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.
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.