Vous êtes sur la page 1sur 76

Formalismes de Représentation des connaissances

Année universitaire 2012-2013

Formalismes de
Représentation
des connaissances

1
Introduction

Dans le chapitre suivant, nous présentons la difficulté de


concevoir la connaissance, ensuite nous introduirons les
différents types de connaissances et nous terminerons
avec les différents formalismes de représentations.

2
Plan

 Difficulté de concevoir la connaissance

 Définition de la connaissance

 Les modes de représentation de connaissances

 Formalismes de représentations des connaissances


3
Difficulté de concevoir la connaissance

Problématique de la connaissance

Le transfert de la connaissance du spécialiste vers le programme, pour une


application particulière, est une tâche longue et difficile qui constitue un obstacle au
développement des SE. Elle nécessite une grande collaboration entre deux corps de
métiers parfois très éloignés : le domaine d'expertise et l'informatique. En effet, il
existe des connaissances touchant aux principes de cheminement du raisonnement,
aux prises de décision, aux diagnostiques de l'expert. Elles sont exprimées par des
règles heuristiques et des métarègles.
On peut dire que les traits du domaine qui révèlent du "flair" de l'expert et qui
constitue une part importante de son expérience, posent parfois d'énormes
4
problèmes de formalisme.
Difficulté de concevoir la connaissance

La cognitique
La qualité de la connaissance est déterminante pour la performance d'un SE. Cette
connaissance est de deux types:
Savoir indiscuté (manuels, revues spécialisées,...)
Connaissance heuristique (acquise par l'expert au cours des années).

La représentation de ce deuxième type de connaissance est possible grâce à des


spécialistes : les ingénieurs de la connaissance ou cogniticiens.
Ces cogniticiens travaillent d'une part en relation avec l'expert où ils observent,
analysent et formalisent le comportement; et d'autre part, en relation avec l'ordinateur
avec lequel ils communiquent par l'intermédiaire de langages plus ou moins évolués.
5
Difficulté de concevoir la connaissance

Le travail du cogniticien est en quelque sorte de "décompiler" le savoir de l'expert.


Actuellement, c'est à l'aide d'interviews et d'observations directes de l'expert en
activité qu'a été la majorité des applications SE. Mais cette méthode présente un
certain nombre d'inconvénients :
 L'information recueillie auprès de l'expert manque souvent d'objectivité.
 Il n'y a pas de garantie de complétude de l'information.
 Les séances d'interviews sont chères et ralentissant parfois le déroulement du
projet.

Les psychologues ont beaucoup aidé les ingénieurs à surmonter la difficulté de ce


processus de transfert qui doit passer par la mise en place d'un document formalisant
6
les différentes facettes de l'expertise.
Connaissances

Qu'est-ce qu’un symbole?


Symbole : un signe qui représente une "chose" pour
quelqu'un.

Un Symbole est une relation ternaire entre :


• Un signe

• Une chose
• Un interprète

7
Connaissances

• Connaissances
• Différence entre donnée, information, connaissance.

 la donnée transporte l'information : ce sont des signaux non interprétés ;


 l'information est une interprétation de la donnée ;
 la connaissance utilise l'information dans le cadre d'actions, dans un but
précis. Les actions peuvent être la prise de décisions, la création de
nouvelles informations, etc...

8
Connaissances

Définition de la connaissance

La connaissance est l'élément de base dans un SE, car elle permet à ce dernier de
résoudre les problèmes qui lui sont posés. C'est d'ailleurs pour cela que les SE sont
aussi appelés "systèmes à base de connaissances" = "knowledge based systems"
(KBS).
On peut définir le mot "connaissance" comme étant l'ensemble d'informations
relatives au domaine d'expertise. On y trouve :
 La connaissance factuelle
 La connaissance opératoire
 La connaissance généralisée
 La méta connaissance 9
Connaissances

 La connaissance factuelle

Ce sont :
 les éléments de base, objets du monde réel liés à la perception immédiate, ils
sont enregistrés tels quels
 Les assertions et définitions : elles caractérisent d'une façon sûre les objets de
base
 les concepts : ce sont des regroupements ou des généralisations des objets de
base relatifs à une vision "individuelle" des classes
 les relations : elles traduisent aussi bien des propriétés élémentaires des
éléments de base, que des relations de cause à effet
10
Connaissances

 La connaissance opératoire

 Les inférences : elles concernent l'ensemble des informations que


nous avons sur les lois de fonctionnement de l'univers.
 Les théorèmes et règles de réécriture : ce sont des cas particuliers
de règles d'inférences qui ont la caractéristique d'être sûre.
 Les stratégies et les heuristiques : ce sont des règles de
comportements, innées ou acquises, qui permettent d'inférer des
actions à envisager dans une situation précise

11
Connaissances

 La connaissance généralisée
 les algorithmes de résolution: ils accomplissent certaines tâches
agencées, ensuite ordonnées d'actions mémorisées en blocs.
Habituellement, ces procédures sont de courtes séquences
 les événements : ils se composent de l'ensemble des actions que
les objets accomplissent ou subissent et des états dans lesquels ils
se trouvent
 les scénarios : ils représentent en IA des agrégations événements
12
Connaissances

 La méta connaissance

Définition 1 :
La connaissance étant vue comme édifiée sur des paliers
successifs, la méta connaissance est introduite pour renseigner sur
cette édification en forme et en contenu. Elle est souvent définie
comme "connaissance sur la connaissance".
Il faut noter que cette définition est difficile à transcrire. De même,
les stratégies et les heuristiques sont intégrées dans cette famille.
13
Connaissances

 La méta connaissance (suite)

Définition 2 :
La connaissance est un ensemble lié de données et d’inférences.
Le concept de connaissance est lié à l’interprétation des données.
Il exige un « interprète ». Le rôle de l’interprète est la génération
de nouveaux faits à partir de données. Ce mécanisme est aussi
appelé « Inférence ». La connaissance est aussi assimilée à la
compétence. C’est-à-dire qu’elle est définie par sa fonction. Elle
se caractérise par ce qu’elle fait, non pas par son contenu 14
Les modes de représentation des connaissances

Une question fondamentale à se poser concerne le formalisme selon lequel sera


exprimé l'ensemble des connaissances dont on dispose au sujet du domaine abordé.
Plusieurs formalismes existent. Néanmoins, on arrive à discerner deux grandes
familles :
 Les règles de productions et le calcul des prédicats. Un formalisme basé sur
des fondements mathématiques.
 Les représentations structurées telles que : les réseaux sémantiques, les
frames et les scripts.

Les techniques de représentation des connaissances sont le langage interne utilisée


pour l’acquisition des connaissances.
15
Les modes de représentation des connaissances

Une autre distinction est la connaissance « superficielle » et la


connaissance « profonde »
 Connaissance superficielle : expression symbolique des
associations des faits permettant un raisonnement « abstrait »
 Connaissance profonde : un modèle permettant le raisonnement
par simulation

La plupart des systèmes experts fonctionnent avec une « connaissance


superficielle ».
16
Les modes de représentation des connaissances

Les modes de représentation des connaissances


 Procédural:
 Les automates finis
 Les programmes
 Déclaratif:
 règles de production
 La logique
 Les réseaux sémantiques
 Les scripts et les plans
 Les objets structurés
 Les frames
 17
Les langages orientés objet
Procédural

 Procédural

C'est la représentation qui mélange données factuelles et contrôle. Elle


a un certain nombre d'inconvénients:
 Difficile à modifier et à étendre en fonction de l'évolution de la
connaissance.
 Ne permet ni une vision globale ni partielle des connaissances
utilisées.
 Exclut toute justification des solutions trouvées.
Elle englobe les automates d'états finis et les programmes. 18
Procédural

 Les automates d'états finis

Un automate est un ensemble fini d'états reliés entre eux par des arcs. Les états
représentent les actions à entreprendre, les arcs représentent les règles de
décision ou prédicats pour passer d'un état à un autre.

q1
a a

q0 q3 b F

b b
q2

Automate fini déterministe de aab|bbb.


19
Procédural

 Les programmes

Un programme est une suite finie d'opérations ordonnées bien


définies, exécutables sur un ordinateur et qui permet d'arriver à la
solution en un temps raisonnable.

20
Déclaratif

 Déclaratif

Les systèmes déclaratifs sont issus des démonstrations de théorèmes basés sur le
principe de résolution.
 Règles de production
 La logique
 Les réseaux sémantiques
 Les scripts et les plans

21
Déclaratif

 règles de production

A l'heure actuelle, les règles de production connaissent un réel succès en tant que
moyen de représentation de connaissances dans les SE. La majorité des SE ont été
développés en utilisant ce type de formalisme. La connaissance est exprimée sous
forme de règles du type:

Si < Prémisses > Alors < Conclusions >.

22
Déclaratif (logique)

Introduction à la logique mathématique

1. Assertion et prédicat
2. Les connecteurs logiques
3. Propriétés
4. Les quantificateurs mathématiques
5. Résolution

23
Déclaratif (logique)

1. Assertion et prédicat

24
Déclaratif (logique)

Assertion

Définition 1.1
Une assertion est un énoncé mathématique auquel on peut attribuer la valeur de vérité
vrai (V) ou faux (F), mais jamais les deux à la fois. C’est le principe du tiers-exclu.

Exemple 1.1
L’énoncé « Alger est la capitale de l’Algérie » est vrai (V).
L’énoncé « 24 est un multiple de 2 » est vrai (V).
L’énoncé « 19 est un multiple de 2 » est faux (F).

25
Déclaratif (logique)

Prédicat

Définition 1.2
Un prédicat est un énoncé mathématique contenant des lettres appelées variables tel
que quand on remplace chacune de ces variables par un élément donné d’un ensemble,
on obtient une assertion.
Exemple 1.2
L’énoncé suivant :
P(n) = « n est un multiple de 2 »
est un prédicat car il devient une assertion quand on donne une valeur à n.
P(10) = « 10 est un mult. de 2 » est une assertion vraie,
P(11) = « 11 est un mult. de 2 » est une assertion fausse. 26
Déclaratif (logique)

Exemple 1.3
L’énoncé suivant :
P(x, A) = « x ∈ A »
est un prédicat à deux variables.
 P(1,N) est une assertion vraie,
 P(√2,N) est une assertion fausse.

Remarque
Une assertion peut s’interpréter comme un prédicat sans variable, c’est-à-dire comme
un prédicat toujours vrai ou toujours faux.

27
Déclaratif (logique)

2. Les connecteurs logiques

28
Déclaratif (logique)

Négation

Les connecteurs logiques permettent de créer de nouveaux prédicats (dits prédicats


composés) à partir de prédicats P, Q, . . .

Définition 2.1
Soit P un prédicat. La négation du prédicat P est le prédicat
noté non(P) qui est vrai lorsque P est faux, est faux lorsque P est vrai.

On résume ceci dans la table de vérité :

P non (P)
V F
F V 29
Déclaratif (logique)

Exemple 2.1
L’assertion P = « 24 est un multiple de 2 » est une
assertion vraie (V). L’assertion non(P) est définie par :
non(P) = « 24 n’est pas un multiple de 2 ».
C’est une assertion fausse (F).
À partir du prédicat « x ∈ A », on définit le prédicat
non (x ∈ A) = « x  A ».
Par exemple, l’assertion « 1/2  N » est vraie car
l’assertion « 1/2 ∈ N » est fausse.

On écrit parfois «  (P ) » au lieu de « non (P ) ». 30


Déclaratif (logique)

Conjonction

Définition 2.2
Soient P et Q deux prédicats. Le prédicat « P et Q », appelé conjonction de P et de Q,
est un prédicat qui
est vrai lorsque P et Q sont vrais simultanément, est faux dans tous les autres cas.

On résume ceci dans la table de vérité : P Q P et Q


V V V
V F F
F V F
F F F
On écrit parfois « P ∧ Q » au lieu de « P et Q ».
31
Déclaratif (logique)

Disjonction

Définition 2.3
Soient P et Q deux prédicats. Le prédicat « P ou Q », appelé disjonction de P et de Q,
est un prédicat qui est vrai lorsque l’un au moins des deux prédicats P et Q est vrai, est
faux lorsque les deux sont faux.
On résume ceci dans la table de vérité :
P Q P ou Q
V V V
V F V
F V V
F F F

On écrit parfois « P ∨ Q » au lieu de « P ou Q ». 32


Déclaratif (logique)

Exemple 2.2
Considérons les deux assertions P et Q suivantes :
 P = « 10 est divisible par 2 »,
 Q = « 10 est divisible par 3 ».
L’assertion P est vraie tandis que l’assertion Q est fausse.
On en déduit les deux assertions :
 P et Q = « 10 est divisible par 2 et 10 est divisible par 3 »,
 P ou Q = « 10 est divisible par 2 ou 10 est divisible par 3 ».
L’assertion « P et Q » est une assertion fausse. En revanche,
l’assertion « P ou Q » est une assertion vraie.
33
Déclaratif (logique)

Implication

Définition 2.4
Soient P et Q deux prédicats. Le prédicat « P ⇒ Q » appelé implication de P vers Q est
un prédicat qui
 est faux lorsque P est vrai et Q faux,
 est vrai dans tous les autres cas.
On résume ceci dans la table de vérité : P Q PQ
V V V
V F F
F V V
F F V
 On dit que P est une condition suffisante pour Q.
34
 Q ⇒ P s’appelle l’implication réciproque de P ⇒ Q.
Équivalence

Définition 2.5
Soient P et Q deux prédicats. Le prédicat « P  Q »
appelé équivalence de P et de Q est un prédicat qui
 est vrai lorsque P et Q sont simultanément vrais ou faux,
 est faux dans tous les autres cas.

P Q PQ
On résume ceci dans la table de vérité :
V V V
V F F
F V F
 (P ⇒ Q) et (Q ⇒ R) se note P ⇒ Q ⇒ R. F F V
35
 (P  Q) et (Q  R) se note P  Q  R.
Déclaratif (logique)

3. Propriétés

36
Déclaratif (logique)

Équivalence logique

Définition 3.1
Soient R1 et R2 deux prédicats. Si
 R1 est vrai lorsque R2 est vrai,
 R1 est faux lorsque R2 est faux,
alors on dit que R1 et R2 ont la même table de vérité ou qu’ils
sont logiquement équivalents, et on note R1 ≡ R2. Dans le cas
contraire, on note R1  R2.

Exemple 3.1
 Soit P un prédicat. Non (non(P)) ≡ P.
 Soient P et Q deux prédicats. (P et (P ou Q)) ≡ P. 37
Déclaratif (logique)

Tautologie
Considérons un prédicat P. Ce prédicat peut prendre la valeur
(de vérité) Vrai ou Faux. Considérons le prédicat composé :
R = « P ou non (P) ».
Ce prédicat est remarquable. En effet, R est toujours vrai et ce
indépendamment de P. Vérifions-le : P non (P) P ou non(P)

V F V

F V V

Le prédicat composé R est alors qualifié de tautologie.

Définition 3.2
Un prédicat composé R qui est vrai quelles que soient les valeurs de vérité des
38
prédicats qui le composent, est appelé une tautologie.
Déclaratif (logique)

Prédicats incompatibles

Soit P un prédicat. Considérons le prédicat composé :


« P et non (P) ».
Ce prédicat est toujours faux. Vérifions-le :
P non (P) P et non(P)
V F F
F V F

On dit que les prédicats P et non(P) sont incompatibles.

Définition 3.3
On dit que deux prédicats composés sont incompatibles si leur conjonction est fausse
39
quelles que soient les valeurs de vérité des prédicats qui les composent.
Déclaratif (logique)

Propriétés incontournables

Proposition 3.1
 Soient P, Q deux prédicats. On a les équivalences logiques suivante :
non (P ou Q) ≡ ( non(P) et non(Q)) ,
non (P et Q) ≡ (non(P) ou non(Q) ).
Ce sont les lois de Morgan pour les prédicats.

 Soient P, Q, R trois prédicats. On a aussi les équivalences


logiques suivantes :
P ou (Q et R) ≡ (P ou Q) et (P ou R),
P et (Q ou R) ≡ (P et Q) ou (P et R). 40
Déclaratif (logique)

Proposition 3.2
Soient P, Q deux prédicats. On a les équivalences logiques :
1. (P ⇒ Q) ≡ ( non(P) ou Q ).
2. non(P ⇒ Q) ≡ ( P et non(Q)) .
3. (P ⇒ Q) ≡ ( non(Q) ⇒ non(P)) .
4. (P  Q) ≡ ((P ⇒ Q) et (Q ⇒ P)) .

 On dit que Q est une condition nécessaire pour P.


 L’implication « non(Q) ⇒ non(P) » s’appelle la contraposée de « P ⇒ Q ».

Exemple 3.2
Soit n ∈ N. (n2 pair ⇒ n pair) ≡ (n impair ⇒ n2 impair). 41
Déclaratif (logique)

4. Les quantificateurs
mathématiques

42
Déclaratif (logique)

Les quantificateurs simples


À partir d’un prédicat P(x) défini sur un ensemble E, on
construit de nouvelles assertions (dites assertions quantifiées)
en utilisant les quantificateurs « quel que soit » et « il existe ».

Définition 4.1
Le quantificateur « quel que soit » noté ∀, permet de définir
l’assertion quantifiée « ∀x ∈ E P(x) » qui est vraie si pour tous
les éléments x appartenant à E, l’assertion P(x) est vraie.

Exemple 4.1
 « ∀x ∈ [−3, 1] x2 + 2x − 3  0 » est vraie.
 « ∀n ∈ N (n − 3)n > 0 » est fausse.
43
 « ∀n ∈ N (n2 pair ⇒ n pair ») est vraie.
Déclaratif (logique)

Définition 4.2
Le quantificateur « il existe » noté ∃, permet de définir
l’assertion quantifiée « ∃x ∈ E P(x) » qui est vraie si on peut
trouver (au moins) un élément x appartenant à E tel que
l’assertion P(x) soit vraie.
S’il en existe un et un seul, on pourra écrire :
∃ ! x ∈ E P(x)
et on dira qu’il existe un unique élément x de E vérifiant P(x).
Exemple 4.2
 L’assertion quantifiée « ∃x ∈ R x2 = 4 » est vraie.
 L’assertion quantifiée « ∃!x ∈ R*+ ln x = 1 » est vraie.
44
Si « ∀x ∈ E P(x) » est vraie alors « ∃x ∈ E P(x) » est vraie.
Déclaratif (logique)

ATTENTION On manipulera avec précaution les assertions de la forme « ∃ ! x ∈ E


P(x) » pour lesquelles la notation « ∃ ! » ne désigne pas un quantificateur (bien qu’elle
en ait l’air !)

En effet, on se convainc facilement de l’équivalence logique :


(∃ ! x ∈ E P(x) ) ≡ (R1 et R2)
où les deux assertions R1 et R2 sont définies comme suit :
 R1 = « ∃x ∈ E P(x) »,
 R2 = « ∀x ∈ E ∀x′ ∈ E (P(x) et P(x′)) ⇒ x = x′) ».
L’assertion R1 traduit l’existence d’un élément x vérifiant P(x)
et l’assertion R2 traduit l’unicité de cet élément.
45
Déclaratif (logique)

Règles de négation

Soit P(x) un prédicat sur E. De manière évidente, on a :


Non(∀x ∈ E P(x)) ≡ ∃ x ∈ E non(P(x)),
Non(∃ x ∈ E P(x)) ≡ ∀x ∈ E non(P(x)).

Exemple 4.3
Soit P(x) un prédicat sur E. On a :
Non(∀x ∈ E (P(x) ⇒ Q(x))) ≡ ∃ x ∈ E (P(x) et non(Q(x))).

ATTENTION On vérifie aussi que l’on a :


non (∃ ! x ∈ E P(x)) ≡ non(R1) ou non(R2).
avec R1 = « existence » et R2 = « unicité ». 46
Déclaratif (logique)

Les quantificateurs multiples

Définition 4.3
Soit P(x, y) un prédicat à deux variables avec x ∈ E et y ∈ F.
 L’assertion quantifiée
∀x ∈ E ∀y ∈ F P(x, y)
est vraie lorsque tous les éléments x de E et tous les éléments y de F vérifient P(x, y).
 L’assertion quantifiée
∃x ∈ E ∃y ∈ F P(x, y)
est vraie lorsqu’il existe (au moins) un élément x appartenant à E et lorsqu’il existe (au
moins) un élément y appartenant à F vérifiant P(x, y).
47
Déclaratif (logique)

Exemple 4.4
 Soit le prédicat à deux variables avec n ∈ N* et x  R+:
P(n, x) = 1 + nx  (1 + x)n
L’assertion quantifiée
∀n ∈ N* ∀x ∈ R+ (P(n, x) )
est une assertion vraie (V).
 L’assertion quantifiée
∃x ∈ R ∃y ∈ R x + y = 5
est une assertion vraie (V).

48
Déclaratif (logique)

Règles d’utilisation
On peut combiner des quantificateurs de natures différentes.
Par exemple, l’énoncé « tout nombre complexe possède au moins une racine carrée »
s’écrit sous la forme :
∀z ∈ C ∃u ∈ C u2= z.
Mais, attention, il faut respecter les règles suivantes :
 On peut permuter deux quantificateurs identiques :
( ∀x ∈ E ∀y ∈ F P(x, y)) ≡ (∀y ∈ F ∀x ∈ E P(x, y)) .
(∃x ∈ E ∃y ∈ F P(x, y) )≡ (∃y ∈ F ∃x ∈ E P(x, y)) .

 Ne pas permuter deux quantificateurs différents :


49
(∃y ∈ F ∀x ∈ E P(x, y))  (∀x ∈ E ∃y ∈ F P(x, y))
Déclaratif (logique)

Exemple 4.5
 L’assertion quantifiée « ∀  ∈ R ∃!x ∈ R+* ln x =  » est vraie.

 L’assertion « ∀x ∈ R ∃y ∈ R x + y = 0 » est vraie. En revanche, l’assertion « ∃y ∈ R


∀x ∈ R x + y = 0 » est fausse.

 L’assertion quantifiée
« ∀x ∈ R ∃ y ∈ R x  y »
est une assertion vraie puisque si x ∈ R alors, en prenant y = x + 1 on a : x  x +
1. En revanche l’assertion
« ∃ y ∈ R ∀x ∈ R x  y »
50
est fausse puisque l’ensemble des réels n’est pas borné.
Déclaratif (logique)

5. Déduction en Logique des


Propositions : résolution

51
Déclaratif (logique)

Rappel :
Un raisonnement logique est valide ssi sa conclusion est la conséquence logique de ses
prémisses. On note alors : P1, ..., Pn |= C

Méthode des tables de vérité


Application directe de la définition de la conséquence logique : il suffit d’évaluer à
l’aide d’une table de vérité l’ensemble des modèles de P1... Pn constituent des
modèles de C
Principe de déduction par réfutation (théorème)

Pour montrer que P1, ..., Pn |= C (raisonnement valide) il faut et il suffit de montrer
que la formule de réfutation Fr P1 ...Pn C est contradictoire

On dit alors qu'on a montré la validité par réfutation de la conclusion 52


Déclaratif (logique)

Résolution
Forme clausale
On appelle clause toute disjonction d'atome ou de littéraux d'atome. Une formule est
dite sous forme clausale si elle se présente comme une disjonction de clauses
Remarque — En LP, forme normale = fnc

Règle de résolution
Soient (S1) et (S2) deux clauses appartenant à une formule (S) mise sous forme
clausale. S'il existe un atome L tq L(S1) et L  (S2) alors la clause :
(R)(S1 \ {L} ) (S2 \ {L} ) dite résolvante de (S1) et (S2) est une conséquence
logique de (S).
Corollaire : (S) et (S)  (R) sont logiquement équivalentes 53
Déclaratif (logique)

Méthode de résolution de Robinson

Pour montrer qu'une formule (S) est contradictoire, il faut et il suffit de produire la
clause vide par résolution de l'ensemble des clauses issues de (S) mise sous forme
clausale.

Soit un raisonnement dont on cherche à montrer la validité


1 — Construction de la formule de réfutation associée
2 — Mise sous forme clausale de la formule de réfutation (Fr)
3 — Tq la clause vide n'appartient pas à (Fr) ou bouclage
3.1. appliquer la résolution sur 2 clauses de (Fr)
3.2. ajouter la résolvante à (Fr)
54
4 — Si clause vide : raisonnement valide. Sinon, non valide.
Déclaratif (logique)

Méthode de résolution de Robinson : exemple

Modus ponens A, A ⇒ B a-t-il pour conséquence logique B ?

Formule de réfutation Fr  A  (A ⇒ B)  B

Formule clausale Fr  A (A v B)   B trois clauses

Résolution

2 démonstrations
Fr contradictoire donc
Raisonnement valide

55
Les réseaux sémantiques

Les réseaux sémantiques

Les réseaux sémantiques sont le monde le plus général de représentation, mais aussi le
plus ancien de l'IA. Ils ont été introduits en 1968 par deux chercheurs, Quillian et
Raphael.
Un réseau sémantique est constitué de différents nœuds représentant des concepts reliés
par des arcs exprimant les relations qui les lient entre eux. Les nœuds jouent le rôle des
termes et les arcs celui des prédicats en logique. Les réseaux sémantiques sont à la base
de l'interprétation du langage naturel.

56
Les réseaux sémantiques

57
Les réseaux sémantiques

Il existe des relations prédéfinies telles que les relations :


Est-un: il s'agit de l'inclusion ensembliste qui autorise le mécanisme d'héritage.
Instance-de (possède) : il s'agit du lien entre une instance et la classe à laquelle elle
appartient. Une instance partage tous les liens sémantiques de la classe à laquelle elle
appartient. Les points positifs de ce formalisme sont :
 la clarté,
 la lisibilité et
 surtout la facilité d'écriture
Mais à côté, il existe plusieurs désavantages qui sont :
 le manque de standardisation du formalisme, la difficulté de mise à jour du
graphe
58
 l'impossibilité d'exprimer des connaissances de type procédural (c’est-à-dire
Les scripts et les plans

Les scripts

Décrivent des situations stéréotypées sous la forme d'une succession


d'actions et comprennent aussi une liste des acteurs et des objets
nécessaires à la description de la situation. Un script est un scénario
muni d'acteurs, d'objets et d'événements.
Exemple: "J'étais dans un restaurant, la serveuse m'apporte le menu".
Ils s'intéressent plus à l'aspect dynamique de la connaissance.

59
Les scripts et les plans

Exemple :
Scénario : la sale d'opération
Acteurs : le chirurgien, l'anesthésiste, les infirmiers, le
malade...
Objets : table d'opération, le bistouri, les compresses...
Evénements : l'arrivée du malade, saignement du malade...

Dès qu'un contexte correspond à un scénario celui-ci est déclenché, en


modifiant l'état des objets et des acteurs. Ceci génère des événements qui
modifient à leur tour le contexte pour déclencher d'autres scénarios...
60
Les scripts et les plans

Les plans

Ce sont des descriptions stéréotypées. Ils décrivent non plus des


situations mais des intentions humaines et des méthodes utilisées. Ils
permettent d'enrichir les possibilités de raisonnement apportées par
l'utilisation des scripts comme une histoire.

Exemple: "Mohammed savait que le voyage coûterait cher.


Heureusement, il y'avait l'oncle Ahmed.
Il prit son répertoire téléphonique."
61
Les objets structurés

L'objet est une nouvelle structure de données consistant à


mêler dans une même structure des connaissances
déclaratives (les données) et procédurales (les procédures ou
méthodes). Il existe plusieurs approches dans ce domaine .

62
Les frames

L'idée de Frame est issue d'un article de MINSKY [Minsky, 75]. Il estime que la
connaissance chez un être humain n'est pas disposée en vrac, mais est structurée autour
d'unités d'information que nous sélectionnons chaque fois qu'une situation nouvelle se
présente. Un Frame est généralement composé d'un groupe d'attributs appelés slots.
Exemple:
Frame Personne:
Nom: chaîne de caractères
Prénom: chaîne de caractères
Sexe: élément de [F, M]
63
Année de naissance: entier
Les objets structurés

Une instance est un Frame particulier où chaque terminaison (attribut) est déterminée
par une valeur.
Exemple: Nom: Salah
Prénom: Samia
Sexe : F
Année de naissance : 1978
Les points positifs pour la théorie des Frames sont nombreux, on peut citer quelques
uns :
La relation d'une représentation statique a un ensemble de procédures et ceci grâce à
l'attachement procédural qui relie les objets et les méthodes.
 Le mécanisme d'héritage facilite la définition de nouveaux Frames.
 64
La cohérence de la base d'objets, grâce à la modification apportée par héritage.
Les objets structurés

Les langages orientés objet

Aujourd'hui, les langages orientés objet sont amenés à tenir une place de
plus en plus prépondérante dans la conception des logiciels. L'IA
n'échappe pas à cette évolution et la programmation objet tend à servir
de base aussi bien pour la réalisation de MI que pour la construction de
BC pour les SE. Dans la programmation orientée objet, on privilégie la
donnée, on la rend intelligente en lui associant directement un
programme.
65
Les objets structurés

Les concepts de base

Objet : Un objet est une entité représentant:


Un ensemble d'informations (ou données) permettant de la définir et de caractériser son
état.
La description de la façon dont cette entité peut-être manipulée.

Exemple: Une machine est un objet caractérisé par:


- Sa référence
- Son type
- Sa puissance
- Son état (en marche ou à l'arrêt)=les actions. 66
Les objets structurés

Attribut :

Un attribut (champs) correspond à une information particulière


permettant de caractériser un objet.
Exemple : La puissance est un attribut de l'objet MO123. (ou MO123 est
l'identificateur de l'objet)

67
Les objets structurés

Propriété:
Une propriété est obtenue par association d'une valeur à un attribut d'un
objet.
Exemple: Un objet de nom Bouziane décrivant un individu, ses attributs
sont : son âge, sa taille, son sexe,...
Il possède trois propriétés:
Age: 25
Taille: 1.65
Sexe: M
68
Les objets structurés

Classe :

Une classe est le descriptif (moule) d'un ensemble d'objets de même


caractéristiques. Ces derniers peuvent être des attributs, des propriétés ou
des méthodes. Une classe peut être assimilée dans un certain sens à un
type d'objet.
Exemple :
Bouziane est un individu
Objet classe

69
Les objets structurés

L'appartenance d'un objet à une classe sera définie explicitement au niveau de chaque
objet.
Exemple:
Individus

Symbolise une classe

Symbolise un objet
Bouziane Younes Signifier: « appartient »

Lorsqu'un objet a été rattaché à une classe, il bénéficie (hérite) des attributs, propriétés
et méthodes de cette classe. 70
Les objets structurés

Héritage:
L'héritage est un mécanisme propre au concept objet, permettant à un objet ou une
classe de bénéficier automatiquement des caractéristiques d'autres objets ou classes. On
parle d'héritage multiple lorsqu'un objet (ou une classe) peut hériter de plusieurs
objets (ou classes) et d'héritage simple s'il peut hériter que d'un seul objet.

Poste Machine
Héritage multiple
Poste_u
Héritage simple
Fraiseuse

71
Fraiseuse_I
Les objets structurés

Méthode:
Une méthode permet d'associer à un attribut d'objet ou de classe, non pas une valeur,
mais une action. Cette action peut être assimilée à une procédure (ou une fonction)
capable d'agir sur l'état interne de l'objet auquel elle est rattachée.
Exemple
Classe individus
Année de naissance

Attributs
Age: année courante – année de naissance

Fonctions à calculer 72
Les objets structurés

Encapsulation :

Le grand mérite de l'encapsulation est que, vu de l'extérieur, un objet se


caractérise uniquement par les spécifications de ses méthodes, la manière
dont sont réellement implantées les données étant sans importance.

73
La représentation des connaissances incertaines

La représentation des connaissances incertaines

L’expert est capable de raisonner sur des connaissances incertaines, malheureusement


on ne dispose que de peu d’outils pour prendre en compte cette capacité.
Un médecin par exemple n’est jamais sûr quel tel symptôme est signe de telle maladie,
que tel médicament sera supporté par le malade, que le malade guérira, etc.
On peut utiliser la théorie des probabilités pour définir le degré de vraisemblance d’un
fait. De nombreux générateurs de systèmes experts offrent la possibilité aux
utilisateurs de nuancer leur certitude concernant un fait en leur associant un degré de
vraisemblance.

74
La représentation des connaissances incertaines

Exemple :

Question : « Avez-vous mal à la tête ? ou seulement un peu mal ? »


Réponse : « Sur une échelle qui associerait 0 au fait de ne pas avoir mal
à la tête et 1 au fait de ne pas pouvoir le supporter, je dirai que j’ai mal à
la tête avec un coefficient 0,45 »
Cet exemple révèle une des principales difficultés de cette méthode : il
n’est pas raisonnable d’attendre d’un être humain, expert ou non, qu’il
puisse définir avec précision de tels degrés de vraisemblance

75
76

Vous aimerez peut-être aussi