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 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.
 2.2 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
raisonnement derrière le seulement être claires pour
résultat renvoyé par les la personne qui les a
règles. rédigées.

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.

2.3 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 4 : 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 Executio