1/30
Connaissance : ensemble des notions et des principes quune personne acquiert par ltude, lobservation ou lexprience et quelle peut intgrer des habilets . (dnition sur le web)
En informatique, lingnierie des connaissances voquerait les techniques pour manipuler des connaissances sur ordinateur.
2/30
Autre dnition
Dictionnaire terminologique qubcois, dnition de 1996 (donc un peu dpasse).
Ingnierie de la connaissance, quivalent anglais de Knowledge engineering, serait synonyme de Gnie cognif : Intgration des techniques dintelligence articielle et du gnie logiciel en vue de concevoir et de construire des systmes experts. Discipline tudiant lextraction et la formalisation de connaissances provenant dun expert humain en vue de leur intgration dans des systmes experts. On voit apparatre surtout la notion de systme expert.
3/30
Systme expert
Mme dictionnaire.
Systme expert (SE) : Systme informatique permettant de rsoudre les problmes dans un domaine dapplication dtermin laide dune base de connaissances tablie partir de lexpertise humaine. Systme base de connaissances (SBC) : Systme informatique fonctionnant avec une base de connaissances sur un sujet donn. Les systmes experts classiques serait un cas particuliers des systmes base de connaissances. Tout systme informatique utilise de la connaissance, mais dans un systme base de connaissances, celle-ci est reprsente de faon explicite.
4/30
5/30
6/30
7/30
Exemple de classication
Je dispose dun champ sur lequel je veux cultiver des pommes de terre. Quelle varit cultiver ? Divers facteurs peuvent rentrer en compte : le type de terrain, la prsence de parasites/maladies, les ventuels traitements phytosanitaires envisags, les dbouchs prvus (alimentation humaine, animale, industrie)... Le programme doit tudier une situation existante et proposer une varit (parmi les 3000 existantes, nombre x). On peut ranger a dans les classications.
8/30
Exemple (suite)
On pourrait ranger les caractristiques de chaque varit dans une base de donnes : Varit Bintje ... Cette table reprsente (en gros) la connaissance du domaine, mais ne permet pas de dterminer la meilleure varit : il manque les questions poser, les critres prioritaires, etc... Catgorie Consommation humaine Chair Farineuse Rendement Excellent Rsistance Moyenne ... ...
9/30
Exemple (suite)
On peut imaginer des rgles : Si telle maladie est prsente alors slectionner les varits peu sensibles celle-ci. Cette infrence mlange une connaissance du domaine (une varit doit rsister aux maladies prsentes pour tre cultive) et une connaissance de la tche voulue (on chercher slectionner une varit (et non, par exemple, slectionner un champ)).
10/30
Exemple (suite)
On peut gnraliser cette rgle dirents critres. Restent dterminer un ordre sur ces rgles, par exemple : Le premier critre est la catgorie souhaite (consommation humaine ou animale ou industrie), puis ... On arrte sil ne reste plus de critres ou moins de 2 varits encore possibles. L encore, on fait intervenir connaissances du domaine et connaissances de la tche. Sparer la reprsentation de ces connaissances peut tre souhaitable et dicile.
11/30
Objectif : diagnostique et traitement dune infection bactrienne. 1. dterminer limportance de linfection ; 2. dterminer lorganisme responsable ; 3. identier les mdicaments possibles ; 4. choisir le meilleur traitement. Le tout partir de donnes incompltes.
12/30
MYCIN (2)
valuation de MYCIN en 1979 : en comptition face 8 mdecins (plus le traitement appliqu) sur 10 cas rel, MYCIN arrive premier. MYCIN tait un programme de recherche et na jamais t rellement utilis lhpital : incomplet, dicile valuer, mauvaise interface... Mais il a montr quon peut approcher un domaine dexpertise.
13/30
Organisation de MYCIN
Utilisateur
Module de consultation
Module dexplication
Expert
Ingnierie des connaissances (Master 2 ISC)
14/30
15/30
Les infrences
Moteur dinfrence : dduit des faits partir de faits initiaux et des rgles. Deux approches de base : partir de ce quon veut trouver et remonter vers les faits (chanage arrire) ; partir des faits et aller vers ce quon veut trouver (chanage avant). tude des logiques (classiques ou non), et des modes de raisonnements (en intelligence articielle).
La structure classique des systmes experts utilisaient toujours un ensemble de rgles de production.
16/30
Limites de MYCIN
1. Peu de exibilit (adapt un problme prcis) ; 2. Connaissances diciles entrer : beaucoup de rgles ; dpendantes du systme dinfrence. 3. Manque dexplications sur le rsultat. MYCIN na jamais t rellement utilis (mais ses successeurs oui).
17/30
18/30
Lacquisition de la connaissance
Problme essentiel : 1. Communication expert - ingnieur - machine ; 2. dnition du vocabulaire ; 3. choix de la reprsentation ; 4. processus (trs) lent (plusieurs mois, voire annes).
Approches : 1. Apprentissage automatique ? 2. Meilleure modlisation et interface (dialogue expert-machine) ? 3. Mise en place dune mthodologie rigoureuse (CommonKADS) ?
19/30
Rgles de production (MYCIN), programmes logiques ? Structures (arbres, rseaux, objets, cadres) ? Comment reprsenter lincertitude, la probabilit ?
20/30
Contrle du raisonnement
Stratgie de raisonnements, heuristique (quelles questions, quels tests). Au dbut, ordre du raisonnement (des conclusions aux axiomes ou linverse). Exemple : recherche dans Prolog (stratgie simple).
Expressions de mtargles, dcrivant la faon dont les rgles sont utilises ( sous la circonstantes A, prfrer les rgles de type R ).
21/30
22/30
23/30
24/30
Modle
Modlisation du systme physique : fonctionnel : la description se fait pour un cadre et un objectif particulier ; qualitatif : viter la quantication des mesures. Modlisation du raisonnement : mthode de parcours du modle ; stratgies.
25/30
26/30
Modles de connaissances
Deux types de connaissances : 1. connaissances du raisonnement ; 2. connaissances du domaine dans lequel le raisonnement sera fait (entits du domaine, relations entre ces entits). La mise en place dun shma du domaine (ou modle du domaine ) acclre lacquisition et la manipulation des connaissances. bien structurer les connaissances du domaine, indpendamment de limplmentation.
27/30
28/30
Ontologies
Objectifs : 1. rutiliser des connaissances de domaines gnriques ; 2. partages, communications entre SBCs.
29/30
Approche du cours
1. Divers aspects lis aux SBC (reprsentation des connaissances, raisonnements), utilisation dun langage adapt (drools) ; 2. Quelques bases dapprentissage. 3. Mthodologie de modlisations (CommonKADS).
30/30