Ingénierie Des Connaissances INTRODUCTION (pages choisies par A Mille)

Dans lIntelligence artificielle
13.02.2000
Des systmes experts
Exemples
LIngnierie des connaissances
Approfondissements
INGNIERIE DES CONNAISSANCES INTRODUCTION (pages choisies par A Mille)

Nathalie Aussenac-Gilles (IRIT) Jean Charlet (DSI/AP-HP)
Rfrences :
Second Generation Expert Systems. d. : J.-M. David, J.-P. Krivine et R. Simmons. Springer Verlag. 1993 KADS, a principled approach to knowledge based system development Schreiber G. et al. Academic Press. 1993 Introduction to knowledge systems M. Stefik. Morgan Kaufman. 1995 Acquisition et ingnierie des connaissances : tendances actuelles d. : N. Aussenac-Gilles, P. Laublet et C. Reynaud. Cpadus ditions, Toulouse, 1996 Ingnierie des connaissances : volutions rcentes et nouveaux dfis d. : J. Charlet, M. Zacklad, G. Kassel et D. Bourigault. Eyrolles, Paris, 2000
Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)
Des systmes experts
Exemples
Approfondissements
INGNIERIE DES CONNAISSANCES
Finalit applicative aider un oprateur dans sa tche (ou un groupe) transmettre, enregistrer des savoir-faire, grer des connaissances amliorer les performances, ladaptabilit ou les rsultats de systmes artificiels Interdisciplinarit informatique - systmique psychologie cognitive et ergonomie linguistique Approche symbolique
Des systmes experts
Exemples
Approfondissements
Plan du cours
1 - Lingnierie des connaissances dans lIA Les projets de lIA (rappels) Place de lIngnierie des connaissances 2 - lorigine, les systmes experts 3 - Deux exemples dapplications : SADE : aide la rsolution de problme MENELAS : reconnaissance du langage naturel 4 - LIngnierie des connaissances aujourdhui enjeux de la modlisation tentative de dfinition 5 - Approfondissements
Des systmes experts
Exemples
Approfondissements
Arguments fondamentaux de lIA
Produire des modles de l'action crbrale Reproduire capacits et comportements du cerveau sans support physique Dfinir ce qu'est l'intelligence Approche formelle : Via la logique, les mathmatiques, des mtriques ... le comportement des machines et non leurs proprits physiques Approche cognitive et sociale : Via l tude des comportements intelligents individuels et collectifs
Calculer , c'est manipuler et traiter des symboles physiques ligne de partage entre informatique : traitement de l'information numrique et IA : traitement logique de symboles
Des systmes experts
Exemples
Approfondissements
volution des recherches en IA

Produire des techniques de programmation efficaces Rseaux de neurones, programmation et algorithmes gntiques, Apprentissage numrique et symbolique Formalisation logique de diffrents types de raisonnements (modal, causal, incertain, spatial, temporel, ...) l Augmenter lintelligence du couple homme-ordinateur Rsolution de contraintes, dduction, simulation qualitative Multi-agents, mergence sociale de lintelligence Reprsentation des connaissances, comprhension du langage naturel, Ingnierie des connaissances, ... Statut des expressions symboliques : manipules par l informatique en fonction de leur syntaxe interprtes par l humain en tant que connaissances
l
1 convergence Informatique / IA
Des systmes experts
Exemples
Approfondissements
Des applications de lIA

Rsolution de problmes difficiles et spcifiables, sans solution algorithmique
1 problmes NP-complets, jeux, etc
l
mal spcifis ou dont les connaissances ne sont pas accessibles Types dapplications reconnaissance des formes, de la parole, synthse de la parole et d'images, systmes experts et rsolution automatique de problmes, ralit virtuelle, interprtation de textes, comprhension et gnration du langage naturel, ... Types de problmes rsolus Diagnostic, simulation, ordonnancement, planification, fusion de donnes, aide la dcision, aide la conception, la maintenance, etc.
Des systmes experts
Exemples
Approfondissements
Quest-ce que lIngnierie des connaissances ?

l
LIngnierie des connaissances intervient pour Dfinir une aide lutilisateur (mthodes, outils logiciels ou non, organisation du travail) Modliser des connaissances, individuelles ou collectives, explicites ou implicites, stabilises ou volutives, expertes ou techniques Rendre ces connaissances accessibles sous une forme dfinie en fonction du contexte, oprationnelle ou non La recherche en Ingnierie des connaissances produit Des mthodes et des techniques de recueil, danalyse et de structuration des connaissances Des plates-formes de modlisation Des reprsentations des connaissances oprationnelles ou non LIngnierie des connaissances se veut une ingnierie
Des systmes experts
Exemples
Approfondissements
Lexemple de MYCIN (1)

La tche : aide la dtermination de la meilleure thrapie lors dune infection bactrienne - 4 tapes : dterminer limportance de linfection dterminer lorganisme responsable Identifier des mdicaments potentiellement utilisables choisir le meilleur traitement pour le cas considr Le domaine : aucun systme informatique na t dvelopp Mycin ne contient que de lexpertise, pas dalgorithme Taille : 200 rgles sur les maladies infectieuses du sang
300 rgles sur la mningite
Formalisme : rgles de production avec coefficients de certitude 2 modules : base de rgles et interprte des rgles
1 notion de moteur : EMYCIN - Chanage arrire
Des systmes experts
Exemples
Approfondissements
Lexemple de MYCIN (2)
DENDRAL CONGEN META-DENDRAL
MYCIN Quest-rep LN BAOBAB explic EAO GUIDON moteur dinfrence EMYCIN
validation
acquisition TEIRESIAS
DART ONCOCIN NEOMYCIN

PUFF CENTAUR
SACON
Des systmes experts
Exemples
Approfondissements
Principes gnraux
l
l l l
Dclarativit : Sparation connaissances / mcanismes d'exploitation (contrle) BC (faits + rgles) / moteur connaissances dclaratives / connaissances procdurales Hautes capacits de performance, du niveau de lexpert Raisonnement symbolique Souplesse et modularit :
1 Conception aise 1 Adaptation l'utilisateur - Evolutivit
Comprhensibilit :
1 Capacit expliquer le raisonnement produit (via des traces) pourquoi ? Comment ? pourquoi pas ? justifification de rsultats intermdiaires 1 Reprsentation lisible par une personne du domaine
10
Des systmes experts
Exemples
Approfondissements
Les rgles de production
SI condition ALORS conclusion (ou action) SI le spectre possde 2 pics aux masses m1 et m2 tels que
m1 + m2= m + 28 et m1 - 28 est un pic lev et m2 - 28 est un pic lev et au moins m1 ou m2 est lev
ALORS la molcule contient un groupe Cton

l l
Quand les conclusions sont des faits, systme dit analytique Quand les conclusions sont des actions, systme dit synthtique
12
Des systmes experts
Exemples
Approfondissements
Les performances de MYCIN
l l
Pas d'utilisation oprationnelle Comment valider un SBC ? Quel critre ? par rapport l'expert savoir traiter 90 % des pbs ou aussi les pbs graves taux de russite absolu rsultats valuation du raisonnement suivi et des rsultats MYCIN : technique utilise pour valider une nouvelle thrapie 10 cas - 8 experts + Mycin + solution du cas applique = 10 prescripteurs 1) Chaque expert value toutes les prescriptions (note /80) 2) Le collge value toutes les prescriptions (note /8) 3) Le collge signale les solutions inadmissibles MYCIN : meilleurs rsultats sur les 10 prescripteurs
14
Des systmes experts
Exemples
Approfondissements
Les limites : comment dcrire MYCIN
Description trop gnrale, ne dit pas comment le systme rsout rellement MYCIN : diagnostic des maladies du sang en terme d'implmentation, granularit trop fine MYCIN : rgles, chanage arrire, coefficients de vraisemblance... mmes primitives, ne fait apparatre ni les caractristiques des tches, ni comment elles sont ralises mlange plusieurs sortes de connaissances : celles de contrle et celles du domaine
15
Des systmes experts
Exemples
Approfondissements
Une rgle de MYCIN
SI la coloration de l'organisme est GRAM+ et si la morphologie de l'organisme est Cocci et si le mode de dveloppement de l'organisme est en colonies ALORS il existe une vidence (0.7) que l'identit de l'organisme soit Staphylococcus.
l
Pour crire une telle rgle, le concepteur devra savoir comment MYCIN fonctionne. Ici, il faut savoir que cette rgle, parce qu'elle conclut sur lidentit de Staphylococcus et parce que le moteur fonctionne en chanage arrire, ne sera envisage que lorsque le systme se proccupera de dterminer lidentit d'un organisme. Il faut de plus savoir qu chaque instant, le moteur sintresse un context particulier, c'est dire un organisme retrouver. Un ordre des prmisses dans une autre rgle fera en sorte que MYCIN s'intressera d'abord l'organisme courant avant de rechercher des organismes prsents antrieurement. chaque type dorganisme est associ un ensemble de caractristiques (par exemple, identit de l'organisme pour l'organisme courant). chaque caractristique est associ un attribut mis--jour-par qui contient la liste des rgles qui permettent dtablir la caractristique en question (lidentit de lorganisme, par exemple). La rgle R1 ci-dessus fait partie de cette liste de rgles...
16
Des systmes experts
Exemples
Approfondissements
Dpasser les limites
l l l l
Une stratgie de rsolution implicite Des capacits auto-explicatives assez pauvres De grandes difficults pour l'acquisition des connaissances Une maintenance de la BC assez difficile 1 Mieux modliser le raisonnement 1 Knowledge Level Une dgradation brusque des comptences aux bornes du domaine Des connaissances de surface Absence de gnricit des systmes construits Mieux modliser le domaine 1 Raisonnement bas sur un modle
17
l l l l
Des systmes experts
Exemples
Approfondissements
Mieux modliser le raisonnement (1)

Exprimer les connaissances stratgiques MYCIN Neo MYCIN : mta-rgles explicitant la stratgie ex : SI une observation doit toujours tre explique ET elle nest pas explique pour le diffrentiel ALORS Evoquer des hypothses qui peuvent lexpliquer Chaque mta-rgle dcrit une sous-tche : Etablir le diagnostic
1) identifier le pb ( info. initiales et plaintes somatiques) 2) tablir espace des hyp ( tablir diffrentiel, grouper et diffrencier, explorer et raffiner) 3) effectuer les analyses
18
Des systmes experts
Exemples
Approfondissements
Mieux modliser le raisonnement (2)
Connaissances stratgiques : expriment comment une tche va tre effectue. Utilisent des connaissances du domaine Connaissances du domaine : concepts manipuls et leurs relations. Ce qui est vrai dans le domaine pour la tche considre Modle conceptuel : modle explicitant la manire dont le systme rsout ainsi que les connaissances quil utilise MC = Connaissances stratgiques + connaissances du domaine
19
Des systmes experts
Exemples
Approfondissements
Le knowledge level de Newell - 1982 -
Un niveau au dessus du niveau symbolique But = dcrire un systme informatique diffrencier connaissances et reprsentations description du comportement observ du systme l'aide de connaissances, indpendamment de leur formalisation Agent rationnel dispose de connaissances, doit atteindre des buts, sait effectuer des actions, et est rationnel : choisit (avec ses connaissances) l'action suivante qui va le mener le plus directement au but Application la construction de SBC systme = agent rationnel interagissant avec son environnement descriptions plus structures que ce que propose Newell.
20
Des systmes experts
Exemples
Approfondissements
Le raisonnement bas sur les modles

Description de systmes physiques Modles fonctionnels : description des fonctionnalits (bon vs mauvais fonctionnement) Modles topologiques : description des composants Modles causaux : relations entre tats ou vnements Physique qualitative calcul sur des variables discrtes sinspire de la physique quantitative Modlisation du raisonnement mthode de parcours du modle explicite les stratgies
22
Des systmes experts
Exemples
Approfondissements
Le cycle de vie
tude de faisabilit
Analyse du besoin Adquation lIA Identification expertise Spcifications logiciel
Acquisition des connaissances
Extraction Modlisation Validation
Maintenance Implmentation
Corrections volutions Adaptations Codage Interfaage Test Mise en service
23
Des systmes experts
Exemples
Approfondissements
Quest-ce quun modle ?
Rles d'un modle conceptuel :

1 conceptualiser entits du domaine et interactions 1 intermdiaire entre connaissances et code : spcification ? Langage partag par lexpert, le cogniticien Langage dexpression des connaissances Langage comprhensible par lartefact
Un modle est une abstraction qui permet de rduire la complexit en se focalisant sur certains aspects, en fonction de certains buts MAIS un modle devrait permettre plus : manipuler les objets et interprter les rsultats de la manipulation
26
Des systmes experts
Exemples
Approfondissements
Le modle dexpertise : Quest ce qui est rellement modlis ?
Jusque vers 1990 : KADS I, modle du monde rel en tant que modle du processus de rsolution de problme tel qu'il est observ laide des experts du domaine ou d'autres sources Aprs 1990 : KADS II, ... spcification fonctionnelle de la partie rsolution de problme de lartefact construire On passe de lobservation linterprtation
27
Des systmes experts
Exemples
Approfondissements
Concevoir des SBC ?

Trois difficults :
l
licitation : dterminer quelles expressions linguistiques permettent dexpliciter le problme traiter ; Modlisation au niveau des connaissances : modle conceptuel comprhensible et interprtable par un spcialiste ; Oprationalisation au niveau des programmes : modle oprationnel interprtable par la machine.
1 Revenir aux problmes fondamentaux
28
Des systmes experts
Exemples
Approfondissements
La connaissance (1)
1. Connaissance dans un environnement technique La connaissance nest possible que dans un environnement technique qui est le ntre, quil apparaisse fortement technique (industrie, monde professionnel), ou non (monde quotidien,...) 2. Connaissance=interprtation humaine Il y a connaissance et reprsentation des connaissances quand les manipulations symboliques effectues par la machine via des programmes, prennent un sens et une justification pour les utilisateurs interagissant avec ces programmes 3. Connaissance = f (support=outil informatique) La pense repose sur la mdiation externe du signe. La technique (ici linformatique), par ses outils et ses capacits de mmorisation, permet alors lhomme de se constituer des connaissances qui voluent et saccumulent et nexisteraient pas sans cela Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet) 29
Des systmes experts
Exemples
Approfondissements
La connaissance (2)
4. Connaissances action Il y a prsomption de connaissances, si la facult dutiliser linformation bon escient est atteste. La connaissance est ainsi lie laction. Cette action est ici une rcriture (ontologie dpendant de la tche, savoir-lire savoir-crire) 5. Connaissance=f (contexte) Il y a connaissance quand il y a contexte dutilisation de linformation 6. Connaissance=f (tche) La connaissance a priori nexiste pas : elle est construite partir dun projet propre au modlisateur. tudier cette construction permet dessayer den dgager des invariants mthodologiques
30
Des systmes experts
Exemples
Approfondissements
SBC (1) : Manipulation formelle et interprtation smiotique
Deux constats : Les SBC ne manipulent pas des reprsentations de connaissances, mais des expressions symboliques ou inscriptions Les rgles formelles de manipulation ne sont pas les rgles de linterprtation : le calcul formel nest pas une explicitation du sens (interprtation) mais une rcriture symbolique
31
Des systmes experts
Exemples
Approfondissements
SBC (2) : Ce que sont les SBC
Un principe : la manipulation symbolique automatique construit des inscriptions dont linterprtation permet lutilisateur deffectuer une tche donne (2)
Dfinition 1 : systmes smiotiques de manipulation dinscriptions symboliques dont le fonctionnement informatique doit permettre lutilisateur dinterprter et de comprendre le systme dans le cadre de son activit, en utilisant les termes du domaine
32
Des systmes experts
Exemples
Approfondissements
Le point de vue des modles formels vs des usages
Constat : les SBC sont des systmes techniques plongs dans des systmes dusages (1-3)
Dfinition 2 : LIngnierie des connaissances correspond ltude de modles symboliques formels plongs dans des systmes dusage : cest lingnierie informatique et logique des modles en fonction des usages quils rendent possibles et des appropriations quils permettent
33
Des systmes experts
Exemples
Approfondissements
En guise de programme
Mobiliser les points de vue prcdents pour se donner un programme de travail
Lobjet de la recherche sont les systmes dont le fonctionnement est interprtable par lhumain en termes de connaissances (2) Le but correspond alors lintgration de ces rflexions dans des artefact informatiques modliser, construire, faire voluer, (1) En noubliant pas que lartefact informatique modifie les usages singuliers comme collectifs, jusquaux organisations (3)
34
Des systmes experts
Exemples
Approfondissements
En guise de mthode
Mobiliser les points de vue prcdents pour se donner des mthodologies de travail La connaissance tant contextuelle, se donner les moyens de reprsenter ce contexte dans une dmarche de reprsentation des connaisances (5) La connaissance tant lie laction, veiller lusage qui est fait des reprsentations ; en particulier qu elles sont bien mmorises dans un but, pour un usage prvu (4) La connaissance, contextuelle, ne pouvant tre indpendante de la tche raliser, se donner les moyens dassumer explicitement cette dpendance (rutilisation limite) (6)
35
Des systmes experts
Exemples
Approfondissements
En guise de champ daction

Lingnierie des connaissances propose des concepts, mthodes et techniques permettant de modliser et/ou dacqurir les connaissances dans des domaines se formalisant, a priori, peu ou pas (concepts dusage versus concepts techniques ou formels).
l
l l
La finalit reste celle de lIntelligence Artificielle : construire des systmes informatiques. La caractristique, base de connaissances perdure. La production, systme expert , se diversifie et stend tout systme informatique mettant explicitement en jeu (par des modles) des connaissances. Des applications, collaborations, synergies, etc. avec tout domaine o une modlisation explicite des connaissances peut tre envisage
36
Des systmes experts
Exemples
Approfondissements
Modlisation (1)
Acquisition de la connaissance et comprhension des mthodes de rsolution utiliser Associer recueil et analyse, pour obtenir un modle spcifique Le modle d'expertise est utile comme tape intermdiaire dans le dveloppement de SBC Modle indpendant des structures de reprsentation et des algorithmes dans le SBC Utilisation dun langage spcifique non-orient implmentation, semi-formel (complt ensuite par un langage formel) L'acquisition des connaissances (licitation et analyse) peut tre guide par la rutilisation de modles ou de composants gnriques
37
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Diffrentes approches
l l l
par extraction d'expertise par construction de modles conduite par les modles chaque approche enrichit, rutilise et rinterprte la prcdente
Ingnierie des connaissances Modlisation (N. Aussenac-Gilles, J. Charlet)
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
L'acquisition conduite par les modles

SCHMA DU M.C. MODLE CONCEPTUEL COMPLET
EXPERTISE PARTIELLE CONCEPTION du SYSTME IMPLMENTATION
1 2
Acquisition dirige par les donnes Construction du schma du M.C.
3 Instanciation du schma du M.C. 4 Oprationalisation du modle
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Aides lextraction des connaissances

Difficults : faire expliciter, capturer des connaissances explicites interprter sans introduire de biais Travaux de recherche : en psychologie, ergonomie et IA tablir des liens entre types de tches et techniques dextraction Ce qui existe : des techniques de recueil des outils automatisant des techniques : ETS, AQUINAS, PC_PACK (Univ. de Nottingham) en amont de CommonKADS des mthodes : MACAO, KOD
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Principes de recueil des donnes
Dmarche ascendante : Bottom-up knowledge elicitation Production de donnes brutes

l
Mthodes informelles : Rsultats bruits, mal structurs... mais mthodes moins contraignantes. Exemples: Interview, think aloud Mthodes formelles : Moins bruits et mieux structurs. Mais plus spcifiques... Quelle adquation ? Exemple : Grilles rpertoires (ETS)
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Techniques de recueil : caractristiques

l l l l
Place par rapport l'activit : pralable / concomitante / conscutive Mode de communication : direct, tlphone, courrier Analyse des rponses : qualitative ou quantitative Types de connaissances recueillies :
automatismes / habilets : observations, tech. indirectes, exprimentations rgles : simulations dans le contexte, verbalisations schmas, connaissances dclaratives: entretiens centrs plans et stratgies : entretiens, simulations avec variations d'noncs
l l l l
Origine des donnes verbales : spontane (activit) / provoque (questionnaires) Situation du recueil : conditions habituelles / tranformes : simulations, entretiens ;
en groupe / individuel
Documentation et compte rendu : notes, retranscriptions Mode daccs aux connaissances : direct (observations )/ indirect (indicateurs)
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Principes de recueil des donnes
Analyse des donnes recueillies
- Enlever le bruit , ce qui est inutile - Identifier et extraire des fragments (concepts, relations, dfinitions) Plus ou moins facile selon ce ce qui a t fait avant Exemples : KOD (Vogel) , COGNOSYS (Woodward)
l
Choix des techniques
- selon les psychologues : disposer d'une thorie de l'activit tudie - au moins : prendre en compte la diversit des formes de connaissances des niveaux d'abstraction et de rgulation des individus
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Conclusion
l
Utilisation des techniques sans ide a priori du modle Caractriser en vue de dfinir un modle Le modle comme grille de choix des techniques Problmes choix d'une technique adapte cot, disponibilit de l'expert interprtation Techniques retenir Observations, analyse du travail Simulations + verbalisations descriptives + explications conscutives Reformulations, entretiens centrs Travaux partir de corpus
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Le modle dexpertise : Quest ce qui est rellement modlis ?
Jusque vers 1990 : KADS I, modle du monde rel en tant que modle du processus de rsolution de problme tel qu'il est observ laide des experts du domaine ou d'autres sources Aprs 1990 : KADS II, ... spcification fonctionnelle de la partie rsolution de problme de lartefact construire On passe de lobservation linterprtation
10
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Quest-ce quun modle ?
Rles d'un modle conceptuel :

conceptualiser entits du domaine et interactions intermdiaire entre connaissances et code : spcification ? Langage partag par lexpert, le cogniticien Langage dexpression des connaissances Langage comprhensible par lartefact
Un modle est une abstraction qui permet de rduire la complexit en se focalisant sur certains aspects, en fonction de certains buts MAIS un modle devrait permettre plus : manipuler les objets et interprter les rsultats de la manipulation
11
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Le modle conceptuel
Connaissances de raisonnement au sens large : expriment comment une tche va tre effectue. Utilisent des connaissances du domaine Connaissances du domaine : concepts manipuls et leurs relations. Ce qui est vrai dans le domaine pour la tche considre Modle conceptuel : modle explicitant la manire dont le systme rsout ainsi que les connaissances quil utilise Modle conceptuel = Connaissances de raisonnement + connaissances du domaine
12
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Le knowledge level de Newell - 1982 l
Ncessit dun niveau au dessus du niveau symbolique But = dcrire un systme informatique diffrencier connaissances et reprsentations description du comportement observ du systme l'aide de connaissances, indpendamment de leur formalisation Agent rationnel dispose de connaissances, doit atteindre des buts, sait effectuer des actions, et est rationnel : choisit (avec ses connaissances) l'action suivante qui va le mener le plus directement au but Application la construction de SBC systme = agent rationnel interagissant avec son environnement descriptions plus structures que ce que propose Newell.
13
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Cadre d'interprtation: vocabulaire, composants gnriques (modle d'interprtation)
Les modles de KADS II
problem solving behaviour
conceptual model
transformation
Techniques IA Mthodes Reprsentations
system
design model
Implmentation du systme
14
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
KADS : Les quatre couches du modle dexpertise

Entits ______________ Plans Mtargles Niveaux ________ Stratgie Contrle Buts Tches Tche Applique Sources de connaissance Mtaclasses Infrence Dcrit
Concepts Domaine Relations Ingnierie des connaissances Modlisation (N. Aussenac-Gilles, J. Charlet)
15
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
complaint
select
La Structure d'infrence du diagnostic systmatique
system model
observables
decompose
hypothesis select variable value compare difference

specify norm
16
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Task Systematic-Diagnosis
Goal find the smallest component with inconsistent behaviour if one Control terms differential = set of currently active hypothesis inconsistent-sub-system= subpart ...........
La Structure de tche du diagnostic systmatique (1)

complaint select
system model
Task-structure systematic-diagnosis hypothesis (complaint > inconsistent-sub-system) = select (complaint > system-model) select generate-hypotheses (system-model > differential) variable value REPEAT test-hypotheses (differential > inconsistent-sub-system) compare generate-hypotheses ( inconsistent-sub-system > differential) difference UNTIL differential is empty Ingnierie des connaissances Modlisation (N. Aussenac-Gilles, J. Charlet)
observables
decompose
specify
norm
17
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Task Generate-Hypothesis
Goal generate new set of hypothesis through decomposition Task-structure generate (system-model > differential) = decompose (system-model > differential)
La Structure de tche du diagnostic systmatique (2)

complaint select
system model
Task Test-Hypothesis
Goal test whether a hypothesis in the differential behaves inconsistently Task-structure test (differential > hypothesis) = DO For EACH hypothesis in differential specify (hypothesis > norm) select (hypothesis > observable) OBTAIN (observable > variable value) compare (norm + variable value > difference) UNTIL difference = true
observables
decompose hypothesis
select
specify
variable value
norm
compare difference
18
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
KADS-1 : La bibliothque des modles d'interprtation

system analysis | identify | | classify | | | simple classify | | | diagnosis | | | | single fault diagnosis | | | | | heuristic classification | | | | | systematic diagnosis | | | | | | causal tracing | | | | | | localisation | | | | multiple fault diagnosis | | | assessment | | monitor | predict | | prediction of behaviour | | prediction of values system modification | repair | remedy | control | | maintain system synthesis | transformation | design | | transformational design | | refinement design | | configuration | planning | modelling Ingnierie des connaissances Modlisation (N. Aussenac-Gilles, J. Charlet)
19
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
KADS-2 : imbrication des types de problmes

synthse modification analyse vue comportementale (systme et environnement) planification valuation
modlisation conception
affectation
prdiction surveillance diagnostic
vue structurelle (systme)

20
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Bibliothques de composants rutilisables

l
Tches : modles et guides de modlisation Modles papier et questions daide la modlisation (livre CommonKADS Chap. 6) Modles CML tlchargeables : WebCOKACE <http://www.inria.fr/acacia/Cokace> Mthodes de rsolution de problmes Inventaire de mthodes de rsolution, doprateurs et de rles applicables dans une mthode (livre CommonK ADS Chap. 13) Modles de mthodes en CML <http://www.swi.uva.nl/projects/CommonKADS/home.html>
21
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Lapproche conduite par un modle

l
Schma du modle conceptuel Modle de raisonnement + Concepts du domaine

SCHMA DU MC MODLE CONCEPTUEL COMPLET
2
l
3
Modle conceptuel complet Instanciation du schma (instances de concepts, inventaire de toutes les rgles, etc.)
22
EXPERTISE PARTIELLE
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Construction du schma du MC
l
SCHMA DU MC
Objectifs : Structurer les connaissances Construire le cadre de la modlisation
2
EXPERTISE PARTIELLE
Deux approches : Rutilisation de composants gnriques (tches ou mthodes ou ontologies) Abstraction partir des donnes
Processus de raffinement progressif Imbriqu avec tape 3

23
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Construction ascendante versus descendante (1)

Mthodes ascendantes : Des donnes vers un modle structur :
Gnraliser et relier
Modle, structures en rseau
Fragments, structures isoles
Abstraire donnes
des
Recueillir
Retranscriptions
Env. de l'expertise
25
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Mthodes descendantes : De modles gnriques vers un modle adapt :

Choix
Env. de l'expertise
Instanciation
Raffinement
bibliothque de modles gnriques
Validation Ingnierie des connaissances Modlisation (N. Aussenac-Gilles, J. Charlet)
26
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Mthodes ascendantes : rle des modles gnriques

Gnraliser et relier
Modle, structures en rseau
Fragments, structures isoles
Abstraire donnes
des
Recueillir
Retranscriptions
bibliothque de modles gnriques
Env. de l'expertise
27
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Ascendant versus descendant : deux points de vue, deux cycles de base

Recueillir ... interroger, analyser, retranscrire Conceptualiser ... abstraire, typer Formaliser ... reprsenter Structurer ... organiser Valider
Caractriser ... typer, qualifier Caractriser ... typer, qualifier Choisir ... comparer, rutiliser Choisir ... comparer, rutiliser Adapter ... modifier, corriger Adapter ... modifier, corriger Affiner ... prciser, complter, spcifier Affiner ... prciser, complter, spcifier Instancier ... numrer, lister Instancier ... numrer, lister Valider Valider
28
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Instanciation du modle conceptuel (1)

SCHMA DU MC MODLE CONCEPTUEL COMPLET
l Objectifs
3
l
Instancier le modle conceptuel Affiner le schma du modle tre exhaustif
Processus de raffinement progressif Imbriqu avec tape 2
Mthode Identifier tous les paramtres Expliciter les contrles Dfinir les domaines de valeur Prciser rgles, mthodes et procdures
31
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Instanciation du modle conceptuel (2)

l
On sait ce qu'il faut acqurir. Le modle conceptuel spcifie prcisement ce qu'il faut fournir au systme. L'acquisition des connaissances est guide par le modle que l'on cherche remplir. Chaque tche, chaque mthode de rsolution de problme ncessite des connaissances prcises, pour un rle bien spcifi. Dfinition prcise de la fonction des connaissances demandes. Une bonne dfinition et une bonne comprhension de la fonction (du rle) des connaissances demandes en facilite l'expression par l'expert. On dispose d'une sorte de mtrique. On peut identifier facilement les endroits o il manque des connaissances. Le systme peut mieux savoir les limites de ce qu il sait .
32
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Oprationalisation du Modle conceptuel (1)
Objectifs Traduire le MC oprationnel en un modle
MODLE CONCEPTUEL COMPLET
Valider le modle par simulation Dvelopper la base de connaissances
4
l
Contraintes correspondance BC MC conserver les liens entre structures anticiper les problmes de maintenance
IMPLMENTATION
33
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Oprationalisation : motivations
Motivations : Acquisition/validation et mise jour Conception incrmentale d'un modle conceptuel Conception incrmentale d'une base de connaissances
(cycle acquisition, test, validation)
Mise jour de la base de connaissances

(les connaissances voluent)
l
Debugging et maintenance : Comportement observ dans le systme oprationnel Comprhension / interprtation en termes du modle conceptuel Explications en terme de connaissances
34
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Oprationalisation : solution
Crer des langages spcifiques pour reprsenter le modle conceptuel Support pour lacquisition des connaissances (MC, BC, ) Respecter le principe de correspondance structurelle entre modle conceptuel et langage dimplmentation Possibilit de tracer le raisonnement en termes de buts et mthodes Rflexivit permettant la mise en place dun contrle de bon niveau (Z OLA, DEF-*) ou lutilisateur dinteragir (L ISA, )
35
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Oprationalisation : diffrentes approches (1)

l
Simuler/valider le modle conceptuel (MODEL-K, Z OLA , OCML, OMOS,) Possibilit de tracer le raisonnement en termes de buts et mthodes, etc. Conception incrmentale d'un modle conceptuel Possibilit de validation fonctionnelle de partie du modle (tche, mthode SACHEM)
Mais Reprsentation que de certains modles (RLM, K ADS tche, infrence [OMOS, MODEL-K] ; tche, objet, classe dobjets, rgles [AIDE]) Perte de proprits au moment de limplmentation dfinitive
36
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.

l
Formalisation du modle conceptuel (KARL, TASK, F ORKADS, (ML)2) Possibilit de vrifications formelles de compltudes, de cohrences
Versus
l
Modle conceptuel non formel (MONA, CML)
37
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.

Coder directement le modle oprationnel (LISA, K ARL, D EF-*, ) Possibilit de tracer en permanence le raisonnement en termes de buts et mthodes Rflexivit permettant la mise en place dun contrle dfini en termes de buts, mthodes permettant lutilisateur dinteragir (LISA, ) ou la mise en place de primitives de reprsentation des connaissances manipules par le langage (DEF-*) Possibilits de validation en introduisant des primitives spcifiques cette validation (AMD) Mais Pas toujours un langage rellement oprationnel (dveloppement, gestion des erreurs, vitesse, ) Reprsentation que de certains modles (buts, mthodes [LISA], DEF-*)
l
38
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Oprationalisation : directions
Dfinir un mtalangage, plus souple mais demandant plus de modlisation (respect des modles tche, mthode mais possibilit de programmation ad hoc [ZOLA]) Dvelopper une version industrielle du langage (ZOLA IN JAVA, LISA@RT, DEF-*, )
De toute faon
l
Ncessit de faire cohabiter formes dimplmentation, de la plus dclarative la plus procdurale
39
Historique
Les tapes
... par les donnes
Le modle conceptuel
Rle du M.C.
Validation du M. C.
Ateliers logiciels de modlisation

MOKA Projet europen, avec PSA, Daimler, BAES, Decan-Ingnia (dveloppe et diffuse le logiciel), ... langage de modlisation spcifique, MML, extension dUML PROTEGE 2000 Stanford Medical Informatics, Knowledge Modelling Group. Mta-langage de modlisation ; permet de dcrire toute structure de modlisation et de gnrer des interfaces de saisie de connaissances pour ces structures (ex : CML - CommonKADS) <http://www-smi.stanford.edu/projects/protege/protege-2000/index.html>
40
19.10.2000
INGNIERIE DES CONNAISSANCES : ONTOLOGIES, TERMINOLOGIES, BCT (3)
Jean Charlet (DSI/AP-HP), Nathalie Aussenac-Gilles (IRIT) Philippe Laublet (CAMS), Bruno Bachimont (INA)
Engagement smantique et engagement ontologique : conception et ralisation dontologies en Ingnierie des connaissances. B. Bachimont In: Ingnierie des connaissances, volutions rcentes et nouveaux ds, J. Charlet, M. Zacklad, G. Kassel, D. Bourigault ds, Eyrolles, 2000. Pour une terminologie textuelle. D. Bourigault & M. Slodzian. In: Terminologies nouvelles, 19, 1999. Ontologie et rutilisabilit : exprience et discussion. J. Charlet, B. Bachimont, J. Bouaud, P. Zweigenbaum In : Acquisition et Ingnierie des connaissances, tendances actuelles, N. Aussenac, P. Laublet & C. Reynaud ds, Cpadus, 1996. http://www.irit.fr/GRACQ/ http://www.biomath.jussieu.fr/TIA/
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Historique
Dnitions Motivations Questions Des approches reprsentatives
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Dnitions
Ontologie P HILO . Partie de la mtaphysique qui sapplique ltre en tant qutre, indpendamment de ses dterminations particulires (Le Petit Robert). Taxinomie 1.DIDACT. tude thorique des bases, lois, rgles, principes, dune classication. 2. Classication dlments (Le Petit Robert). Taxinomies en sciences naturelles Ontologie I NGNIERIE DES CONNAISSANCES . Ensemble des objets reconnus comme existant dans le domaine. Construire une ontologie cest aussi dcider de la manire dtre et dexister des objets.
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Approches pragmatiques pour les SBC
Constats initiaux Cot de ralisation de bases de connaissances Grande varit des langages de reprsentation Htrognit des ontologies : vocabulaires, catgorisation Rutilisation Crer et conserver des bases de connaissances rutilisables Assembler des bases de connaissances partir de modules rutilisables Partage de la connaissance et communication Interoprabilit entre diffrents SBC change de connaissances entre systmes Diffrentes initiatives Knowledge Sharing Effort (Gruber), O NTOLINGUA, . . .
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Knowledge Sharing Effort
Initiative DARPA, NSF, . . . Neches , Fikes, Gruber, . . . Infrastructure comme support la rutilisation de connaissance I NTERLINGUA (KIF) comme langage pivot pour la traduction dun langage vers un autre Common KR System Specications : ex, Rock de CMU, . . . Extension de KIF pour la reprsentation dontologies (O NTOLINGUA) Serveur dontologies de Stanford Interfaces externes dagents (KQML : Knowledge Query and Manipulation Language) API pour les bases de donnes orientes objets (GFP) ... Diffrentes ontologies (collection, agents, frame, topologie, quantits et dimensions physiques, units de mesures, ...)
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
volution des travaux en ingnierie des connaissances
Comme transfert dexpertise Par construction de modles : RLM, KADS, ... Conduite par des modles Aide la construction de bases de connaissances par rutilisation de MRP Interaction entre tche, MRP et le mode de conceptualisation du monde Aide la construction de bases de connaissances par rutilisation dontologies Exemples : Games (mdical), Kactus, ( . . . )
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Des abstractions partageables?
Lexiques Thesaurus Ontologies Modles du domaine Modles du cas Dcomposition en tches rcurrentes Mthodes de rsolution de problmes Tches applicatives abstraites
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Des points de vues opposs?
Premire vision Une ontologie est universelle mais diffrente de la base de connaissance qui elle serait individue, relative, nalise Deuxime vision Nombreuses ontologies pour un systme du monde Impossibilit de dlivrer des ontologies universelles incluant tous les points de vues possibles Porte la trce de la tche particulire pour lesquelles elles ont t construites et du raisonnement adopt pour cette tche
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Une classication des ontologies (1)
Ontologies de reprsentation dnit un ensemble de primitives de reprsentation exemple : la frame ontology dO NTOLINGUA Ontologies gnriques (Dont le haut est rutilisable) Ontologies du domaine Ontologies dune MRP le rle jou par chaque concept dans une mthode particulire est rendu explicite ( ontologies de tche) Ontologies dapplication Voir une ontologie dapplication comme une double spcialisation : dune ontologie du domaine et dune ontologie de mthode
10
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
De la reprsentation des connaissances
La donne dun langage formel de reprsentation des connaissances laisse ouvert la question des symboles fonctionnels et relationnels ncessaires et de la smantique y associer. Dnir une ontologie pour la reprsentation des connaissances, cest dnir, pour un domaine et un problme donns, la signature fonctionelle et relationnelle dun langage formel de reprsentation et la smantique associe. (Bachimont 2000) Dnir les primitives non logiques dun langage de reprsentation et la smantique associe : dterminer les notions lmentaires partir desquelles les connaissances du domaine sont construites.
12
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
M IKROKOSMOS
14
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Ontologie de M ENELAS : intentional-change
mental-change-external-action H HH
experience examination
change-of-mind H H HH

HHHH
intentional-change
HH mental-change-internal-action HH thinking dreaming
HH change-of-physical-world H HH cultural-change physical-change
HHH
Thinking : On peut penser que cest d la stnose
15
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Alternatives
Normaliser sans retour possible : le sexe est-il un attribut? Organiser conceptuellement les notions : des mdicaments (MENELAS) Normaliser en sparant conceptuellement les notions : . . . et de la maladie
16
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Le sexe est-il un attribut? (1)
{ { {
Patient
Female-patient
Patient
chrc
Male
Patient
chrc
Female
Patient
attr
Sex
val
Male
Patient
attr
Sex
val
Female
17
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Le sexe est-il un attribut? (2)
Deux types de concept, patient et patiente sur lesquels le systme ne peut rien dire sauf quils sont diffrents ; Un concept primitif (patient), deux caractristiques diffrentes, diffrentiant ainsi les deux concepts dnis. idem 2e cas mais en plus la diffrence est explicitement lie au sexe puisque cest une valeur de lattribut.
18
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Taxinomie intuitive
Mdicament
Fonction diurtique
possde
Mdicament avec chlortalidone
Mdicament avec fonction diurtique
Fonction diurtique
possde
LOGOTRON
19
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Taxinomie fonctionnelle
Substance biochimique Fonction thrapeutique Mdicament
chlortalidone
Fonction diurtique
a pour fonction
a pour principe actif
LOGOTRON
20
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Normaliser : sparer conceptuellement les notions (1)
Etre vivant
Objet physique
Personne Etre vivant Objet physique
Etre humain
Corps humain
21
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Normaliser : sparer conceptuellement les notions (la maladie)
Non stabilit des objets dans le discours : processus ou tat? lvolutivit de la maladie est rapide versus la maladie est un tat morbide Non stabilit des objets dans le discours : processus physiologique ou mesure diagnostique? le transit intestinal est bon versus le transit intestinal est de xx.xx
22
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Mthodologie
(Bachimont 2000) Hypothse Principes Description
23
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Hypothse
Des domaines se formalisant a priori peu ou pas et dont le mode daccs aux informations et connaissances se fait essentiellement par le vecteur de la langue naturelle La mdecine : une science pour ses principes biochimiques, physiques et ses protocoles dtudes pidmiologiques ; une pratique quotidienne o les informations se consignent dans des dossiers , regroupements cohrents de documents essentiellements textuels
! Accs des corpus (livres de cours, comptes rendus, etc.)
24
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
La primaut du corpus
Une expression des connaissances travers une langue de spcialit, avec un vocabulaire, une terminologie et une smantique spciques Utiliser une dmarche, de corpus, et des outils terminologiques pour modliser le domaine Description de lutilisation de ces outils au sein dune dmarche mthodologique claire prcisant quel stade du processus et selon quelles modalits il convient de les utiliser
25
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Langue naturelle vs langage formel

Langue naturelle Pas de primitives, des dnitions circulaires, des noncs imprcis, contextuels, des objets instables
Choisir un contexte de rfrence des objets dont on parle pour xer et stabiliser leur interprtation stabilit rfrentielle et stabilit relationnelle Structurer et organiser les concepts ainsi crs
Langage formel Des expressions logiques construites avec des primitives, des connecteurs, des quanticateurs. . .
26
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
La normalisation
Choisir un contexte de rfrence des objets dont on parle pour xer et stabiliser leur interprtation stabilit rfrentielle et stabilit relationnelle Structurer et organiser les concepts ainsi crs
27
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Mthode (Bachimont, synthse TIA, etc.)

Analyse de corpus. Extraire des candidats-termes, des relations, des verbalisations, ... base de connaissances terminologique (BCT) Des travaux sur la manire de dvelopper des produits intermdiaires qui permettraient de mieux grer le passage du linguistique au conceptuel
28
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Normalisation smantique. Selon le contexte et la tche arbre de concepts
acteur
Fonction HH

HHH
concepts tre humain
HHH
HH
ralisateur
John Wayne
H HHH
John Huston
HHH
H. . .
H les autres
29
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Engagement ontologique. treillis formel Oprationalisation dans un langage de reprsentation des connaissances e. g. les graphes conceptuels treillis computationnel [Etre-humain: JohnWayne](a-pour-fonction)![acteur] [Etre-humain: JohnHuston](a-pour-fonction)![realisateur]
30
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Engagement smantique
Ces primitives nexistent pas a priori Repartir des corpus textuels du domaine Dgager un ensemble de termes en construisant un systme de diffrences entre ces termes (structure darbre) Normalisation smantique suivant un point de vue particulier ex : un mdicament dni suivant son principe actif (pharmacologue), ou de sa fonction (clinicien) : contexte x par la normalisation Construction de lontologie rgionale qui nest valable que localement, qui comporte un contexte privilgi pour dterminer des signications adaptes une tche.
31
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Principes diffrentiels (1)
Construire larbre en respectant des principes diffrentiels : Principe de communaut avec le pre Principe de diffrence avec le pre Principe de diffrence avec les frres Principe de communaut avec les frres (explicitation de lattribut choisi)
32
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Principes diffrentiels (2)
Fonction dun tre humain dans un lm
Acteur
H HH
Fonction
Jouer un rle du lm Le ralisateur qui fait le lm, lacteur qui y joue apparatre dans la lm versus travailler sur le lm (fonction sur le plateau)
Ralisateur
33
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Engagement ontologique
Maintenant, les primitives existent... les concepts formels vrient les relations didentit et dinclusion unissant les concepts smantiques ils ne vrient pas les relations dexclusion car on considre maintenant les extensions des objets un treillis (structure algbrique des ensembles) Construction de lontologie formelle ou rfrentielle qui nest (toujours) valable que localement.
34
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Retour sur les tapes
Analyse de corpus. (Choix et) description linguistique du corpus caractrisant le domaine ; rete les normes sociales, techniques, pratiques. . . Corpus ! Signi Normalisation smantique du signi linguistique pour dgager les objets du domaine et leur type Signi ! Signi norm (ou Concept linguistique) Engagement ontologique Concept linguistique ! Concept formel Oprationalisation dans un langage de reprsentation des connaissances
35
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Terminologie
(Bourigault & Slodzian 1999) Principes (le corpus) Outils Ressources
36
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Principe
Lhypothse selon laquelle lexpert dun domaine est dpositaire dun systme conceptuel quil suft de mettre jour est non productive. La tche danalyse terminologique vise alors la construction dune description des structures lexicales luvre dans le corpus textuel partir dune analyse rgle de ce corpus. (Bourigault & Slodzian 1999)
37
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Corpus
Le texte est le point de dpart de la description lexicale construire Le corpus doit tre soigneusement choisi en fonction du domaine et de lapplication vise (la tche) La taille des corpus et la masse dinformations contenues implique lutilisation doutils de terminologie textuelle (concordancier, extracteur de candidats termes, extracteur de relations, etc.) Description de lutilisation de ces outils au sein dune dmarche mthodologique claire prcisant quel stade du processus et selon quelles modalits il convient de les utiliser
38
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Travail
La mdiation dun analyste entre ltude du corpus et lexpert est ncessaire pour se soustraire aux usages langagiers idiosyncrasiques La diffrence de pratiques lintrieur dun domaine induit des points de vue diffrents quil faut arbitrer Ce mdiateur doit tre en charge de lapplication Lexpert est un partenaire du linguiste terminologue. Il est sollicit pour valider les descriptions construites
39
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Terme
Les termes ne sont pas des units de connaissances qui viendraient habiter la langue. Il ny a donc pas de redcouverte dun systme notionnel prexistant Les notions nont pas dantriorit ou de priorit sur les mots : la terminologisation est un processus parallle llaboration conceptuelle Le terme doit tre attest en corpus (il peut exister, pour des raisons de structuration, des termes non attests en corpus mais cela doit tre assum) Un terme (ou concept linguistique) est construit. Il est le produit dun travail danalyse et dune ngociation avec lutilisateur. Il doit tre pertinent vis--vis du corpus comme de lapplication vise.
40
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Ressources
Index structurs pour les documentations lectroniques Thesaurus pour les systmes dindexation automatiques Terminologies de rfrence pour les systmes daide la rdaction Rfrentiels terminologiques pour les systmes de gestion de donnes techniques Ontologies pour les SBC Ontologies pour la gestion des connaissances Rseaux lexicaux spcialiss pour les moteurs de recherche thmatique sur le Web Bases de connaissances terminologiques ...
42
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Dnitions
Indexation : Processus destin reprsenter par les lments d un langage documentaire z ou naturel des donnes rsultant de lanalyse du contenu d un document ou dune z question. On dsigne galement ainsi le rsultat de cette opration (voir Index). Index : Table alphabtique des mots, des termes correspondant aux sujets traits, des noms cits dans un livre. Dans le domaine technique, lindex dun document est alors son analyse sommaire prsente sous forme de mots-cls, rubriques, etc. Langage documentaire : Ensemble organis de termes normaliss, utilis pour reprsenter le contenu des documents des ns de mmorisation pour une recherche ultrieure. On distingue essentiellement, dans les langages documentaires, les classications et les thesaurus. Pr-coordination : Principe suivant lequel les combinaisons entre les termes dun langage documentaire seffectuent au cours de son laboration, par exemple la cration des termes composs dans un thesaurus.
43
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Thesaurus : Langage documentaire fond sur une structuration hirarchise. Les termes y sont organiss de manire conceptuelle et relis entre eux par des relations smantiques. Organis alphabtiquement, il forme un rpertoire alphabtique de termes normaliss pour lanalyse de contenu, le classement et donc lindexation de documents dinformation.
44
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Rutilisabilit (1)
Rutilisation dontologies pour la spcication et lanalyse de systmes : leons provisoires Diffrente suivant leur niveau de proccupation et de gnralit Retours dexpriences : lutilisation dontologies implique une adaptation souvent importante Facilite si les ontologies sont modulaires, bien dlimites, organises en hirarchies Facilite si elles incluent les buts de leur conception et une documentation des choix faits dans sa ralisation Une ontologie peut aider au processus de modlisation en proposant un mode de dcoupage et de structuration des connaissances du domaine MAIS le problme dinteraction implique la mise en place de meilleurs processus Comment coupler les approches par ontologies avec celles par patterns danalyse ou de spcication?
47
Historique
Exemples
Alternatives
Mthodologie
Terminologie
Des BCT
Perspectives
Rutilisabilit (2)
Il nexiste pas dontologies universelles La rutilisation dune ontologie implique de connatre les buts pour lesquels elle a t ralise Dpendance entre la conceptualisation du monde et une notion de point de vue sur le monde, dpendant dun mode daction sur celui-ci : le raisonnement organise une description pertinente du monde, compte tenu de ses ns Intrt pour lacquisition : guider prcisment le type de dcoupage et de description du monde qui correspond un raisonnement donn
48

Langue

Bienvenue sur Scribd !

Ingénierie Des Connaissances INTRODUCTION (pages choisies par A Mille)

Transféré par

Informations du document

Date du transfert

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Ingénierie Des Connaissances INTRODUCTION (pages choisies par A Mille)

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Titres liés

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

INGNIERIE DES CONNAISSANCES INTRODUCTION (pages choisies par A Mille)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

INGNIERIE DES CONNAISSANCES

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Arguments fondamentaux de lIA

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

volution des recherches en IA

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Des applications de lIA

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Quest-ce que lIngnierie des connaissances ?

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Lexemple de MYCIN (1)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Lexemple de MYCIN (2)

DENDRAL CONGEN META-DENDRAL

MYCIN Quest-rep LN BAOBAB explic EAO GUIDON moteur dinfrence EMYCIN

DART ONCOCIN NEOMYCIN

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Les rgles de production

ALORS la molcule contient un groupe Cton

Ingnierie des connaissances Introduction (N. Aussenac-Gilles, J. Charlet)

Dans lIntelligence artificielle

Des systmes experts

LIngnierie des connaissances

Les performances de MYCIN