1

Une règle de production est une C. de la forme :

SI condition ALORS conclusion (Coef )

- Déclenchement de procédures
- Hypothèse – action …

Une BC dans ce formalisme est appelée : BASE DE RÈGLES (BR)

 Un SI = BC + I + C Choix des règles

Moteur
d’inférence

2
 BC ou BR M.I. Un Sys à
règles de
production

B. de FAITS

 BC : Contient des règles de • BF:

production
(M. à long terme du Sys)
 MI : mécanisme algo
(manipule la BC dans une
situation de consultation)
-M. à court terme
- C les infos connues sur le Pb
- au début elle C les données
préliminaires sur le Pb
-elle s’enrichit ensuite par
application des règles de la BC
3
 Le MI fonctionne suivant 2 mécanismes de base :
 Le chaînage AVANT
Peuvent être combinés
 Le chaînage ARRIÈRE
 Le chaînage MIXTE

 C’est un raisonnement guidé par les données

 Il envisage les règles dans le sens Condition  Conclusion
(G  D)
 À une étape le MI parcourt un cycle de 3 phases :

4
 1. Recherche des règles applicables
 partie condition est vérifiée à partir de la BF
2. Sélection d’une règle parmi les candidates
 résolution de conflits
3. Application de la règle sélectionnée
 les éléments de la conclusion vont enrichir la BF
 Le cycle va reprendre jusqu’aucune règle n’est plus
applicable  saturation de la BF (Échec)
 Ou on a réussi à  prouver le but (Succès)

5
 Raisonnement guidé par un but
 Utilise les règles dans le sens Conclusion  Condition
(D  G)
 Le MI fonctionne à partir d’un but initial à prouver
(rangé dans une pile)
 Utilise un cycle de 3 phases :
1. Détection des règles qui concluent sur le but courant
( sommet de pile)
2. Sélection d’une règle
3. Application de cette règle
 la partie condition de la règle devient un nouveau
but à atteindre
6
 Si cette condition est déjà dans la BF  le travail est
fait
 Sinon, elle est empilée dans la pile des buts
 Le cycle reprend (en traitant le sommet courant de
la pile)
 Jusqu’à ce que :
 La pile soit vide  le but est atteint (Succès)
 Aucune règle n’est plus envisageable  (Échec)

7

 L’homme met en jeu une démarche dirigée par les
données (tirer des conclusions à partir d’infos)
 Et d’une démarche dirigée par les buts (tenter de prouver
une idée)
 ceci se traduit par un chaînage mixte (combine les 2)
 Remarques :
1. Lors de la recherche des R à appliquer dans un chaînage
avant le MI utilise le filtrage dans le cas où les règles
contiennent des variables MI d’ordre 1 (comme la
logique)
2. Lorqu’à une variable on ne peut substituer qu’une
constante (non une autre variable) MI d’ordre O+
3. Si la R admise ne renferme pas de variables on parle de
MI d’ordre O (une R sera tuée dès qu’elle est appliquée)
8
 Exp de règles de production
« Rappeler soi-même au téléphone tout demandeur important
dans les 24 heures »

SI appel téléphonique de X et X important
ALORS dégager une période dans les prochaines 24 heures
ET inscrire « téléphoner à X »

9
 La résolution de Pb se fait par inférences déductives
(c’est une déduction par Modus Ponens)
 Exp : BF
F1 : père (Jacques, Charles)
F2 : frère (Charles, François)
F3 : frère(Jacques, Pierre)
 BC
R1 : père (x, y)  frère (y, z)  père (x, z)
R2 : père (x, y)  frère (x, z)  oncle (z, y)
 BUT
oncle (x, François) « trouver l’oncle de François »

10
1. Inférence en chaînage avant
R1 : (F1, F2)  père (Jacques, François) = F4
R2 : (F1, F3)  oncle (Pierre, Charles) = F5
R2 : (F4, F3)  oncle (Pierre, François)  But
efficacité  limiter les inférences inutiles (exp : F5)
il faut aussi que l’inférence ne boucle pas
R3 : frère (x, y)  frère (y, x)
 frère (François, Charles)  frère (Charles , François)
 (donc il faut détecter les cycles)
2. Inférence en chaînage arrière
R2 : But  SB1 = père (y, François)
SB2 = frère (y, x)

11
 R1: SB1 SB2 = frère(y, x)
SB3 = frère (w, François)
SB4 = père (y, w)

Peuvent être satisfaits par la BF

 SB2  y = Charles x = François
y = Jacques x = Pierre

 SB3  w = Charles

 SB4  y = Jacques
w = Charles
12
 2 possibilités :
 (y = Charles, x = François)  (w = Charles)  y = Jacques,
w = Charles)
 (y= Jaqcues, x= Pierre)  (w = Charles)  (y = Jacques,
w = Charles)
x = Pierre résultat

  Le chaînage arrière est plus efficace pour des Pbs bien

ciblés | la planification ou le diagnostic
 Le chaînage avant est plus adapté aux Pbs d’interprétation
des données

13
 Il existe des systèmes qui admettent la présence de variables dans
les règles
À la place d’écrire :
 Si sensibilité = 100  Si sensibilité = 200
et éclairage = soleil et éclairage = soleil
alors vitesse = 127 alors vitesse = 270
Condenser ces règles :
 Si sensibilité = SENS
et éclairage = ECLAI
et calcul (SENS, ECLAI)=VITESSE
alors vitesse = VITESSE
 avec un tableau :
calcul ( 100, soleil) = 127
calcul ( 200, soleil) = 270

14
 Élargir le formalisme des R de Pb pour prendre en compte
l’incertitude de certains faits
 Technique des coefficients de vraisemblance (E. H.
SHORTLIFFEa ) dans MYCIM
 Un fait a un coefficient de vraisemblance (c.v.) noté « cf » :
 - 1 : fait faux
 +1 : fait vrai
 [-0,2 , +0,2] : fait indéterminé (ni Faux ni Vrai)
 Exp : Fièvre (Patient) = oui (cf = 0,7)
 « il est pratiquement certain que le patient a de la
fièvre »
15
 L’incertitude peut affecter la relation entre prémisses et
conclusion
 « si le patient a de la fièvre, il est à peu près certain qu’il
a la méningite »
 Si fièvre (P) = oui
Alors maladie (P) = méningite (cf 0,6)
 Règle de calcul ? (pour propager l’incertitude dans
l’inférence)
 Exp : de MYCIN (3 règles) :

16
 R1 : Si plusieurs règles concluent sur un même fait avec des coef
différents
Exp : Si P1 alors F 0,6
Si P2 alors F 0,5
 FONCTION DE COMBINAISON (calcule le coef résultant) :
Coef 1 – 0,6 = 0,4
de 1 – 0, 2 = 0,8
certirude 0,4 * 0,5 = 0,2
0 0,5
1
  Coef résultant = 0,8
1ère règle 0,6

(2ème règle) 0,5
0 0,5
1

17
 R2 : * Si P1 (cf 1) P2 (cf 2) Alors …
Prendre le max des 2 coef
* * Si P1 (cf 1) P2 (cf 2) Alors …
Prendre le min des 2 coef
 R3 : Si la conclusion comporte un coef et que les Faits
qui satisfont les premisses ont aussi des coef
 Exp :  Si fièvre(P) = oui
ou maux-de-tête (P) = oui
Alors maladie(P) = méningite (cf 0,8)
 et dans la BF nous avons :
fièvre (P) = oui (cf = 0,6)
maux-de-tête (P) = oui (cf 0,4)
0,6 * 0,8 = 0,48 Nous prenons
0,4 * 0,8 = 0,32 le Max
résultat : maladie (P) = méningite (cf 0,48)
18
19
La nécessité d’organiser de façon structurée des Cs.
disponibles
Dans la littérature sont apparus des formalismes de
SCHEMAS ou PROTOTYPES :
FRAMES (pour la vision)
SCENARIOS (pour le traitement du langage) (scripts)
Récemment, ces formalismes ont été intégrés dans les L.
O. O

20
DEF : Un FRAME regroupe de façon structurée
l’ensemble des Cs. :
- d’un objet physique
- d’un concept
- d’une situation typique

21
 EXP : Le concept boisson gazeuse

 FRAME B. GAZEUSE : FACETTES

Sorte-de : boisson
Application : app (valeurs possibles : COCA, BOGA, FANTA)
(défaut : COCA) PROCEDURE
ATTRIBUTS (si-besoin : demande appellation)
Couleur : coul (valeur-possible : Noir, Blanc, Oranger)
(défaut : noir)
rangement : caisse (intervalle : 20 à 25)
(défaut : 20)

... : … 
22
 Au cours du raisonnement vont apparaître des instances
de ce concept
EXP :  Instance
appellation : coca
couleur : noir
rangement : 25 


DEF 2 : Un scénario a le même principe mais il est relatif

à des séquences typiques d’événements
(non plus à une description statique d’objets)
23
 EXP :
Script Manger-au-Restaurant

Éléments : (Restaurant, Argent, Nourriture,

Menu, Tables, Chaises)
Rôles : (Personnes-affamées, Serveurs,
Chefs)
Point-de-vue : (Personnes-affamées)
Moment : (Heures-d’ouverture du
restaurant)
Lieu : (Emplacement du restaurant)

24
 Scénario :

D’abord : Script « Entrer-au-Restaurant »

Puis : Script « Attirer-l’attention_du_Maître_d’hôtel »
Puis : Script « Prendre-place-à-table »
Puis : Script « Manger » sauf si (longue-attente) alors
script (« Sortie-en-colère »
Puis : si (qualité-nourriture > convenable) alors
script (« Féliciter-le-chef »
Puis : Script « Payer-l’addition »
Enfin : Script « Quitter-Restaurant »

Remarque : Exemples plus professionnels

• dépanner un matériel, négocier un contrat, conduire une réunion
• Présenter un dossier …

25
Exp : Frame ou objet (information déductive)
OBJET : VEHICULE
O : Produit
industriel Type : classe
Milieu : Terre / Air / Eau Procédure
Masse : un nb  un objet (information
Vitesse : un nb procédurale)
Puissance : un nb METH-Calc-Puiss
O : Automobile
Type : Sous classe Age : un nb
Milieu : Terre
Marque : Renault / Fiat / … O : Camion
Hérite de véhicule
Couleur : une couleur Type :
Un ou de produit Ind.
Propriétaire : Perso.
objet 
Héritage multiple

O : R25
Type : sous-classe
Marque : Renault O : MA R25
Type : Instance O : OM
Puissance : 9 cv Type :
Couleur : Gris
Propriétaire : Ali
Age : 7 ans

26
 Nous allons faire le Frame Table qui décrit une catégorie qui est sous-
ensemble de meuble et faire le Frame « Table-de-Charles » qui est une
instance de la catégorie « Table »

Frame Table
Sorte-de : Meuble
Nombre-de-pieds : doit être entier
par défaut 4
Forme : doit être carré, rectangulaire, ovale
Nbre-de- rallonges : doit être 0, 1 ou 2

27
• La représentation des connaissance ou objets
structurés est issue de travaux différents où il y a eu des
applications variées :
Schémas, frames, scripts, prototypes, objets, …

28
Idée : L’homme devant une situation nouvelle :
Il choisit dans son esprit une structure substantielle
appelée FRAME.
C’est un cadre de travail qui doit être adapté pour coller à la
réalité (en modifiant les détails nécessaires).

Le processus d’adaptation  l’appariement :

Choix d’un frame (en utilisant des heuristiques et des prévisions)
Rechercher une correspondance entre la réalité et le FRAME choisi
Si la correspondance n’est pas possible  nouveau FRAME
Représentation : - Typicalité
- Valeur par défaut
- Exceptions
- Propriétés incomplètes
- Hiérarchie dynamique
29
 Inférence : FILTRAGE (héritage, appariement)
CLASSIFICATION (intégrer un Frame dans la
hiérarchie)
Exemples :
• FRL : Frame Rep-Lang (GOLDSTEIN, 1977)
• KRL : Knowledge Rep-Lang (WINOGRAD, 1977)
Forme : (Frame
(attribut 1
(facette 1.1 valeur 1.1)
(facette 1.2 valeur 1.2)
● ● ●)
(attribut 2
(facette 2.1 valeur 2.1)
(facette 2.2 valeur 2.2)
● ● ●)

● ● ●)

30
Exemple ((ATOME
: Sorte-de
(valeur OBJET))
(valence
(Un entier)
(Intervalle [1 7]))
(liaison
(liste-de
Liaison))
(Charges
(un entier)
(défault 0)
(
(atomesliés
(liste-de ATOME)
(si-ajout - saturation)
(si-enlève - saturation))
(saturation
(un entier)
(si-besoin calcul-satura)) ) 31
 Remarque :
Les facettes dépendent du langage (Déclaratives, Procédurales
Facettes déclaratives
Utilisées pour caractériser un attribut dans son env. sémantique
statique
1. Facettes de typage
 caractérisation des valeurs admissibles par un l’attribut
• Un  autorise une valeur élémentaire
• Liste-de  autorise plusieurs valeurs en même temps

• Domaine  ensemble des valeurs possibles

• Intervalle  ensemble des valeurs ordonnées

2. Facettes de valeur
 déterminent les valeurs attribuées
• Valeur  la valeur courante
• Défault  la valeur par défaut (valeur héritée)
32
 Facettes procédurales
• Elles incluent des procédures se déclenchant
(lors des accès aux attributs associés)
• Elles sont des réactions aux accès
 d’où le nom : réflexes ou démons
1. Réflexes a priori :
 ensembles de procédures préalables à un accès à un attribut
• Si-besoin  déclenchement d’une procédure activée par un
accès de lecture d’une valeur d’un attribut (si celle-ci n’est pas
déjà attribuée)
exp : voir calcul-saturation
• Si-possible  déclenchement d’une procédure activée par un
accès d’écriture pour vérifier la validité d’une valeur avant son
attribution

33
1. Réflexes a posteriori :
 ensemble de procédures postérieures à un accès à
l’attribut
• Si-ajout  introduit une procédure activée après
une modification de la valeur de l’attribut
exp : -saturation
• Si-enlève  introduit une procédure activée après
une suppression de valeur de l’attribut

Accès aux attributs

Les FRAMES n’ont pas de comportement propre  manipulés

par des primitives (permettant de travailler sur les attributs)
 Ces primitives d’accès intègrent les facettes de l’attribut et la
hiérarchie d’héritage

34
3 types :
1. LIRE : (Lire Frame Attribut)
 lecture de la valeur d’un attribut
• La lecture repose sur l’utilisation de la hiérarchie et les
facettes (valeur, défaut et si-besoin)
• La façon de consulter ces facettes permet des stratégies de
parcours différentes
a. Lecture en I : chercher une valeur en remontant dans la
hiérarchie
(et ce pour l’une des 3 facettes [- en général la facette
valeur-]
b. Lecture en N : réaliser une lecture en I sur chacune des 3
facettes suivant l’ordre : Valeur, si-besoin, Défaut
c. Lecture en Z : consulter dans l’ordre les facettes valeur,
Si-besoin, Défaut avant de remonter la hiérarchie et
recommencer
35
2. ECRIRE, AJOUTER
 affecter une valeur à un attribut
 (ECRIRE Frame Attribut Valeur)
 attribution d’une valeur à un attribut par substitution de
l’ancienne
 (AJOUTER Frame Attribut Valeur)
 attribution d’une valeur à un attribut dont la valeur est de
type Liste
Ces deux opérations se déroulent en 3 temps :
A. Vérification a priori :
a. nouvelle valeur différente de l’ancienne
b. Si oui elle doit satisfaire :
o Les contraintes de type (facette Domaine) de tous
les frames de la hiérarchie (général ou particulier)
o Les réflexes si possible sont activés (s’ils existent)
B. Ecriture
•  la valeur est mise en place dans la facette valeur de
l’attribut si elle existe
•  sinon la facette est crée avec la valeur
36
 C. Réflexes a posteriori :
 les réflexes Si-ajout sont déclenchés dans le même ordre
que les vérifications a priori (la valeur écrite ne doit pas être
mise en cause)
3. DETRUIRE, ENLEVER
 supprimer une valeur de l’attribut
 (DETRUIRE Frame Attribut)
 supprimer la valeur de l’attribut
 (ENLEVER Frame Attribut Valeur)
 supprimer la valeur indiquée de la liste des valeurs de
l’attribut
o Si la valeur n’existe pas au niveau de l’attribut  la
procédure rend la main
o Sinon la facette est détruite (dans le cas de la procédure
DETRUIRE) ou la valeur est enlevée (pour la procédure
ENLEVER)
o Les réflexes Si-enlève sont ensuite déclenchés dans l’ordre
ascendant de la hiérarchie
37
 Dans le formalisme orienté objet (O.O) l’univers d’une
application se compose
o De classes génériques
o D’instances d’objets Muni du mécanisme d’héritage

 Chaque objet est un frame
Les objets sont indépendants et communiquent par un mécanisme
de transmission de message
EXP : objet structuré pour VEHICULE
Rqs :
o une classe  objet générique (sous-classe, s-s-classe, …)
o un modèle particulier de la classe  instance
oLa transmission de message  les objets sont réactifs
oLes classes ont un ordre qui définit une hiérarchie
(raisonnement) 38
 Mécanisme d’héritage (transmission de Connaissances d’un
concept vers ses fils)
 Raisonnement local (paquets de règles, procédures, …)
Raisonnement global :
1. Classification d’un nouvel objet
2. Comparer une instance à une classe (pour interpréter cette
instance)

39
 Dans les systèmes experts
En vision (les objets sont des objets physiques présents dans une
image)
En traitement de la parole …

40
41
C’est l’introduction directe de procédures algorithmiques dans les
système d’IA
 Une BC peut donc contenir des représentations procédurales

42
 Appel direct: une R. de P. peut déclencher directement une
procédure (figurant en conclusion)

Attachement procédural : dans les FRAMES 

l’affectation d’une valeur à un attribut peut résulter d’une procédure

43
 « tous les militaires Américains sont astucieux »
1. En logique du 1er ordre
 x (Militaire (x) et Américain (x))  Astucieux (x)
2. Procédural

Langage (CONSEQUENT (Astucieux ? x)

Micro-Planner GOAL (Militaire ? x)
GOAL (Américain ? x))))
Rqs :
1. Utilisation pour :
• Prouver que x est astucieux
• Prouver qu’un militaire non astucieux n’est pas américain
2. Pour prouver que x est astucieux
 il faut prouver que c’est un militaire
 si ça réussit
 il faut prouver qu’il est américain
44
45
 Ex1:

Le langage PROLOG (A. COLMERAUER, MARSEILLE 1972)

• la C. est représentée avec des « clauses de Horn » qui traduisent :
• Des faits : accord (géromé, pinot-noir)
• Des règles : region(X, Y)  region(X, U)  region(Y, U)
• Une clause du type : partie G  partie D se lit :
pour prouver la partie G, il suffit de prouver la partie D
• Exemple des fromages et des boissons
un programme PROLOG :

46
(1) Accord (géromé, pinot-noir) ^
(2) Accord (X, Y)  fromage-chèvre (X)  même-région (X, Y)
(3) Accord (X, Y)  pâte-molle(X)  robe (Y, rouge) corps (Y, étoffé)
(4) Fromage-chèvre (Charolles)
(5) Pâte molle (camembert)
(6) Robe (morgon, rouge)
(7) Robe (fleurie, rouge)
(8) Corps (morgon, étoffé)

Question : accord (camembert, L) ? Quel boisson servir avec le

camembert ?

Réponse : l’interpréteur PROLOG va parcourir les clauses du

programme en cherchant à trouver L

Il répond L=morgon
47
 Le raisonnement

Avec X = camembert Avec X = camembert

Accord (camembert, L) ? et Y=L
et Y=L
(2) (3)
Pâte-molle (camembert)
Fromage-chèvre (camembert)
Et robe (L, rouge)
Et même-région (camembert , L) ? ?
Et corps (L, étoffé)
(5)

robe (L, rouge)

échec
L = fleurie Et corps (L, étoffé)
?
(7)
(6) L = morgon
Corps (fleurie, étoffé) ? corps (morgon, étoffé) ?
(8)
succès
échec
L = morgon
48
 EX2: Preuve par réfutation

F.B.F = {F1, F2, F3}

F1 = x [s (x) L (x)] quiconque sait lire est lettré
F2 = x [D (x)  L (x)] les dauphins ne sont pas lettrés
F3 = x [D (x)  I(x)] certains dauphins sont intelligents

Soit le théorème :
X =  x [I (x)   s (x)] certains être intelligents ne savent
pas lire

Question :
X est-elle une conséquence logique de {F1, F2, F3}
{F1, F2, F3}  x ?
49
 Réponse
1) Je pose FBF  {X} = C

2) Skolémisation (algo . de SKOLEM) :

F1 = 
 x [s (x)  L (x) ]   s(x)  L (x) (C1)
x
F2 = 
 x [D (x)   L (x) ]   D(x)   L (y) (C2)
y
F3 = 
 x [D (x)  I (x) ]   D (A) (C3 a)
A = cte de SKOLEM I (A) (C3 b)

3)  X = xx [ I (x)  s(x)]   I (Z)  s (Z) (C4)

Z
• Après transformation FBF  {X} devient :

C = {C1, C2, C3a, C3b, C4}

50
Arbre de dérivation

 I(Z)  s(Z) I(A)  S(x)  L(x)  D(y)  L(y) D(A)

Z=A
x=A
S(A)

y=A
L(A)
y=A

 D(A)

 NIL

Donc : X est une conséquence logique de {F1, F2, F3}

51
Ex1 : possède
animal peau

s possède
Oiseau ailes

s
couleur
canari Jaune

Q: Le canari a des ailes et une peau Oui ou Non ?

R: Oui (héritage au sens « s »)

52
Ex2 :
Certaines propriétés ne s’héritent pas par le
Q: chaînage « e ».
Donnez un exemple ?
Les rouges-gorges sont étudiés par les naturalistes
R:
mais on ne peut affirmer que kiki le soit

Oiseau
s
e
KiKi Rouge-gorge

e
étudié naturalistes
Espèce par
en
danger
53
Ex3 :

Q: Représenter les phrases suivantes :

1. Jean a frappé Marie avec un marteau dans le parc
la nuit dernière
2. Jean a frappé Marie et Mohamed a frappé Fatma

1) Jean
instrument marteau
agent
frapper objet
lieu Marie
parc s
Actions Nuit
violentes dernière
54
2) Jean Mohamed
agent
agent
frapper

objet objet
Marie
Fatma

 Pb : Qui a frappé qui ? (Non)

Jean Mohamed
agent agent
e e
frapper-1 frapper frapper-2
objet objet
Marie Fatma
55
Ex : chaînage mixte

B. C. :

R1 : Si vert et comestible Alors légume (sûr)

R2 : Si lourd et légume et rond Alors chou (probable)
R3 : Si rose et légume Alors Radis (sûr)
R4 : Si légume et rond et possède-feuilles Alors chou (sûr)

56
 Session d’interprétation (consultation)
État de la B. F. Raisonnement
Données initiales  Guidé par les données
R1
ROND LOURD R1 Applicable
BF VERT COMESTIBLE
Chaînage Avant

ROND LOURD
BF VERT COMESTIBLE
R2 R2 Applicable
LEGUME

ROND LOURD Plus de règles applicables

VERT COMESTIBLE
LEGUME CHOU (PROBABLE)


Guidé par le BUT
57
 Guidé par le BUT

Chaînage arrière
But : objet chou ?
R4
Nouveau But : possède-feuilles

Plus de règle déclenchables


Question posée : « l’objet a-t-il
des feuilles ? »

ROND LOURD VERT Oui

COMESTIBLE LEGUME
BF CHOU (PROBABLE) Le but chou vérifié
Possède-feuilles 
Diagnostic final
L’objet est un chou
58
 Certains domaines traitent des connaissances pas toujours
exactes (vrai, faux) ex: diagnostic
R1 : Si le moteur cale ou ralenti Alors il est probable (0,7) que
l’allumage soit en cause
R2 : Si le moteur démarre mal à froid Alors il est probable (0,6)
que l’allumage soit en cause
Faits : Le moteur cale ou ralenti
Le moteur démarre mal à froid
R1 et R2 s’appliquent et se renforcent

• Coef. de certitude, de vraisemblance, de croyance, de probabilité
• Théorie des sous-ensembles flous
59
 Utilisation des facteurs de certitude
Certitude d’une expression
* C(A et B) = Min (C(A), C(B)) « Une chaîne est toujours de
la solidité de son plus faible maillon
* C(A et B) = C(A)*C(B) « Une chaîne est encore moins
solide que son plus faible maillon
* C(A et B) = (Min (C(A), C(B)) « Compromis entre les
C(A)*C(B) )/2 deux précédentes
* C(A ou B) = Max (C(A), C(B))
* C(A ou B) = C(A) + C(B) - C(A)*C(B) « inspirée de la
probabilité »
* C(A ou B) =( Max (C(A), C(B))+ C(A)
+ C(B) - C(A)*C(B))/2 « compromis »

60
Certitude d’une conclusion d’une règle

C(conclusion )= C(Prémisse) * C(règle)

Condition

Certitude d’une conclusion commune entre plusieurs règles

C(conclusion) = Max ( C(conclusion /Ri) , C(conclusion /Rj))

61
• Chaque R. de production est indépendante des autres
•Expression naturelle pour l’expert
•Une R. P. est facilement modifiable
•Lisibilité :
•Pour l’homme  le savoir est modulaire
•Pour la machine :
 relative facilité de vérifier la cohérence

Contradiction Redondance
ABC Traitement EFG
ABC syntaxique D  E  F G
•Auto-explication
•Efficacité : MYCIN , PROSPECTOR , XCON
62
 Difficulté de concevoir les systèmes :
Dégager les « bonnes règles » en évitant un niveau de détail très
fin
Difficulté d’exprimer et d’écrire une règle complexe :
• lourdeur dans l’expression des membres gauches
• répétition des prémisses pour des situations semblables

63
• Combinaison procédural / déclaratif
•Liens avec les bases de données
• Évolution de la base de connaissance :
• propagation par héritage
•mécanismes d’inférence multiples :
•Héritage de valeur
•Héritage de valeurs par défaut
•Attachement procédural
• structuration de la connaissance

•Plus d’efforts de la part du concepteur

•Auto-explication plus difficile à mettre en oeuvre
64
 Langages de classes
• une classe décrit une famille d’objets
 instance
•Objet
instance  ensemble des
valeurs des « attributs »
déclarés
• toute classe dérive d’une ou plusieurs
superclasses
•Tout objet instance l’est à sa création et
le reste
•Héritage statique des « attributs »
•Héritage dynamique des méthodes
SMALLTALK-80, EIFFEL, C++
Langages de Frames
• un concept décrit une famille d’objets
et peut être représenté par l’un d’entre
eux  prototype
•Objet
prototype  ensembles des
propriétés structurelles et
procédurales qui diffèrent
de son prototype
•Tout prototype dérive d’un ou
plusieurs sous-prototype
• tout objet prototype est
potentiellement spécialisable
•Un objet hérite ou fixe une propriété
•Un objet hérite ou fixe une procédure
réflexe
KRL, FRL, YAFOOL …
SHIRKA
65
 Langages de classes
• accès aux valeurs par envoi de
messages
•Description d’une abstraction de
façon complète et définitive
•L’appartenance d’un objet à une classe • l’appartenance d’un objet à un
est définie lors de sa création
•Langage de programmation
Langages de Frames
• accès aux attributs provoque le
déclenchement de reflexes
(démons)
• description d’une abstraction de
façon incomplète et évolutive
prototype s’affine
progressivement
•Langage de représentation

•Définition de conditions nécessaires •Théorie des prototypes et typicalité

et suffisantes d’appartenances d’un •Conditions suffisantes
objet à une classe
Extension, compréhension Extension, intension

66
Objet
Attribut
Descripteurs :
Mode monovalué multivalué
Type la ou les valeurs possibles
Défault valeur par défaut
Inhéritance mode d’héritage
Askable True/False : possibilité d’obtenir Data
Question description de la question
WhenFilled ajout d’une valeur dans l’attribut
WhenRemoved suppression d’une valeur dans l’attribut
ToCompute calcul automatique de la valeur d’un
attribut

67
Objet : Personne

Nom ( )
Mode Mono
Date-de-naissance ( )
Mode Mono
Type String
Liste-rouge ( )
Mode Mono
Type [oui, non]
Default non

68
Objet : Comptechèque

Signataires : []
Mode Multi
Type Personne
Askable yes
Question « entrez la liste des titulaires du compte »
Solde ( )
Mode Mono
Type Number
WhenFilled{vérification solde}

69
70
 1. Les représentations logiques
 + Se fondent sur de solides bases théoriques
 + Adaptées au raisonnement exact avec données
complètes (démonstrations de théorèmes, résolutions
d’énigmes, …)
  Rigueur du formalisme (V, F) ne permet pas :
1. De représenter des infos. nuancées
2. De prendre des décisions quand l’info. Manque
  Ne fournit pas une organisation des C. (exploitation
difficile quand la B. C. est grande)
  difficile de représenter des connaissances procédurales
ou heuristiques

71
 2. Les réseaux sémantiques
 + bien adaptés à la représentation d’un ensemble
hiérarchique de concepts
  le mécanisme d’héritage  un raisonnement rigide
(R. S. utilisés en complément d’autres modes)
  il n’existe pas de terminologie standard (dans les types
de relations)
  ne permet pas d’exprimer des C. procédurales
(résolu par les réseaux d’objets structurés)

72
 3. Les règles de productions
 + moyen simple et naturel de traduire la C. heuristique
(car elles sont indépendantes)
 + les coefficients permettent de prendre des C.
imprécises
 + c’est un système aisé à modifier et à compléter
 nécessite un contrôle de la cohérence et de la B. R.
  il faut affecter des priorités pour la résolution de
conflits (grande B. R.)
  permet de représenter des connaissances « de surface »
et non « profonde »
  on associe aux règles de P. d’autres modes de
représentation

73
 4. Les objets structurés
 Largement utilisés car beaucoup d’avantages :
 + structuration d’un univers (le modélisé)
 + rassemblement de l’ensemble des C. relatives à un
concept
 + couplage des aspects déclaratifs et procéduraux
 + hiérarchisation des C. et des raisonnements

74
5. Les représentations procédurales
 + quel que soit le mode de représentation  il faut un
interpréteur (un noyau procédural –MI-)
 + Quelques C. s’expriment facilement de façon
procédurale (calcul)
 + mieux appropriées à la traduction des C. et du
raisonnement humain (calcul)
  ne sont pas souples ni modulaires

75