Vous êtes sur la page 1sur 109

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)

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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.

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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


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

PUFF CENTAUR

SACON

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

10

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

12

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

14

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

15

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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...

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

16

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

18

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

19

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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.

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

20

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

22

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

23

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

26

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

27

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

28

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

30

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

31

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

32

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

33

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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)

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

34

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

35

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

36

Dans lIntelligence artificielle

Des systmes experts

Exemples

LIngnierie des connaissances

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

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

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.

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

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

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.

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)

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.

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)

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.

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
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.

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

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.

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

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

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

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

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

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.

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

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

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


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

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

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

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)


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

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>

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

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

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.

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


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

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

25

Historique

Les tapes

... par les donnes

Le modle conceptuel

Rle du M.C.

Validation du M. C.

Construction ascendante versus descendante (2)

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.

Construction ascendante versus descendante (3)

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

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

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

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

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

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 .

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

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

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

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

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

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, )

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

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

36

Historique

Les tapes

... par les donnes

Le modle conceptuel

Rle du M.C.

Validation du M. C.

Oprationalisation : diffrentes approches (2)


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)

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

37

Historique

Les tapes

... par les donnes

Le modle conceptuel

Rle du M.C.

Validation du M. C.

Oprationalisation : diffrentes approches (3)


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

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

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

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>

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

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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, . . .
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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, ...)
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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, ( . . . )

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

12

Historique

Exemples

Alternatives

Mthodologie

Terminologie

Des BCT

Perspectives

M IKROKOSMOS

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

22

Historique

Exemples

Alternatives

Mthodologie

Terminologie

Des BCT

Perspectives

Mthodologie
(Bachimont 2000) Hypothse Principes Description

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.)

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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. . .

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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]

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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)

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

35

Historique

Exemples

Alternatives

Mthodologie

Terminologie

Des BCT

Perspectives

Terminologie
(Bourigault & Slodzian 1999) Principes (le corpus) Outils Ressources

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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)

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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 ...
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.
Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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.

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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?

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

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

Ingnierie des connaissances Ontologies (J. Charlet, N. Aussenac-Gilles, Ph. Laublet et B. bachimont)

48