Les Systèmes de gestion des règles métier

Les Systèmes de gestion des règles métier comme IBM Operational Decision Management
(ODM) précédemment connues sous le nom ILOG JRules sont utilisés des entreprises de
toutes tailles pour permettre aux experts métier d'automatiser leur expertise tout en utilisant
une approximation facilement compréhensible du langage naturel. Les Systèmes de gestion
des règles métier sont commercialisés sous de multiples formes, parmi lesquelles FICO
Decision Management Suite, TIBCO Business Process Management Suite, RedHat
JBoss BRMS et OpenRules.

1 OpenRules
1.1 Description
L'une des techniques les plus populaires de ML est l'extraction de règles et de modèles de
classification à partir d'ensembles de données massifs ; le module qui effectue ce travail est
appelé un apprenant de règles. En même temps, la découverte de règles est un composant
important d'un système de gestion des règles et des décisions d'entreprise. Une question
naturelle se pose donc : Pourquoi ne pas combiner ces deux technologies (ML et BR)?
OpenRules répond à cette question avec un "Rule Learner".

Figure 1 : schéma générale d’un BRMS

Un Rule Learner est un composant spécial du BRMS qui exécute un algorithme
d'apprentissage automatique sur des données historiques provenant d'une base de données
d'entreprise et génère (apprend) de nouvelles règles de décision sous une forme compréhensible
à la fois par les spécialistes de l'entreprise et par le système de règles d'entreprise. Les règles
générées peuvent être automatiquement ajoutées au référentiel de règles d'entreprise pour être
utilisées pendant un cycle d'exécution du moteur de règles afin de produire de nouvelles
décisions d'affaires qui seront à leur tour enregistrées dans le référentiel de données d'entreprise.
En travaillant ensemble et en appliquant plusieurs itérations du processus décrit, nous pouvons
constater que Rule Learner et Rule Engine ajoutent une nouvelle dimension, celle des capacités
d'apprentissage auto-améliorées, aux processus métier basés sur des règles.

1.2 L'architecture du modèle Rule Learner

OpenRules Rule Learner est basé sur une approche d'apprentissage automatique
supervisé qui nécessite des données d'entraînement pour son exécution. L'architecture
intégrée qui en résulte est présentée dans la figure suivante :

1.2.1 Training Sets

Un ensemble d'apprentissage se compose généralement d'exemples indiquant les cas où le
résultat souhaité a été atteint (exemples positifs) et de contre-exemples indiquant les cas où le
résultat souhaité n'a pas été atteint (exemples négatifs). Les ensembles d'apprentissage sont
utilisés par Rule Learner pour découvrir et représenter de nouvelles règles et pour mesurer la
précision et l'efficacité des règles une fois qu'elles ont été apprises. Si les résultats sont
satisfaisants, les règles peuvent alors être utilisées pour prédire les résultats de nouveaux cas.
 1.2.2 OpenRules Trainer
L'apprentissage supervisé nécessite un entraîneur pour créer des données d'entraînement.
En général, l'entraîneur est un expert en la matière qui a une grande expérience des données
historiques de l'entreprise et qui possède les compétences et les aptitudes nécessaires pour
établir des objectifs, des concepts des critères permettant de détecter des modèles et des règles.
Il est également possible d'automatiser la fonction d'entraîneur et d'en faire une partie intégrante
de l'architecture du système. Initialement, l'entraîneur peut être mis en œuvre sous la forme
d'une interface interactive basée sur des règles qui aide l'expert de la matière à analyser les
données de l'entreprise et à créer des ensembles de données d'entraînement.

L'entraîneur OpenRules permet aux experts du domaine d'incorporer leurs connaissances dans
Rule Learner en les présentant sous la forme de règles de formation spécifiques au domaine.
Les règles d'apprentissage couvrent généralement les tâches courantes de prétraitement des
données suivantes :

➢ Sélection de critères et d'attributs à prendre en compte par un Rule Learner.

➢ Génération de nouveaux attributs qui généralisent les attributs existants en ajoutant des
attributs nominaux, des ratios, etc.
➢ Règles de filtrage des instances
➢ Sélection des paramètres d'exécution du Rule Learner.

En apportant des modifications aux règles d'entraînement, les experts du domaine informent
efficacement l'entraîneur de règles des changements dans l'environnement du monde réel. Voici
un schéma d'implémentation générique utilisé par OpenRules Trainer :
 Figure 2 : schéma d'implémentation générique utilisé par OpenRules Trainer
Il est important de souligner que ce sont les spécialistes métier (et NON les développeurs de
logiciels) qui sont normalement chargés de maintenir les ensembles de formation et d'évaluer
les règles générées automatiquement.

OpenRules a développé tous les composants nécessaires pour une intégration de ML + RM qui
permettent à une entreprise de combiner différents algorithmes d'apprentissage et moteurs de
règles. Vous trouverez ci-dessous un schéma d'intégration qui combine un formateur basé sur
des règles avec une conversion automatique des règles :
 Figure 3 : Intégration d’un formateur basé sur des règles avec une conversion automatique
Bien qu'il existe de nombreux algorithmes de ML et outils de mise en œuvre, il n'y a pas
d'algorithme connu qui soit optimal pour TOUS les types d'ensembles de données. Dans la
plupart des cas, une analyse approfondie des données, ainsi qu'un nettoyage et un réglage des
données sont nécessaires. Il faut également s'attendre à ce que différents algorithmes ML se
comportent différemment sur le même ensemble de données. Pour répondre à ces besoins du
monde réel, OpenRules ne limite pas une implémentation de son apprenant de règles à un seul
algorithme ML particulier. Il a été conçu pour accepter différents algorithmes ML et différents
formats d'entrée/sortie. La version actuelle de Rule Learner fonctionne avec le populaire cadre
d'apprentissage automatique open source "WEKA" qui met en œuvre de nombreux algorithmes
ML bien connus tels que C4.5 et RIPPER. D'autres outils populaires d'apprentissage
automatique sont à l'étude et peuvent être ajoutés en fonction des besoins.

2 IBM Operational Decision Management (ODM)

2.1.1 Description
Operational Decision Manager associe des outils de prise de décision et de détection des
changements pour fournir un système de gestion des règles métier facile à faire évoluer et tracer
des audits et des tests.
Le gestionnaire de décisions opérationnelles comprend deux composantes principales :

❖ Serveur de décision pour gérer les décisions et détecter les événements :

Decision Server fournit les composants d'exécution et de développement pour

automatiser la réponse à des décisions hautement variables basées sur le contexte
spécifique d'un processus, d'une transaction ou d'une interaction. Vous pouvez
superviser un réseau d’entreprise pour découvrir et agir sur des modèles de données
basés sur des événements, et ensuite traiter ces informations en fonction de centaines ou
de milliers de règles afin de déterminer comment réagir.

❖ Decision Center pour mettre la gestion des décisions entre les mains de ceux qui
dirigent l’entreprise :

Avec Decision Center, les utilisateurs professionnels peuvent gérer les décisions et les
événements directement sur la base de données leur organisation avec une dépendance
limitée à l'égard du service informatique. Le degré de dépendance peut aller d'un
contrôle limité par les utilisateurs de la logique d'entreprise mise en œuvre par les
développeurs, jusqu'à un contrôle complet de la spécification, création, les tests et le
déploiement de la logique métier par les utilisateurs métier.

Figure 4 : Le gestionnaire de décisions opérationnelles

 2.2 L’utilisation du Machine Learning
L’approche de l'apprentissage automatique est bonne pour percevoir et apprendre à partir
de données historiques. L'apprentissage automatique n'est pas aussi bon pour abstraire et
raisonner lorsqu'il n'y a pas de capacité contextuelle.
D'autre part, les décisions basées sur des règles sont bonnes pour raisonner sur des problèmes
définis, mais elles n'ont pas de capacité d'apprentissage.

Figure 5 : une solution d'infrastructure optimisée.

La figure précédente présente une solution d'infrastructure optimisée basée sur ces composants:
✓ IBM Machine Learning pour le moteur de scoring
✓ ODM sur z/OS pour le système de gestion des règles métier
Dans cet exemple, la gestion du service de décision est implémentée dans ODM. ODM appelle
le service d'évaluation de l'apprentissage automatique fonctionnant sur z/OS.

2.3 Les avantages du service z/OS

Voici des exemples de cas d'utilisation et de solutions qui peuvent nous aider à réaliser un
retour sur investissement plus rapide avec Operational Decision Manager for z/OS.

➢ Détection des risques et de la contre-fraude dans les secteurs des cartes de crédit et de
la banque
➢ Automatisation des décisions de souscription dans le secteur de l'assurance
➢ Automatisation du traitement des sinistres dans le secteur de l'assurance
 ➢ Opérations intelligentes et planification des équipes dans le secteur du transport aérien
➢ Optimisation et personnalisation des prix et des promotions dans le secteur de la vente
au détail.

2.3.1.1 Le fonctionnement du service z/OS

Avec IBM Machine Learning for z/OS, IBM propose une solution complète d'apprentissage
automatique qui permet d'extraire la valeur cachée des données de l'entreprise.
Cette solution permet aux entreprises d'ingérer et de transformer les données pour construire,
déployer et gérer des modèles de haute qualité en utilisant les données IBM Z.

Figure 6 : les différents composants d’IBM z/Os

Decision Center - Enterprise Console : l'interface Web permettant d'administrer le référentiel
de décision. Vous pouvez y consulter toutes les versions des règles de décision qui sont stockés
dans le référentiel et gérer le référentiel lui-même.

Decision Center - Business Console : L'interface web pour le développement de règles pour
les développeurs informatiques et les utilisateurs professionnels. Ici, vous pouvez voir toutes
les versions de règles de décision, créer des règles, tester les modifications apportées aux règles
et déployer ces règles sur des serveurs d'exécution de règles.
Decision Center Repository : La base de données qui stocke les règles de décision pour
permettre le partage entre les auteurs de règles et les décisions.

Rule Execution Server : Le serveur d'exécution des règles qui évalue les décisions en fonction
des données transmises par les applications et les règles métier déployées.

2.4 Forces et faiblesses des règles métier et de

l'apprentissage automatique
Alors, devons-nous on peut conclure que les deux approches sont imparfaites et qu'aucune ne
peut être utilisée pour des décisions d'affaires critiques ? Bien sûr que non. Chaque approche
possède des avantages qui indépendamment ajoutent de la valeur dans de nombreux cas
d'utilisation.
L’approche Force Faiblesse
Les règles métiers Il est très facile d'auditer le Les règles peuvent seulement
raisonnement derrière le être claires pour la personne
résultat renvoyé par les qui les a rédigées.
règles.

L’apprentissage automatique Capacité à tenir compte les Il ne met pas en œuvre et

conditions dans l'historique n'applique pas les politiques
des données d'entreprise

Tableau 1 : comparaison entre les règles métiers et l’apprentissage automatique

Il est plus enrichissant d'examiner comment les deux approches se complètent. En combinant
les deux technologies, les faiblesses relatives de chaque approche sont contre balancées par les
forces de l'autre.

2.5 La combinaison des Technologies

La combinaison d'exigences croissantes et du développement de nouvelles technologies
avancées ouvre une nouvelle ère : le scoring basé sur l'apprentissage automatique et les
règles de gestion des systèmes.

Une précision et une rapidité accrues grâce à des systèmes capables d'analyser en
permanence des flux de données et d'événements, de révéler les risques et les opportunités,
et de vous permettre de prendre des décisions en temps réel. En combinant ces deux
disciplines, vous obtenez le meilleur d'une approche à la fois déterministe et probabiliste.
En conséquence, vous pouvez prendre les meilleures décisions compte tenu des données à
un moment donné. L'autorisation et la prise de décision en temps réel qui appliquent des
milliers de points de données et des techniques de modélisation sophistiquées pour aider
à augmenter la précision des approbations de transactions authentiques. Les sociétés de
cartes de crédit ont déployé cette technologie sur des réseaux mondiaux pour contrer les
transactions frauduleuses. Leurs systèmes fonctionnent en attribuant un score à chaque
transaction, qui est ensuite utilisé pour évaluer les paiements futurs.

Figure 7 : la relation entre les différents composants de la solution d'exécution

L'application client interagit avec un composant appelé "Decision Services Orchestration". Ce
composant est chargé d'orchestrer les appels aux trois services suivants :

❖ Data Preparation : Avant l'exécution du modèle, les données doivent 'être préparées
avant de les envoyer au moteur d'exécution des scores.
❖ Predictive (“Scoring”) Model Execution : L'exécution d'un modèle prédictif permet
l'analyse de chaque transaction individuelle entrante. Cette forme d'exécution attribue à
chaque transaction un "score" basé sur des facteurs spécifiques qui sont des indicateurs
de la qualité. Ces indicateurs peuvent être calculés pendant la phase de préparation des
données.
❖ Business Rules Execution : L'étape d'exécution des règles métier fait référence à la
logique de base de la façon dont la décision métier est prise, en tenant compte du
contexte et du comportement prédictif du sujet d'intérêt.