Académique Documents
Professionnel Documents
Culture Documents
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".
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 :
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.
❖ 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.
➢ 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.
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.
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.
❖ 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.