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.

1.1 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.

1.2 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 1 : 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.
 1.3 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.

1.4 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 2 : 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.

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 3 : une solution d'infrastructure optimisée.
La figure précédente présente une solution d'infrastructure optimisée basée sur ces
composants:
IBM Machine Learningservice d'évaluation de l'apprentissage automatique fonctionnant sur
z/OS.

1.5 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.

1.6 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.
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.

2 OpenRules
2.1 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 4 : 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.

2.2 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 :

2.2.1
2.2.2 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