Université

Louis Pasteur
L
R
S
P
Laboratoire de Recherche
Ecole Nationale Supérieure
des Arts et Industries
de Strasbourg en Productique de Strasbourg de Strasbourg

Structuration des connaissances et des savoir-faire

pour l’amélioration du système de production

Thierry ERBEJA

Soutenance de Thèse de doctorat

Strasbourg, le 21décembre 12001
 Plan de l’exposé

1 Contexte et problématique

2 Limites des outils de Classification Automatique

3 Présentation de la méthode

4 Conclusion et perspectives

2
Contexte et problématique
Capitaliser un savoir-faire à partir de l’existant

Le domaine d’application :
Les entreprises manufacturières

Objectif :
Se recentrer sur son savoir-faire et le capitaliser

Le support du savoir-faire :
Les homme et aussi les données accumulées par l’entreprise

La question :
Comment exploiter les données de l’entreprise pour identifier les savoir-faire et
améliorer le système de production ?

Moyen :
La catégorisation

3
Contexte et problématique
Capitaliser un savoir-faire à partir de l’existant

Exemple : améliorer le processus de conception

Plan
Commande

e Conception

Ensemble des plans = ensemble des cas traités par l’entreprise

Les commandes se ressemblent souvent
Pourtant à chaque commande on recommence le processus de conception

4
Contexte et problématique
Capitaliser un savoir-faire à partir de l’existant

Exemple : Utiliser l’existant pour améliorer le processus de conception

Représentation

Réduire la diversité inutile et « standardiser »

Capitaliser le savoir-faire
 Amélioration du processus de conception 5
Contexte et problématique
Démarche de catégorisation : difficultés et limites

Définir les objectifs

1 de la catégorisation

XXXX - XX - XX XX XX - X - XX - X - X - X -
Définir une
2 représentation des objets
Forme Dimensions Matière Quantité

Fonction Tolérances Brut Complexité

3 Classifier les objets

4
Valider les familles
6
Contexte et problématique L’Analyse Typologique un outil pour les processus de
catégorisation industriels ?

Définir les objectifs Experts de l’entreprise

1 de la catégorisation
Analyste

Définir une
2 représentation des objets Intégration dans
7 le processus de
classification

Classifier avec un outil

3 d’Analyse Typologique Analyse de la
6 cohérence

Connaissances
4
Valider les familles 5 supplémentaires
7
Contexte et problématique
Problématique

Comment accélérer le processus de catégorisation des données

techniques pour la capitalisation des savoir-faire et l’amélioration
du système de production ?

Utiliser un Outil de Classification Automatique

Pourquoi les méthodes d’Analyse Typologiques sont-elles inefficaces ?

Peut-on expliquer le cycle de classification ?
Peut-on s’en affranchir ?
D’autres méthodes de Classification Automatique sont-elles plus efficaces ?

8
Limites des outils de Classification Automatique
Une méthode de
classification élémentaire

Critère d’évaluation de Chercher la

Objectif de la
la pertinence d’une partition qui
catégorisation
classification optimise ce critère

Le critère des experts : en partie implicite

Les critères des méthodes d’Analyse

Typologique ?
9
Limites des outils de Classification Automatique Principe des méthodes
d’Analyse Typologiques

Td v1 v2 v3
a 1 4 3
b 1 5 3 Tableau de données
c 5 8 4
d 3 8 4

Ts a b c d
a 100 66 33 0 Tableau de similarité
b 66 100 0 0
c 33 0 100 66
d 0 0 66 100

Algorithme de formation des groupes P*=max F(Ts, P)

Partition des données

10
Limites des outils de Classification Automatique Limites des méthodes
d’Analyse Typologique

1 Le langage de représentation des objets

2 L’indice de similarité une fonction régulière des attributs

3 Des méthodes heuristiques pour former les groupes

4 Le réglages de nombreux paramètres

Des méthodes qui utilisent de nombreuses hypothèse : les biais de classification

Des biais de classification souvent implicites

Il n’existe pas de modèle analytique

Deux méthodes différentes donnent des résultats différents

11
Limites des outils de Classification Automatique Limites des méthodes
d’Analyse Typologique

Classification logique et empirique

V2 Ts a b c d
a 100 66 33 0
V1 V1 b 66 100 0 0
c 33 0 100 66
V3 V3 V3 V3 d 0 0 66 100

Exemple de paramètre : la dualité homogénéité isolation

Cas idéal : homgènes et isolés Cas difficile

12
isolées mais pas homogènes homogènes mais pas isolées
Limites des outils de Classification Automatique
L’hypothèse de similarité

Dans quelle mesure ces méthodes peuvent-elles découvrir des concepts du domaine ?

1 Il existe une relation simple entre les propriétés qui définissent les concepts et les
attributs descriptifs
V1 V2 V3 V1 V2 V3

a 1 3 5 a 0 1 2

b 1 3 6 b 1 0 7

c 1 3 2 c -1 0 3

C = { w  U tels que V1 = 1 et V2 = 3 } D = { w  U tels que V1 2 + V2 2 = 1 }

2 L’information est redondante

Td1 Td2
V1 V2 V3 V1 V2 V3
w1 0 0 0 w1 0 1 0
C1
w2 0 1 1 w2 0 1 1
w3 1 0 1 w3 1 0 1
C2 13
w4 1 1 0 w4 0 0 1
Limites des outils de Classification Automatique
Interprétation du cycle de classification

Le cycle de classification admet essentiellement deux origines

L’incomplétude des données

L’objectif ne permet pas de définir les critères de classification
Les experts ne sont pas experts de leur savoir-faire

Les biais de classification

Le principe de la classification empirique n’est pas celui utilisé par les experts
Les hypothèses, souvent implicites et liées au fonctionnement du système, sont
étrangères aux experts

C’est un processus double

D’extraction et d’affinement de connaissances

Les experts verbalisent et confrontent leur savoir
Ils progressent par essais erreurs

De formulation du savoir-faire sous une forme exploitable par les

système d’Analyse Typologique
14
Limites des outils de Classification Automatique D’autres méthodes de
Classification Automatiques

La Classification Conceptuelle
Cluster
Un langage plus évolué et moins contraignant pour la représentation des objets
La prise en compte de connaissances supplémentaires
Regrouper les objets parce qu’ensemble ils forment une classe que l’on peut décrire

Cobweb
Un algorithme efficace
Optimise un critère assimilable à une mesure de similarité.

Les réseaux de neurones

Les cartes de Kohonen
Une adaptation des méthodes de réallocation utilisée en Analyse Typologique

Les algorithmes génétiques

Des méthodes d’optimisation qui utilisent des critères issues de l’Analyse Typologique

15
Limites des outils de Classification Automatique
Les approches interactives

h=0

Construction de la Phase de calcul

proposition Ph

Evaluation de la
proposition Ph
h=h+1

validation de la OUI FIN

proposition Ph Phase de dialogue

NON

Recueil d’informations
supplémentaires
16
Limites des outils de Classification Automatique
Les approches interactives

Les approches de type boîte noire

Intégrer dans le système de classification
automatique un système expert qui va
remplacer l’analyste

Les approches de type boîte en verre

Guider la démarche de correction des erreurs
Le système doit pouvoir expliquer pourquoi il trouve un résultat

Essentiellement des approches qui aident

les experts à s’adapter à l’outil

Une approche efficace des problèmes de catégorisation pour la

capitalisation d’un savoir-faire à partir de l’existant
interactive
1 Prendre en charge le cycle de classification
2 Améliorer les étapes d’analyse et d’intégration des connaissances
17
supplémentaires
Présentation de la méthode
Principe

Définir les objectifs Experts de l’entreprise

1 de la catégorisation
Analyste

Définir une
2 représentation des objets Intégration dans
7 le processus de
classification

Classifier avec un outil

3 d’Analyse Typologique Analyse de la
6 cohérence

Connaissances
4
Valider les familles 5 supplémentaires
18
Présentation de la méthode

Les règles de regroupement : la cohabitation

d1 : L/D=0 et US=6 ou 8
Les objets tels que doivent cohabiter
d2 : US=1 ou 5

Td L/D FE FI US FO
a 0 1 5 6 5
b 0 1 1 8 6
c 0 4 4 8 6
d 2 2 1 3 2
e 1 5 6 4 8
f 2 2 1 1 1
g 0 0 3 5 2
h 0 4 4 8 6
I 0 5 2 5 5
J 0 5 2 7 5
19
Présentation de la méthode

Les règles de regroupement : l’exclusion

d1 : L/D=0 et FE=1 ou 4

Les objets tels que d2 : L/D=0 et FE=0

ne doivent pas
cohabiter
d3 : L/D=0 et FI=2 et FO=5

Td L/D FE FI US FO
a 0 1 5 6 5
b 0 1 1 8 6
c 0 4 4 8 6
d 2 2 1 3 2
e 1 5 6 4 8
f 2 2 1 1 1
g 0 0 3 5 2
h 0 4 4 8 6
I 0 5 2 5 5
J 0 5 2 7 5
20
Présentation de la méthode

Les règles de codification : regroupement de modalités

Contexte groupe 1 relation entre les groupe 2

deux groupes

peuvent être
les modalités pour comparer
Si L/D=0 alors groupées en une FI=N
FI=1 et FI=4 deux pièces
seule

Td L/D FE FI US FO Td L/D FE FI US FO
a 0 1 5 6 5 a 0 1 5 6 5
b 0 1 1 8 6 b 0 1 N 8 6
c 0 4 4 8 6 c 0 4 N 8 6
d 2 2 1 3 2 d 2 2 1 3 2
e 1 5 6 4 8 e 1 5 6 4 8
f 2 2 1 1 1 f 2 2 1 1 1
g 0 0 3 5 2 g 0 0 3 5 2
h 0 4 4 8 6 h 0 4 N 8 6
I 0 5 2 5 5 I 0 5 2 5 5
J 0 5 2 7 5 J 0 5 2 7 5
21
Présentation de la méthode

Exemple de base de règle formalisée

Descriptions D Lien l
R1 ( L/D = { } ; NA )
R5 ( L/D=0 FE={1, 4} ; L/D=0 FE=0 ; L/D=0 FI= 2 FO=5 ; NA )
R6 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; A )
R7 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; F )
R8 ( L/D=0 FE=7 ; D )
R9 ( L/D=0 FO=6 ; A )
R10 ( L/D=0 FE=7 FO=6 ; A )

R11 ( L/D=0 FE#7 FO=6 ; A )

R12 ( L/D=0 US=6 ; A )

R13 ( L/D=0 FE=1 FI=1 US=0 FO=0 ; F )

R14 ( L/D=0 FE={1, 4} FI=1 US=0 FO=2 ; F )

R15 ( L/D=0 FE=4 FI=4 US=0 FO=0 ; D )

R16 ( L/D=0 FE=0 FI=0 US=0 ; A )

22
Présentation de la méthode

Evaluation des règles de codification

1 Mesure de l’utilité

2 Mesure de la redondance

3 Union et cohérence
Fc1 L/D FE FI Fc2 L/D FE FI Fce L/D FE FI

a - N1 - a - - - a - N1 -
b - - - b - N2 - b - N2 -
c - N1 -  c - N2 - = c -  -
d - N1 - d - - - d - N1 -
e - - - e - - - e - - -

4 Syntaxe des règles de regroupement

23
Présentation de la méthode

Fonction d’appartenance des règles de regroupement

ext( p1 ) = { b, c }
R1 ( p1, p2, p3 ; A) avec ext( p2 ) = {f, g }
ext( p3 ) = { i }

Ar1 a b c d e f g h i j
a - - - - - - - - - -
b - 1 1 - - 1 1 - 1 -
c - 1 1 - - 1 1 - 1 -
d - - - - - - - - - -
e - - - - - - - - - -
f - 1 1 - - 1 1 - 1 -
g - 1 1 - - 1 1 - 1 -
h - - - - - - - - - -
i - 1 1 - - 1 1 1 -
j - - - - - - - - - -
24
Présentation de la méthode

Fonction d’appartenance des règles d’exclusion

ext( p1 ) = { b, c, d }
R2 ( p1, p2 ; A) avec ext( p2 ) = {g, h ,i }

Ar2 a b c d e f g h i j
a - - - - - - - - - -
b - - - - - - 0 0 0 -
c - - - - - - 0 0 0 -
d - - - - - - 0 0 0 -
e - - - - - - - - - -
f - - - - - - - - - -
g - 0 0 0 - - - - - -
h - 0 0 0 - - - - - -
i - 0 0 0 - - - - - -
j - - - - - - - - - -
25
Présentation de la méthode

Evaluation de la base de règles de regroupement

1 Utilité
2 Redondance
3 Union et incohérences directes

Ar1 a b c d e Ar2 a b c d e U a b c d e
a - 0 0 - 0 a 1 1 - 1 - a 1  0 1 0
b 0 - 0 0 0 b 1 1 - 1 - b  1 0  0
c 0 0 - - -  c - - - 1 - = c 0 0 - 1 -
d - 0 - - 0 d 1 1 1 1 - d 1  1 1 0
e 0 0 - 0 - e - - - - - e 0 0 - 0 -

26
Présentation de la méthode

Evaluation de la base de règles de regroupement

4 Compatibilité avec la structure de partition

U1 a b c d P1 a b c d P2 a b c d
a 1 1 - 0 a 1 1 1 0 a 1 1 0 0
b 1 1 - 0 b 1 1 1 0 b 1 1 0 0
compatible
c - - - - c 1 1 1 0 c 0 0 1 1
d 0 0 - 1 d 0 0 0 1 d 0 0 1 1

U2 a b c d
a 1 0 - 1
Fermeture réflexive
b 1 - - -
NON compatible Fermeture symétrique
c 0 - 0 1
Fermeture transitive
d 0 - - 1

27
Présentation de la méthode

Stratégie d’analyse de la fonction d’appartenance experte

Ae 1 2 3 4 5 6 7 8 9 10

1 1 1 0 0 0 0 0 0 0 0
2 1 1 0 0 0 0 0 0 0 0
3 0 0 1 - - 0 0 0 0 0
4 0 0 - 1 - 0 0 0 0 0
5 0 0 - - 1 0 0 0 0 0
6 0 0 0 0 0 1 1 - - 0
7 0 0 0 0 0 1 1 - - 0
8 0 0 0 0 0 - - 1 1 -
9 0 0 0 0 0 - - 1 1 -

10 0 0 0 0 0 0 0 - - 1

28
Présentation de la méthode

Cohérence des règles de regroupement et de codification

Ts a b c d Tse a b c d Ts a b c d
a 25 50 a 60 45 a +35 -5

b 25 78 b 60 78 b +35
- = 0

c 50 56 c 45 56 c -5 0

d 78 56 d 78 56 d 0 0

Ac a b c d Ae a b c d CRC a b c d
a 1 0 a 0 0 a  0
b 1 -

b 0 1 = b  1
c 0 - c 0 - c 0 -
d - - d 1 - d 1 -

29
Présentation de la méthode
Intégration de l’information issue des règles
dans le processus de classification automatique

Tse a b c d Ae Tsec
a b c d a b c d
a 60 45 25 a 1 0 0 - a 100 0 0 25
b 60 37 78
 b 0 1 - 1
= b 0 100 37 100
c 45 37 56 c 0 - 1 - c 0 37 100 56
d 25 78 56 d - 1 - - d 25 100 56 100

ise Ae isec

s  0 = Smin

s  1 = Smax

s  - = s
30
Conclusion et perspectives

Conclusion

Implémentation d’un logiciel prototype

Une première validation sur un cas industriel

Avons nous répondus aux objectifs ?

Analyse des limites des outils d’Analyse Typologique.
Définition des caractéristiques d’un outil de Classification Automatique efficace dans le contexte de la
catégorisation pour la structuration des savoir-faire à partir de l’existant.
Définition d’une méthode adaptée aux processus de catégorisation pour la structuration des savoir-faire à
partir de l’existant.

Intérêt de la démarche
Orientée vers les utilisateurs, la méthode tente de s’adapte aux experts et non l’inverse.
Une réponse au problème du choix de la similarité en Analyse Typologique.
Une réponse à l’absence de guide méthodologique pour l’intégration des connaissances
supplémentaires dans un processus d’Analyse Typologique

Limites
Toutes les connaissances supplémentaires ne sont pas formalisées.
Un formalisme contraignant de représentation des objets.
Difficultés pour identifier les règles à l’origine des incohérences indirectes
31
Conclusion et perspectives

Perpectives

Améliorer l’expressivité du formalisme de représentation des connaissances

Etendre l’expérimentation à d’autres domaines

.
Travailler en intention au niveau des règles

Définir des outils de suivi du cycle de classification pour améliorer la convergence

Aborder les problèmes de classement

Etude de la structure de l’espace des fonctions d’appartenance.

32