisés, pouvant être
hétérogènes, sont des systèmes computationnels à gros grain, qui vont essayer de maximiser
une mesure de qualité globale. Toutefois, Gaia ne prend pas en compte les systèmes admettant
de réels conflits.
Gaia manipule six modèles d’analyse et de conception différents :
• Le modèle de rôle qui identifie les différents rôles devant être joués par les agents du
système. Chaque rôle est défini par quatre attributs: les responsabilités, les
permissions, les activités et les protocoles. Les responsabilités sont probablement

34
Wooldridge M, Jennings N. R et Kinny D., «The Gaia Methodology for Agent-Oriented Analysis and
Design”. Journal of Autonomous Agents and Multi-Agent Systems, 3(3):285–312, 2000.
Annexes 251

l’attribut clé du rôle et permettent d’implémenter les fonctionnalités du système. Elles


se divisent encore en deux catégories : les fonctions d’exécution et les fonctions de
maintenance. Afin de remplir ses responsabilités, le rôle dispose d’un ensemble de
permissions ; ce sont des droits associés au rôle et elles identifient des ressources
accessibles au rôle.
• Le modèle d’interaction qui définit les protocoles de communication entre agents. Un
protocole est défini par un nom, un expéditeur, un récepteur, une description, des
entrées et des sorties. Les protocoles définissent les dépendances et les relations entre
rôles ;
• Le modèle d’agent qui attribue les rôles aux différents agents du système. Il identifie
les différents types d’agents et leurs instances ;
• Le modèle de service qui définit, les différents services offerts par le système et les
agents tributaires. Un service est vu comme une fonction d’un agent et possède les
caractéristiques suivantes: des entrées, des sorties, des pré-conditions d’exécution et
des post-conditions.
• Le modèle d’organisation ou d’accointances, définit la structure de l’organisation grâce
à des graphes orientés représentant les voies de communication entre agents. Différent
types de relations existent : contrôle, pair (peer), dépendance, …
• Le modèle environnemental qui décrit les différentes ressources accessibles
caractérisées par les types d’actions que les agents peuvent entreprendre pour les
modifier.
Gaia découpe (comme la plupart des méthodologies) la construction du système en trois
phases : spécification des besoins, analyse et conception. Elle ne prend en compte que les deux
dernières phases. Le modèle complet de Gaia est présenté par la figure ci-dessous.
Le déroulement de la méthodologie permet de passer graduellement de concepts abstraits à
des concepts plus concrets. Elle peut être vue comme un processus de développement de
modèles de plus en plus détaillés du système à construire.

B.1.3. MaSE (Multiagent Software Enginnering)

MaSE (Multiagent Software Engineering), développée par Deloach35 36, est une approche
complète de développement de systèmes multi-agents, de l’analyse au déploiement avec de
nombreux modèles graphiques et une approche logique.
MaSE manipule neuf modèles très proches de ceux utilisés en conception orientée objet :
• La hiérarchie de buts est obtenue en décomposant le but principal du système en sous-
buts à partir de l’expression des besoins ;

35
Deloach S.A, «Multiagent Systems Engineering: a Methodology and Language for Designing Agent
Systems”, Proceedings of Agent Oriented Information Systems’99 (AOIS’99), pages 45–57, 1999.
36
DeLoach, S. A., Wood, M. F., Sparkman, C. H. «Multiagent Systems Egineering”, International
Journal on Software Engineering and Knowledge Engineering, Vol. 11, N° 3, pp. 231-258, 2001.
Annexes 252

• Les cas d’utilisation qui définissent une séquence d’événements pouvant apparaître
dans le système. Ce modèle est souvent retrouvé dans les processus de conception objet
afin de décrire à la fois la fonctionnalité du système et son environnement en terme
d’utilisateurs et d’acteurs. Dans MaSE, il permet notamment d’identifier les rôles joués
par le système (et donc ses agents) ;
• Les diagrammes de séquences sont définis pour chaque cas d’utilisation identifié. Dans
ce modèle, les interactions entre rôles sont décrites comme des envois de messages.
• Les rôles sont vus comme le moyen d’atteindre les buts fixés au système.
Généralement, un but est associé à un rôle unique, mais ceci n’est pas une règle
systématique ;
• Les tâches concurrentes décrivent les moyens pour les rôles d’atteindre les buts. Ils
sont définis par des automates à états finis (ou bien des réseaux de Pétri au début de
MaSE) dans lesquelles apparaissent les tâches conditionnées et ordonnancées ;
• Les classes d’agents sont créées à partir des rôles identifiés. Les architectures d’agents
utilisées ne sont pas imposées (BDI ou autres). Une classe d’agent est une extension
d’une classe d’objet qui peut jouer plusieurs rôles, et qui possède des attributs et des
méthodes ;
• Les conversations définissent les protocoles de coordination entre deux agents. Ils
consistent en deux automates à états finis, un pour l’initiateur et un pour le récepteur ;
• L’architecture consiste en un ensemble de composants qui peuvent être des classes ou
des ensembles de classes. Elle détaille les différents types d’agents ou objets présents
dans le système.
• Les diagrammes de déploiement permettent de spécifier la place des agents sur les
plates-formes utilisées et les liens de discussion nécessaires entre les plates-formes.

B.1.4. MASSIVE (Multi Agent SystemS Iterative View Engineering)

Lind propose la méthode MASSIVE, pour Multi Agent SystemS Iterative View Engineering
[Lind, 2001]. Il montre la nécessité de se doter de méthodes basées sur les besoins plutôt que
sur la technologie, sur les vues du système plutôt que sur les modèles et proposant un
processus itératif plutôt que séquentiel.
MASSIVE repose sur le concept de vues. Lind définit une vue comme un ensemble de
caractéristiques liées conceptuellement au système cible, c.-à-d. une projection du modèle
complet sur un sujet particulier. Dans MASSIVE, un système consiste en sept vues.
• La vue de l’environnement rassemble les deux dimensions environnementales dans les
systèmes multi-agents : l’environnement du point de vue du concepteur (connaissance
globale et déterminisme) et l’environnement du point de vue du système (connaissance
locale et non-déterminisme).
Annexes 253

• La vue des tâches présente une hiérarchie des fonctionnalités du système et définit les
besoins non-fonctionnels du système indépendamment de l’approche multi-agent.
• La vue des rôles détermine l’agrégation fonctionnelle pour résoudre le problème en
fonction des contraintes physiques. Un rôle est défini comme une abstraction qui lie la
partie dépendante du domaine de l’application à la technologie agent utilisée pour
résoudre le problème. Un agent représente une ou plusieurs descriptions de rôles et
une architecture capable de les exécuter.
• La vue des interactions présente le système comme un ensemble d’entités devant se
coordonner pour atteindre leurs buts et identifie les interactions essentielles. Une
interaction est une forme générique et générale de résolution de conflit, non restreinte
à de la communication.
• La vue de la société présente un ensemble d’entités au but commun et nécessite de
définir un modèle de société, en fonction de mesures de qualité et de performance,
cohérent avec les rôles et atteignant les buts définis.
• La vue architecturale se focalise sur l’architecture du système et l’architecture des
agents en fonction des besoins du problème, avec la possibilité de réutiliser une
architecture existante préférée. Elle permet d’éprouver la frontière entre agents et
objets.
• Enfin, la vue du système gère l’interface avec les utilisateurs : interactions
utilisateur/système, gestion des E/S, visualisation de l’activité du système, stratégie de
gestion des erreurs, de la performance et du déploiement du système.

L’autonomie des agents est assurée par la séparation des vues concepteur et système. Les
agents encapsulent leurs buts et rôles. La gestion des événements procure la réactivité, mais la
proactivité est difficilement spécifiable, si ce n’est en passant par de nombreux diagrammes
comportementaux. Les aspects sociaux sont complètement pris en charge dans les vues de la
société et des interactions.

B.1.5. MESSAGE (Methodology for Engineering Systems of Software


AGEnts)

MESSAGE est le fruit d’un projet entre compagnies de télécommunication européennes et


développé par Caire et al. Sa continuité est INGENIAS, développée par Gomez Sanz et Fuentes
[Gomez Sanz 2004].
Comme Gaia, MESSAGE définit des modèles de représentation des concepts orientés agent.
MESSAGE distingue les concepts de niveau d’abstraction des données (conception classique)
des connaissances (conception de systèmes intelligents). Les concepts de niveau connaissance
sont regroupés en trois catégories :
o Les entités concrètes qui sont les agents, l’organisation, les rôles et les ressources. Les
agents doivent fournir des services, comme des objets fournissent des méthodes. Un
Annexes 254

attribut des agents, appelé objectif (purpose en anglais), similaire à la notion de but,
encapsule la notion d’autonomie de contrôle et de décision des agents. Un agent est
capable de percevoir des messages et des entités informatives. L’organisation
représente un groupe d’agents reliés par des relations de pouvoir. Dans MESSAGE, le
rôle d’un agent est vu comme une interface dans la conception objet, ce qui permet à
un agent de jouer plusieurs rôles. Les ressources sont des objets classiques non
autonomes et plus ou moins disponibles en fonction des permissions établies ;
o Les activités sont soit des tâches soit des interactions. Une tâche est une activité
atomique possédant des pré et des post-conditions, qui sont modélisées par des
machines à états. Des tâches composées peuvent être définies en utilisant des relations
de composition. Les interactions sont très proches de celles proposées dans Gaia. Une
interaction a plusieurs participants devant atteindre un but commun. Des protocoles
d’interaction peuvent être définis comme des ensembles de schémas de messages
permettant de mettre en place une interaction ;
o Les entités d’états mentaux sont les buts qui associent des agents à des situations. Les
buts peuvent être activés ou non dans la mémoire de l’agent. Un agent ayant un but
actif cherchera à atteindre ce but, c.-à-d. à se retrouver dans une situation spécifiée par
le but.
Ces concepts, lors de l’analyse et de la conception, sont manipulés dans des vues (ou
modèles) :
o La vue de l’organisation montre les entités concrètes dans le système et son
environnement, et la relation de haut niveau comme l’agrégation, le pouvoir ou les
accointances (qui implique la définition d’interactions) ;
o La vue des buts/tâches montre les buts, les tâches, les situations et les relations entre
eux. Les dépendances temporelles peuvent être définies, ainsi que les dépendances
d’ordre compositionnel ;
o La vue des agents/rôles associe les rôles aux agents, en spécifiant les événements
déclenchant l’attribution de rôles aux agents et les ressources exploitées ;
o La vue des interactions définit, pour chaque interaction agent/rôle, l’initiateur, les
collaborateurs, les "motivateurs", les informations échangées, les événements
déclenchant les interactions, et les autres effets possibles comme l’attribution de
nouveaux rôles par exemple ;
o La vue du domaine est une vue classique en analyse orientée objet qui décrit le
domaine d’application du système en terme d’entités et de relations entre elles.

MESSAGE s’intègre dans un processus de développement orienté objet connu, le RUP


(Rational Unified Process). En l’état, MESSAGE ne fournit que des modèles d’analyse.
INGENIAS a notamment pour but de continuer le travail sur les activités de conception.
L’analyse est séparée en deux niveaux, ayant chacun pour but de construire des modèles
Annexes 255

spécifiques ou de les raffiner. Le niveau 0 correspond à la vue externe (macro-niveau) de AAII


ou Cassiopée et le niveau 1 à le vue interne (micro-niveau):
Côté pratique, le RUP surclasse les autres approches. En effet, les ressources sont nombreuses
(livres, logiciels, sites) et son utilisation ne demande pas une grande expertise. MESSAGE ne
propose aucune directive d’implémentation, laissant libre le codeur de choisir son langage, à
condition qu’il soit orienté objet. Des outils sont disponibles (Rational Rose ou MetaEdit), ce
qui facilite les phases d’analyse et conception.

B.2. Méthodes s’inspirant de l’ingénierie de connaissances


Ces méthodes sont basées sur des approches dérivées de l’ingénierie des connaissances et sont
proposées pour concevoir des modèles d’agents cognitifs. La définition du comportement de
l’agent est ici vue comme un processus d’acquisition de connaissances.

B.2.1. DESIRE
DESIRE (DEsign and Specification of Interacting REasoning framework), fait figure de
pionnier dans le domaine des méthodes orientées agents et est un exemple de méthode
directement issue de l’ingénierie des connaissances. DESIRE manipule les structures de
connaissances, les décompositions de tâches, les échanges d’information, l’ordonnancement et
la délégation de tâches.
DESIRE repose principalement sur trois concepts clés :
• La représentation des connaissances est à la fois graphique et textuelle. La notation
graphique est directement inspirée des notations de type Entité-Relation dans
lesquelles apparaissent différents types de noeuds : les sortes (sorts) qui représentent
une partie du domaine, les objets qui sont des instances de sortes, les fonctions entre
des ensembles de sortes, les relations nécessaires aux déclarations, les méta-
descriptions permettant l’association entre un état du monde et une sorte, et enfin les
types d’information qui sont des spécification d’ensembles de sortes, de relations,
d’objets et de fonctions.
• Le modèle générique d’agent adopté par DESIRE est de type BDI, et est caractérisé
comme faible (weak), dans le sens de [Wooldridge 1995]. Un tel agent possède au
moins les quatre types de comportements suivants: autonomie (de contrôle),
comportement réactif, comportement pro-actif, comportement social (communiquer,
coopérer, ...). Un agent est décomposé en tâches (voir figure ci-dessous), qui peuvent
être par exemple : le contrôle de son propre processus, la gestion des interactions avec
les agents, la maintenance des informations sur les agents, la gestion des interactions
avec le monde, la maintenance des informations sur le monde, la maintenance de son
historique, la gestion de la coopération, et la tâche spécifique de l’agent (en fonction de
l’application).
Annexes 256

• Le modèle de composition de tâches, qui décrit chaque tâche des agents. Ce modèle
compositionnel permet de décomposer des tâches en sous-tâches, de spécifier des
relations de délégation ou de séquence. Ce modèle est fonctionnel dans le sens où
chaque tâche est vue comme un composant ayant des entrées et des sorties
d’informations. Ce modèle permet de définir le modèle d’agent générique comme un
ensemble de tâches organisées et possède lui aussi un pendant textuel.
Ainsi, dans DESIRE, les propriétés d’autonomie, de réactivité et de pro-activité sont exprimées
dans la tâche de contrôle de la connaissance, et les principaux concepts multi-agents
manipulés sont :
• l’agent, qui est vu comme un composant/tâche ;
• les croyances, les désirs, et les intentions qui sont des objets de connaissance ;
• les messages qui sont des liens entre composants/tâches ;
• les rôles qui sont des composants/tâches ;
• et les tâches.
Par contre, aucune notion de société, d’organisation, de norme ou de groupe n’est soulevée.
Dans DESIRE, deux types de notations cohabitent : la notation pour le modèle de
connaissances, inspirée de l’ingénierie des connaissances, et la notation pour les modèles de
tâches (dont celui d’agent). Les notations graphiques des connaissances sont de simples
graphes noeud/lien avec autant de types de noeuds que de types d’entités : sortes, objets,
fonctions, relations, méta-descriptions et types d’information. La notation graphique
compositionnelle de DESIRE permet de définir les tâches et leur relation de séquentialité et de
délégation par composition. La figure ci-dessous montre comment le modèle générique
d’agent peut-être décrit par composition de tâches en employant cette notation.
DESIRE possède un outil de vérification sur les spécifications formelles, et permet une bonne
analyse des modèles proposés.
Néanmoins, la méthode se décompose en cinq points :
1. La description du problème qui inclut les besoins imposés à la conception ;
2. Les principes de conception ou design rationale qui spécifient les choix faits lors de la
conception ;
3. La conception conceptuelle ou conceptual design qui inclut un modèle conceptuel pour
chaque agent, pour le monde extérieur et pour les interactions entre agents ;
4. La conception détaillée qui spécifie tous les aspects de connaissance et de
comportement;
5. La conception opérationnelle qui spécifie les paramètres nécessaires à
l’implémentation.
DESIRE est plutôt utilisée pour faire du prototypage. Le cadre de DESIRE est complet. En
effet, il fournit une méthode, un langage de spécification formel, des outils logiciels, un
générateur de code et des outils de vérification. Seulement, l’atelier est totalement
propriétaire. Enfin, mais ceci est certainement la chose la plus importante, DESIRE est une
Annexes 257

des seules méthodes à avoir été réellement utilisée dans l’industrie – certes avec ses créateurs
aux commandes – pour développer par exemple un logiciel d’aide au diagnostic de maladies
cardiaques ou bien de la conception de tâches en entreprise.

B.2.2. MAS-CommonKADS

La méthode MAS-CommonKADS est une extension de CommonKADS qui ajoute des


techniques venant des méthodes orientées objet à des techniques de conception des protocoles
dans le but de modéliser les agents et les interactions entre agents [Iglesias 1998].
L’extension à CommonKADS comprend les modèles suivants :
• Le modèle d’agent qui décrit les caractéristiques principales des agents, y compris les
capacités de raisonnement, les habiletés, les détecteurs et les effecteurs, les services, les
buts ;
• Le modèle de tâche qui décrit les tâches (les buts) devant être exécuté par les agents et
la décomposition des tâches, en utilisant les spécimens textuels et les diagrammes ;
• Le modèle d’expertise qui décrit les connaissances nécessaires aux agents pour
exécuter les tâches. La structure de connaissances suit l’approche de KADS, et
distingue les connaissances de domaine, les connaissances de la tâche, les inférences et
les connaissances spécifiques au problème à résoudre ;
• Le modèle de coordination qui décrit les conversations entre les agents, c’est-à-dire
leurs interactions, leurs protocoles et les capacités d’interaction exigées. Les
interactions sont modélisées en utilisant les techniques de description formelle MSC
(Message Sequence Carts) et SDL (Specifications and Description Language) ;
• Le modèle d’organisation qui décrit l’organisation dans laquelle le système multi-agent
sera introduit ainsi que l’organisation de la société d’agents. La description de la
société d’agents utilise une extension du modèle objet d’OMT (Object Modeling
Technique), et décrit la hiérarchie des agents, le rapport entre les agents et leur
environnement, et la structure de la société d’agents ;
• Le modèle de communication qui détaille les interactions entre l’agent humain et le
logiciel, et les facteurs humains nécessaires au développement de ces interfaces
utilisateur ;
• Le modèle de conception qui recueille les modèles précédents et est subdivisé en trois
sous-modèles : la conception de l’application, la conception de l’architecture et la
sélection de la plate-forme de développement pour chaque architecture d’agent.
MAS-CommonKADS a été plusieurs fois exploitée dans la conception de systèmes de gestion
de réseaux ou de systèmes multi-experts. Souvent, les agents déployés sont à forte granularité
compte tenu de l’approche adoptée orientée connaissances.
Annexes 258

B.3. Méthode basée sur l’ingénierie des besoins


B.3.1. Tropos

Tropos, dérivé du terme grec tropé signifie "facilement modifiable ou adaptable". Tropos est
une méthode de développement fondée sur les concepts utilisés en ingénierie des besoins
[Castro 2001]. Elle manipule la notion d’agent et de propriétés mentales associées tout au long
du processus de développement. Tropos adopte une approche transformationnelle, dans le
sens où à chaque étape, les modèles sont raffinés de manière itérative par ajout ou suppression
d’éléments ou relations dans les modèles.
Les concepts manipulés par Tropos sont: l’acteur (BDI de préférence), le rôle, la position, le
but (soft ou hard), le plan, la ressource et la dépendance (avec depender et dependee).
D’autres notions sont manipulées comme les capacités d’un acteur à définir, choisir et
exécuter un plan pour atteindre un but et les croyances qui sont une représentation de la
connaissance d’un acteur sur le monde. Le but est de définir les obligations des acteurs envers
les autres acteurs.
Tropos définit une modélisation selon cinq points de vus complémentaires :
• Social : quels sont les différents acteurs et que font-ils ? Quelles sont leurs obligations
et leurs capacités ?
• Intentionnel : quels sont les buts adéquats et comment sont-ils reliés ? Comment sont-
ils remplis et par qui des dépendances sont-elles demandées ?
• Communicationnel : comment les acteurs dialoguent-ils et comment interagissent-ils?
• Orienté procédé (processus) : quels sont les processus (business/computer) adéquats ?
• Orienté objet : quels sont les classes et objets adéquats et quels sont leurs liens ?
Tropos a développé un outil de génération de prototypes vers la plate-forme Jack, ce qui ne
réduit pas ses capacités de portabilité, bien que l’architecture agent soit imposée (agents BDI).
Tropos est adéquat dans n’importe quel contexte et couvre la totalité du cycle de
développement, même la vérification et la validation sont abordées de manière formelle. Par
contre, les activités et les délivrables associés au sein des phases ne sont pas si clairement
définis (la lecture de nombreux articles est nécessaire).

B.4. Méthodes s’inspirant de plate-formes


B.4.1. Cassiopée

Cassiopée, développée par Collinot et Drogoul [Drogoul 2000] est issue du domaine de la
simulation multi-agent influencée par l’éthologie. C’est l’une des seules méthodes bottom up
ou ascendantes, qui part des actions nécessaires à l’obtention d’une tâche globale, pour arriver
à la définition des rôles organisationnels et structures collectives.
Cassiopée repose sur quelques concepts clés : rôle, agent, dépendance et groupe. Un agent est
vu comme un ensemble de rôles organisés en trois niveaux :
Annexes 259

• Les rôles individuels, qui sont les comportements que les agents sont individuellement
capables de mettre en oeuvre, indépendamment de la façon dont ils le font ;
• Les rôles relationnels, c.-à-d. comment ils choisissent d’interagir avec les autres (en
activant/désactivant les rôles individuels), en se basant sur les dépendances mutuelles
qu’entretiennent les différents rôles individuels ;
• Les rôles organisationnels, ou comment les agents peuvent gérer leurs interactions
pour devenir ou rester organisés (en activant/désactivant leurs rôles relationnels).
La spécification des comportements des agents repose principalement sur deux types de
graphes dans Cassiopée : les graphes de couplage des comportements élémentaires, et les
graphes d’influences [Drogoul, 2000]. Ces graphes sont des graphes de type
états/dépendances. Les noeuds représentent les états possibles d’un agent, et les flèches
spécifient des dépendances en terme de coopération entre les états par exemple.
Les graphes d’influences permettent de dériver des rôles relationnels et des types d’agents par
groupement d’états.
Le processus de Cassiopée se décompose en cinq phases ou cinq calques (voir figure ci-
dessus), qui alternent entre le point de vue local (agents) et le point de vue global
(organisation) :
• Le calque des rôles individuels, qui définit les différents rôles d’agents ou tâches,
nécessaires, et permettent de définir les différents types d’agents ;
• Le calque des dépendances, qui définit les dépendances entre rôles, grâce à des graphes
de dépendances ;
• Le calque des rôles relationnels, qui définit la façon dont les agents gèrent ces
dépendances, en jouant les rôles relationnels adéquats ;
• Le calque des groupes, qui définit les groupes pouvant apparaître en cours de
résolution;
• Le calque des rôles organisationnels, qui décrit la dynamique de ces groupes, c’est à
dire les rôles organisationnels que les agents peuvent jouer pour les faire apparaître,
évoluer ou disparaître.
Ce processus se limite donc aux phases d’analyse, et au début de la conception, si on considère
la définition des états internes comme appartenant à la conception (dans les processus
classiques orientés objet, c’est le cas). Comme pour AAII, ceci implique une totale liberté
d’implémentation. Cependant, l’extension de Cassiopée, appelée Andromède, fournit un outil
d’aide à la conception [Drogoul 1998].

B.4.2. Prometheus

Développée par Padgham L. et Winikoff M. Elle permet de construire des agents dont
l'architecture interne est basée sur le modèle BDI. Elle comporte trois phases :
• La phase de spécification consiste en l'identification des fonctionnalités du système
avec les données en entrée (capteurs), les actions sur l'environnement (effecteurs) et
Annexes 260

toutes les sources importantes de données partagées. Le concepteur utilise les cas
d'utilisation et les diagrammes de séquence (comme dans UML) pour dégager et
spécifier les fonctionnalités du système.
• La phase de conception architecturale utilise les effecteurs dégagés lors de la
précédente phase pour déterminer le nombre et les types d'agents du système et la
manière dont ils vont interagir entre eux. Le concepteur regroupe l'ensemble des
fonctionnalités utilisant les mêmes données, celles-ci seront probablement affectées à
un agent unique. Les interactions entre les agents sont représentées dans un
diagramme d'accointances. Un descripteur d'agent est utilisé pour indiquer le nom et
la description de l'agent, les fonctionnalités de l'agent et une description des moyens
d'interaction avec les autres agents. Le concepteur identifie à ce stade toutes les
données partagées. Lors de cette phase, un diagramme global du système permet de
représenter les liens entre les agents, les événements et les données partagées. Les
interactions entre les agents sont indiquées dans des diagrammes d'interaction
(semblables aux diagrammes d'interaction entre objets). Les protocoles d'interaction
indiquent quelles interactions sont autorisées dans le système, ils utilisent une
notation empruntée à AUML [Odell 2000].
• La phase de conception détaillée s'intéresse à la structure interne des agents et à la
façon dont ils vont accomplir leurs tâches dans l'ensemble du système. Cette partie de
la méthodologie est spécifique au modèle BDI. Ici le concepteur va définir les modules
de chaque agent, les événements internes, les plans et les structures de données.
L'application de cette phase est incrémentale ; le concepteur définit les composants de
l'agent, puis entre dans la structure interne de chaque composant. Les fonctionnalités
dégagées lors de la phase de spécification constituent un bon point de départ pour
déterminer les composants de l'agent. Chaque composant est défini par un descripteur
de composant qui indique son interface externe (les événements en entrée et les
événements en sortie qui constituent les entrées des autres composants). Les relations
entre les composants sont représentées dans un diagramme d'agent, il est similaire au
diagramme global du système si ce n'est qu'à la place des agents, on a les composants
d'un agent. Les plans de l'agent sont décrits dans des descripteurs de plans. Un
descripteur de plan contient un identifiant, le type d'événement déclencheur, les étapes
du plan, une brève description du plan en langage naturel, un contexte spécifiant
quand le plan doit être utilisé et une liste de données en entrée et en sortie.

Le concepteur doit en outre définir dès le début du projet un dictionnaire de données qu'il
enrichit et met à jour au fil du déroulement de la méthodologie.
Annexes 261

B.4.3. MadKit

MadKit est une architecture de plate-forme multi-agents générique. C’est une plate-forme de
conception et d’exécution de systèmes multi-agents.
MadKit s’appuie sur un modèle organisationnel dénommé Aalaadin [Ferber 1998]. Ce modèle
définit les notions d’agent, de rôles et de groupes. MadKit voit un agent comme une entité
autonome communicante, qui joue des rôles au sein de différents groupes [Gutknecht 1998].
MadKit est basée sur une architecture à micro-noyau, une agentification systématique des
services et un découplage applicatif entre noyau, agents et application d’accueil. Très
concrètement, MadKit est un ensemble de packages Java qui implémentent le noyau agent,
diverses bibliothèques de base de messages, d’agents et de sondes. MadKit offre au concepteur
un éditeur graphique de formalismes représentables sous forme de graphes (UML, réseaux de
pétri, diagrammes d’interaction…) que ce dernier peut utiliser pour spécifier son SMA.