FORID:11

ISO-8859-15

Rechercher sur le site:

partner-pub-2070

Recherche

Home | Publier un mmoire | Une page au hasard

Realisation d'un systme expert pour la therapeutique et le diagnostic des maladies de la tuberculose
Disponible en mode multipage par Schadrac KANDE KANUMUAMBIDI Universit de Notre Dame du Kasayi - Licence 2009 Dans la categorie: Biologie et Mdecine

REPUBLIQUE DEMOCRATIQUE DU CONGO MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE UNIVERSITE NOTRE DAME DU KASAI CAMPUS DE KANANGA FACULTE D'INFORMATIQUE B.P. 70 KANANGA

REALISATION D'UN SYSTEME EXPERT POUR LE DIAGNOSTIC ET LA THERAPETIQUE DES MALADIES DE LA TUBERCULOSE Rdig par KANDE Kanumuambidi Schadrac Travail prsent et dfendu en vue de l'obtention du titre de licenci en Gestion Informatique Option : Conception des systmes d'information Directeur : KUTANGILA MAYOYA David

Professeur Juillet 2010

EPIGRAPHE
Pour connatre la sagesse et l'instruction, pour comprendre les paroles de l'intelligence ; pour recevoir des leons de bon sens, de justice, d'quit et de droiture ; pour donner aux simples du discernement, au jeune homme de la connaissance et de la rflexion. Que le sage coute, et il augmentera son savoir, et celui qui est intelligent acquerra de l'habilet, pour saisir le sens d'un proverbe ou d'une nigme, des paroles des sages et de leurs sentences. La crainte de l'ternel est le commencement de la science ; les insenss mprisent la sagesse et l'instruction. (les proverbes. 1,1-7) DEDICACES Ddicaces Je ddie ce travail : L'ETERNEL DIEU crateur du ciel et de la terre qui par sa grce a rendu l'accomplissement de ce travail possible, MES PARENTS pour leur ducation et formation qu'ils m'ont apports. Mon me bnis l'ternel et tout ce qui est en moi bnis son saint nom, car je n'oublie aucun de ses bienfaits. AVANT PROPOS Je remercie tous ceux qui m'ont aid et soutenu dans l'laboration de ce travail, plus particulirement : v Le professeur KUTANGILA David, Mon Directeur de mmoire, pour avoir accept de diriger mon travail de bout en bout, pour sa disponibilit, ses conseils et l'encadrement apport ; v Le docteur KABONGO Erick, pour nous avoir aider rcolte les donnes ncessaire pour notre travail ; v Mon Pre KANUMUAMBIDI Ezchiel, pour tous les sacrifices consentis mon gard. Vous avez fait de moi ce que je suis : un homme . Je ne vous oublierai jamais ; v Ma Mre NGONDO Rgine, pour toutes ses prires qu'elle n'a sans cesse ritrer mon endroit, pour toutes les peines que je lui ai fait endures. Je lui en serais ternellement reconnaissant ; v Mes frres et mes soeurs, Joseph BADIBANGA, Bcky KANU, Rachel WAFWANA, Jolle BADIADIA, Ruth MPUTU, Shekinah KALONGI ; v Tous mes camarades (tudiants de la promotion 2009-2010) pour la bonne atmosphre et la bonne entente entre nous et en particulier Georges MUTOKE, Bob Arthur KATANGA; v A tous mes enseignants l'Universit Notre-Dame du Kasayi pour l'encadrement durant ces 5

longues annes. Que tous ceux qui de prs ou de loin m'ont assist et dont les noms n'ont pas t cits, trouvent ici l'expression de ma profonde gratitude !

CHAPITRE 0 : INTRODUCTION GENERALE

De l'antiquit aujourd'hui, l'esprit perfectionniste de l'homme n'a cess de lui permettre d'amliorer le niveau de vie quotidienne. Le passage de la mcanique aux domaines : d'informatique, d'lectronique, d'automatique et de domotique a rvolutionn la vie journalire de l'tre humain. Les nouvelles technologies de l'information et de communication illustrent ce phnomne. Aujourd'hui, vu l'intrt croissant de vouloir gagner en temps, de conserver les donnes, de limiter le nombre d'employs, de diagnostiquer, de donner le traitement en mdecine et pas mal d'autres raisons, ont pouss des petites et moyennes entreprises, des grandes entreprises chercher des solutions informatiques capables de rpondre leurs besoins. Dans ce cadre s'inscrit notre projet de fin d'tudes qui consiste concevoir un logiciel en systme expert pour le diagnostic et thrapeutique des maladies de la tuberculose. Ce travail est ralis en vue de l'obtention du diplme de licence en gestion informatique l'Universit Notre-Dame du Kasayi (UKA).

I.1. But et objectif

Le travail que nous avons labor en vue de la prsentation de notre mmoire de fin d'tudes en gestion informatique consiste dvelopper et mettre en oeuvre un systme expert pour le diagnostic et la thrapeutique des maladies de la tuberculose dans un hpital ou dans un centre de sante. Ce systme expert devra permettre l'utilisateur : 1) de dpister et de diagnostiquer la tuberculose, 2) de donner les directives de traitement. En cas de manque ou d'absence du mdecin spcialiste de la tuberculose. I.2. Hypothse Nous nous posons la question de savoir comment dcrire le comportement d'un mdecin spcialiste en tuberculose face un problme particulier, sa manire de le rsoudre, l est la question. Car ce que l'on souhaite obtenir n'est ni plus ni moins que l'exprience, la connaissance pratique de l'expert. Enfin ces questions trouveront leurs solutions dans un systme expert bien conu.

I.3. Mthodes et techniques utilises

Pour la ralisation de ce dit mmoire nous avons utilis deux techniques ; comme tout travail scientifique exige certaines techniques et mthodes. La technique d'interview : cette technique nous a permis d'avoir des informations sures et exactes sur la tuberculose de la part du docteur KABONGO Benjamin, mdecin gnraliste et spcialiste en lpre et tuberculose et elle nous a permis d'avoir les dtails sur le Complexe Hospitalier de Kananga (CHK) pendant les changes avec le personnel mdical. La technique documentaire : cette technique nous a permis de consulter des ouvrages informatiques et mdicaux, des notes et rfrences, des articles, des pages sur les sites web et des travaux raliss par des tudiants. La mthode MSCPI : pour laquelle chaque processus de dveloppement d'un systme informatique se droule travers quatre activits qui suivent : a) La planification : consistant la dlimitation du projet c'est--dire la dtermination des activits, l'ordonnancement des tches la planification des tches, l'tablissement des prvisions des charges et la qualification des projets. b) L'organisation : a trait la constitution et la formation de l'quipe du projet, la mise en place des mthodes, l'outil et aux techniques, et l'assurance qualit ; c) La production : consiste en suivis de production et l'laboration des rsultats ; d) Le pilotage ncessitant la collecte des lments de mesure c'est--dire des mesures correctives et bilans des activits.1(*) Cette mthode nous permet d'organiser, de produire et de planifier notre travail.

I.4. Dlimitation du sujet

Le Programme National de Lutte Contre la Tuberculose a pour mission de : Veiller ce que toute les personnes atteintes de tuberculose aient accs un diagnostic et un traitement efficaces pour gurir ; Enrayer la transmission de la tuberculose ; Rduire la charge sociale et conomique inquitable de la tuberculose ; Appliquer de nouveaux outils et stratgies de prvention, de diagnostic et de soins pour faire barrage la tuberculose. Considrant, le volume de travail du Programme National de Lutte Contre la Tuberculose nous ne pourrons pas informatiser le programme tout entier vu le temps qui nous est imparti, nous nous limiterons qu' la ralisation d'un systme expert permettant de diagnostiquer et de donner le traitement de la tuberculose.

I.5. Structure du travail

Pour atteindre notre objectif nous avons partag le travail en sept Chapitre hormis l'introduction gnrale et la conclusion gnrale, voici la subdivision de notre travail :

Chapitre I : Planning prvisionnel de la ralisation du projet ; Chapitre II : Etude de l'opportunit et dfinition de la tuberculose ; Chapitre III : Gnralits sur l'intelligence artificielle ; Chapitre IV : Introduction aux systmes experts ; Chapitre V : Conception du Systme Expert ; Chapitre VI : implmentation du systme expert en clips. Chapitre I : Planning prvisionnel de la ralisation du projet, servira tablir le planning prvisionnel de la ralisation de notre projet par la mthode analytique et de conduite de projet informatique. Chapitre II : Etude de l'opportunit et dfinition de la tuberculose, il s'agira de donn la description du CHK, son historique, les raisons justifiants sa cration, son organigramme, ses ressources humaines et de donn la description de la tuberculose. Chapitre III : Gnralits sur l'intelligence artificielle, qui parlera des gnralits sur l'intelligence artificielle, du fondement et quelques notions sur les agents intelligents. Chapitre IV : Introduction aux systmes experts, Il abordera les systmes experts entant que branche de l'intelligence artificielle, ses concepts gnraux, ses avantages, ses caractristiques et enfin les notions sur les clips qui est un logiciel important dans le dveloppement des systmes experts. Chapitre V : Conception du Systme Expert. Chapitre VI : implmentation du systme expert en clips, il consistera concevoir en clips notre base de connaissance qui permet effectivement diagnostiquer et donner la thrapeutique des maladies de la tuberculose.

CHAPITRE I : PLANNING PREVISIONNEL DE LA REALISATION DU PROJET

I.1. INTRODUCTION
I.1.1. Expos du problme
La conduite d'un projet informatique et celle de la construction sont-elles diffrentes ? Cependant, les principes de base de la conduite de projet sont les mmes dans tous les mtiers, ce qui justifie la mtaphore. Il ne s'agit pas d'tudier tous les aspects de la construction d'une maison, mais le rapprochement permet d'expliquer et de prsenter les diffrents sujets de notre projet. Imaginons donc qu'une personne possde un terrain, et souhaite y btir une maison ; cette personne est dans une situation o elle connat l'tat initial, elle imagine un ou plusieurs tats finaux possibles, et se demande lequel choisir, pour quelles raisons, quel cot, quel dlai, quels avantages, quels

inconvnients... De mme nous nous posons ces questions pour parvenir bien planifier notre projet. En outre, nous dvons dfinir de manire dtaille comment passer de la situation de dpart celle d'arrive.

I.1.2. Rponses apportes

L'analyse du problme expos de manire spontane et avant toute structuration conduit, envisager les rponses suivantes : tudier le plan d'informatisation pour savoir s'il est possible de concevoir un logiciel de diagnostic et du traitement des maladies de la tuberculose. Commencer par tudier la faisabilit du projet, puis tudier plusieurs solutions pour une prise de dcision sur le lancement de notre opration. Raliser le plan de la conception, puis le plan technique. Utiliser des outils de conception assiste par ordinateur pour tablir le plan d'informatisation. Dterminer un ensemble de phases du projet. Prparer un plan de financement, puis suivre le consomm par rapport au prvisionnel au fur et mesure de l'avancement du travail.

I.1.3. Analyse des rponses

Les rponses formules mettent en vidence un ensemble de facettes, diffrentes mais complmentaires. Nous nous attachons maintenant structurer ces composantes de notre projet, et les regrouper par thmes de notre travail.

I.1.4. les phases d'un projet

Seul un dcoupage du projet en phases permet de rythmer et d'organiser la vie du projet, depuis l'tude de son opportunit et de sa faisabilit, jusqu' sa ralisation et sa maintenance. Les phases d'un projet informatique sont appeles : cycle de dveloppement d'un projet , et chacune des phases correspond un tat du projet.2(*) Pour notre projet informatique nous avons tabli 10 phases qui sont : 1. Analyse du systme existant ; 2. Critique de l'existant ; 3. Proposition de solution ; 4. tude de faisabilit ; 5. laboration de cahier de charge ; 6. Ralisation du systme expert ;

7. Installation ; 8. Test ; 9. Formation de personnel ; 10. Travaux de finissage.

I.2. RAISONS D'INFORMATISATION

Vu, l'inabondance de mdecin spcialiste de la tuberculose et l'objectif du Programme National de Lutte Contre la Tuberculose dans le sens des Objectifs du Millnaire pour le Dveloppement (OMD) et de ceux fixs par l'initiative Halte la tuberculose , nous pousser concevoir un Systme Expert pour le diagnostic et le traitement des maladies de la tuberculose enfin d'aider les hpitaux en cas d'absence de mdecin spcialiste de pouvoir lutter contre la tuberculose.

I.3. OUTILS INFORMATIQUE METTRE EN OEUVRE

Un projet informatique ne saurait tre conduit aujourd'hui sans matriel associs. Il existe diffrents types d'outils pouvant tre mis notre profit pour la ralisation de notre projet ; nous aurons besoins d'un ordinateur ayant au moins 20GB de capacit de disque dur pouvant nous permettre bien travailler et stocker nos donnes, d'une mmoire amovible pour la sauvegarde du travail et d'un compilateur CLIPS.

I.4. PLANNING D'INFORMATISATION

Le planning d'informatisation consiste dterminer l'ordre et la dure d'excution des diffrentes tches raliser dans notre projet, qui a pour but de raliser un systme expert pour le diagnostic et le traitement des maladies de la tuberculose enfin de minimiser le temps total de la ralisation du projet.

I.4.1. Description des tches et relation d'antriorit

T c h e

Des crip tion des tc

Tc hes pr cd ent

Dur e/j our s

Est im ati on des

hes

es

co ts ($)
7 5 7 10 5 30 15 15 10 10 5 5 3 7 15 150 150 5 50 390

A B

Analyse du systme existant A Critique de l'existant A Proposition de solution Etude de faisabilit Elaboration de cahier de charge Ralisation du systme expert Installation C,B C,D C,E F F,G H Test I Formation de personnel Travaux de finissage

C D E F G H I J

I.4.2. Choix et principe de la mthode Choix de la mthode

Jusqu'en 1950 avant le dveloppement de la thorie de graphe le problme central d'ordonnancement tait rsolu empiriquement par le diagramme de GANT de 1918-1957. Actuellement, il existe deux mthodes scientifiques et techniques bases sur la thorie de graphe pour rsoudre le problme d'ordonnancement : La mthode franaise : MPM (Mthode de Potentiel Metra) est cre en 1958. La mthode Amricaine : PERT (Programme valuation and Research Task) est cre en 1958. Parmi ces deux mthode nous, nous avons opt pour la mthode MPM car ce la plus claire de toutes les mthodes de planification.

Principe de la mthode MPM

Le graphe MPM est constitu des lments suivants :

 Chaque tche reprsente un sommet Chaque arc reprsente une contrainte de succession La pondration (ou potentiel) d'un arc donne le temps qui doit s'crouler au minimum entre le dbut de la tche origine de l'arc et le dbut de la tche extrmit de l'arc.3(*)

I.4.3. construction du graphe MPM

79 B 59 59 G 29 29 F 24 24 E 14 14 D 00 A 00 75 0 10 5 30 74 74 H 77 C 7 7 7 7 30 15 89 89 I la dure est de 109 jours. 15

 : est la tche initiale du graphe ; : est la tche finale du graphe ; 109 109 99 99 J : est le chemin critique 10 10

I.4.4. calendrier de ralisation du projet

Nous allons devoir spcifier la date au plus tt et la date au plus tard pour chaque tche de notre projet dans le calendrier de ralisation ci-dessous :

Tches Dure en jours Date au plus tt Date au plus tard A B C D E F G H I J 7 5 7 10 5 30 15 15 10 10 06 janvier 2010 14 janvier 2010 20 janvier 2010 01 fvrier 2010 14 fvrier 2010 22 fvrier 2010 29 mars 2010 13 avril 2010 03 mai 2010 13 mai 2010 13 janvier 2010 19 janvier 2010 27 janvier 2010 10 fvrier 2010 18 fvrier 2010 23 mars 2010 12 avril 2010 27 avril 2010 12 mai 2010 22 mai 2010

CHAPITRE II : ETUDE DE L'OPPORTUNITE ET DEFINITION DE LA TUBERCULOSE

L'unit centrale est un bureau spcialis du ministre de la sant qui fait partie de la direction de lutte contre la maladie. Elle a pour mission spcifique de veiller l'application de la stratgie Halte la tuberculose dans toutes les zones de sant en RD Congo.

Ainsi pour se faire, nous avons port notre choix sur le Complexe Hospitalier de Kananga (CHK en sigle) qui est un de bureau spcialis du ministre de la sant dans la zone de sant de Kananga, enfin de pouvoir rcolter les donnes pour la ralisation de notre projet d'informatisation. Nous donnerons les descriptions sur le Complexe Hospitalier de Kananga et les dtails sur sa situation gographique, son historique et toute sa structure dans les points qui suivent.

II.1. DESCRIPTION DU COMPLEXE HOSPITALIER DE KANANGA

II.1.1. Situation gographique
Le Complexe Hospitalier de Kananga est situ dans la province du Kasa-Occidental, dans la commune de Kananga, au quartier Tshisambi, dans la zone de sant de Kananga. Il est born : Au nord par le centre Mpandilu ; Au sud par l'institut mdical IEM/Kananga ; A l'est par l'glise jsus le Roc Tabernacle ; A l'ouest par l'avenue du dispensaire.

II.1.2. Historique
Le CHK est un hpital de rfrence pour la province dans laquelle il est implant. Il est le rsultat de la fusion de trois structures mdicales tatiques : la clinique, le laboratoire provincial et l'hpital gnral de Kananga. Cres dans les annes 50. Pour assurer les soins de sant de niveau secondaire la population ouest kasaenne, ces trois institutions ont t fusionnes par l'arrt provincial n01/10/CAD/KOOO/015/01, le 16 fvrier 2001, suite la demande de l'Union Europenne qui ne pouvait aider matriellement et financirement chacune de ces trois institutions spares.

II.1.3. Rle du Complexe Hospitalier de Kananga

Le CHK garde toujours le mme rle malgr la fusion des structures qui taient jadis spares, d'assurer les soins de sant secondaires la population ouest kasaenne. Il a pour objectifs d'amliorer la prise en charge des malades de cette province du Kasa occidental et rduire le taux de mortalit de la population ; raisons pour lesquelles, il reoit les malades en hospitalisation et en soins ambulatoires. Il assure son rle grce ses propres moyens reus des frais pays par les patients supples par quelques dons des organisations non-gouvernementales (ONG) et personnes de bonne volont.

II.2. STRUCTURE GNRALE DU CHK

II.2.1. Organigramme gnral

Cette structure est reprsente par l'organigramme suivant : Conseil de gestion Comite directeur Mdecin directeur Service administratif Service mdicaux et techniques Administrateur gestionnaire en chef Mes et DN Personnel 1. Rdaction 2. Classement 3. Bibliothque 4. Mouvement du personnel Finance 1. compte et budget 2. caisse 3. tarification 4. facturation et recouvrement Service cho gnraux 1. intendance 2. entretient 3. atelier 4. buanderie 5. cuisine Administrations 1. secrtariat 2. statistique 3. archive

4. rcepteur 5. information 6. renseignement 7. cellule 8. scurit Consultation externe 1. dispensaire 2. urgence et observation Service spcialiss 1. laboratoire 2. pharmacie 3. dentisterie 4. ORL 5. ophtalmologie 6. maternit 7. kinsithrapie 8. radiologie Consultation interne 1. mdecine interne 2. gyncologie 3. chirurgie

II.2.2. organigramme du CHK

II.2.3. Description des postes de travail

N Postes Agents - Le mdecin directeur du CHK. - Le mdecin directeur adjoint. Tches Fixe les objectifs, dtermine les orientations et value l'action de l'institution. 01 Conseil de gestion (COGE)

- L'administrateur gestionnaire en chef. - Le directeur de nursing. - Le dlgu du personnel. - Responsable de la pharmacie. - Le dlgu du gouvernorat. - Le dlgu de l'autorit policoadministrative locale de la ville. - Chef du quartier. - 2 Administrateurs gestionnaires - 2 Agents chargs du secrtariat. 02 Comit de direction CODIR - Mdecin directeur. - Mdecin chef de staff. - Directeur (trice) de nursing. - Administrateur gestionnaire en chef. 03 Division administrative et financire. - Chef du personnel. - Administrateur et financier. - Mdecin directeur. - Superviseur. - Mdecin chef de staff. - Directeur (trice) de nursing. - Pharmacie, technicien de labo et radio. 05 Secrtariat gnral. 06 Facturation, caisse et recouvrement. 07 Rception accueil. Secrtaire gnral. Coordonne les actions de la direction ainsi que leurs services respectifs, classement des documents. laborer les factures des malades ; recouvrement de factures, contrle des recettes journalires, encaissement tarification. Chargs de recevoir les malades, tablissement des fiches des malades. L'organe moteur qui joue un rle de gestion des ressources humaines et financires, contrle l'horaire de travail. Assure la gestion quotidienne du CHK selon les pouvoirs qui lui sont confrs par le COGE.

04 Division mdicale.

Assure l'intrim du directeur gnral pendant l'absence de celui-ci, consulter les malades.

Caissires et recouvreur Rcepteur en chef, prpos la rception, agent au tirage.

08 Service de comptabilit, budget et contrle. 09 Personnel. 10 Service conomiques et gnraux. 11 Administrateur gnral. 12 Nursing. 13 Laboratoire. 14 Pharmacie.

Comptable, contrleurs Journaliser des oprations comptables ; auditer et auditeurs les gestionnaires ; grer les biens des services, etc. Administrateur. Administrateur gestionnaire. Administrateur gestionnaires. Directeur (trice) de nursing. Laborantin. Pharmacien, assistant pharmacien. volution de prvision ; matriser les effectifs du personnel, assurer la discipline au sein du CHK. Entretien interne et externe : atelier, morgue, cuisine, buanderie, intendance, scurit. Coordonner les activits du secrtariat, archives, rceptions, statistique, information et renseignement, tlcommunication. Veiller sur l'ducation nutritionnelle et la gestion. Fait les analyses des donnes biomdicales, fait les prlvements des chantillons. Mettre jour les fiches de stock des mdicaments et tablir les factures des mdicaments pour les malades ; acheter les mdicaments ; fournir des mdicaments aux malades. S'occuper des examens et protocole radiologiques ; entretenir et assurer la scurit des appareils de radiologie ; contrler les bons des examens de malades. S'occupe de la prvention de l'valuation, du diagnostic et du traitement des infirmits, des traumatismes, des malformations ou des maladies par des agents physiques tels que le froid, la chaleur, les rayons ultra-violet, les rayons infrarouge, l'lectricit, les ondes ultra sonores, les ultra ondes courtes. S'occuper des malades et des soins des enfants. Superviser la tenue de registres des malades la rception ; contrler l'application des rgles d'inscription, y, compris l'admission au traitement ; prciser les heures de visite pour les malades interns. S'occuper des patients souffrant du coeur.

15 Radiologie et chographie.

Radiologiste et chographe.

16 Kinsithrapie.

Kinsithrapeutes.

17 Pdiatrie. 18 Gestion des malades.

Pdiatrie. L'administrateur gestionnaire.

19 Cardiologie

Cardiologie

II.3. DESCRIPTION DE LA TUBERCULOSE

La tuberculose est une maladie infectieuse. Elle est cause par un bacille nomm Mycobacterium tuberculosis ou bacille de koch ou BK. Sa transmission est toujours directe, de l'homme malade au sujet rceptif, par voie arienne du fait des bacilles contenus dans l'air, dans les gouttelettes de salive en suspension mises par le patient. La maladie se transmet par toux et peut toucher d'autres organes que les poumons : plvre, ganglions lymphatiques, colonne vertbrale, articulations, voies gnito-urinaires, systme nerveux, os, abdomen, etc. dans ce cas on l'appelle tuberculose extra-pulmonaire.4(*) La tuberculose reste une proccupation majeure non seulement pour les professionnels, mais aussi pour l'ensemble de la population, de par le nombre de personnes atteintes et de dcs qu'elle entrane. Somme des souffrances et des pertes conomiques connues par nos compatriotes, nos familles et notre pays constitue un dfi relever. C'est pourtant gurissable et les morts que nous

connaissons peuvent tre vits. Maladie de la pauvret et de la promiscuit, la tuberculose va de pair avec la dgradation des conditions de vie. Notre pays a travers une priode difficile, prcde par des guerres et des mouvements incontrls des populations. Toutes ces conditions ont t favorables une volution de la maladie vers l'aggravation dans notre pays. Le VIH/SIDA a galement contribu l'augmentation du nombre de cas de tuberculose. Le traitement de la tuberculose est la pierre angulaire de tout programme de lutte antituberculeuse. C'est un traitement standardis et pour lequel le patient est au centre. Bien conduit, ce traitement amne srement la gurison. Malheureusement, le manque de rigueur dans son application conduit inexorablement l'augmentation de la rsistance aux antibiotiques du bacille de Koch. C'est dire qu'un effort de formation des personnels doit tre fait, et ce systme expert constitue de ce point de vue, un instrument extrmement utile. La lutte antituberculeuse fait partie intgrante des soins de sant primaires dans notre pays et l'implication des acteurs de terrain de tous les niveaux de la pyramide sanitaire s'avre ncessaire.

CHAPITRE III : GENERALITES SUR L'INTELLIGENCE ARTIFICIELLE

III.1. INTRODUCTION ET HISTORIQUE
L'intelligence artificielle est la recherche de moyens susceptibles de doter les systmes informatiques de capacits intellectuelles comparables celles des tres humains . L'origine de l'intelligence artificielle se trouve probablement dans l'article d' Alan Turing [], o il explore le problme et propose une exprience maintenant connue sous le nom de test de Turing, dans une tentative de dfinition d'un standard permettant de qualifier une machine de consciente . Il dveloppe cette ide dans plusieurs forums, dans la confrence L'intelligence de la machine, une ide hrtique [], dans la confrence qu'il donne la BBC 3e programme le 15 mai 1951 Est-ce que les calculateurs numriques peuvent penser ? d'[o la discussion avec M.H.A. Newman, AMT, Sir Geoffrey Jefferson et R.B. Braithwaite le 14 et 23 Jan. 1952 sur le thme Est-ce que les ordinateurs peuvent penser? [].5(*) On considre que l'intelligence artificielle, en tant que domaine de recherche, a t cre la confrence qui s'est tenue sur le campus de Dartmouth Collge pendant l't 1956[] laquelle assistaient ceux qui vont marquer la discipline. Ensuite l'intelligence se dveloppe surtout aux tatsUnis l' universit Stanford sous l'impulsion de John McCarthy, au MIT sous celle de Marvin Minsky, l' universit Carnegie Mellon sous celle de Allen Newell et Herbert Simon et l' universit d'dimbourg sous celle de Donald Michie. En France, l'un des pionniers est Jacques Pitrat.6(*)

III.2. DFINITION DE L'INTELLIGENCE ARTIFICIELLE

Le terme intelligence artificielle, cr par John McCarthy, est souvent abrg par le sigle IA. Il est dfini par l'un de ses crateurs, Marvin Lee Minsky, comme la construction de programmes informatiques qui s'adonnent des tches qui sont, pour l'instant, accomplies de faon plus satisfaisante par des

tres humains car elles demandent des processus mentaux de haut niveau tels que : l'apprentissage perceptuel, l'organisation de la mmoire et le raisonnement critique .[] On y trouve donc le ct artificiel atteint par l'usage des ordinateurs ou de processus lectroniques labors et le ct intelligence associ son but d'imiter le comportement. Cette imitation peut se faire dans le raisonnement, par exemple dans les jeux ou la pratique de mathmatiques, dans la comprhension des langues naturelles, dans la perception : visuelle (interprtation des images et des scnes), auditive (comprhension du langage parl) ou par d'autres capteurs, dans la commande d'un robot dans un milieu inconnu ou hostile. Mme si elles respectent globalement la dfinition de Minsky, il existe un certain nombre de dfinitions diffrentes de l'IA qui varient sur deux points fondamentaux : Les dfinitions qui lient la dfinition de l'IA un aspect humain de l'intelligence, et celles qui la lient un modle idal d'intelligence, non forcment humaine, nomme rationalit. Les dfinitions qui insistent sur le fait que l'IA a pour but d'avoir toutes les apparences de l'intelligence (humaine ou rationnelle), et celles qui insistent sur le fait que le fonctionnement interne du systme IA doit ressembler galement celui de l'tre humain ou tre rationnel. 7(*)

III.3.LES FONDEMENTS DE L'INTELLIGENCE ARTIFICIELLE

Les disciplines suivantes ont contribu avec des ides, points de vue et techniques au dveloppement de l'IA. Pour chaque discipline, les questions suivantes ont t poses : v Philosophie (de 428 av. J.C. jusqu' prsent) Les rgles formelles peuvent-elles tre utilises pour tirer des conclusions valides? Comment l'intelligence mentale se gnre-elle partir d'un cerveau physique? D'o vient la connaissance? Comment passe-t-on de la connaissance l'action? v Mathmatiques (approximativement de l'an 800 jusqu' prsent) Quelles rgles formelles sont adquates pour obtenir des conclusions valides? Que peut tre trait? Comment raisonnons-nous avec l'information incertaine? v Economie (de 1776 jusqu' prsent) Comment raliser le processus de prise de dcision pour maximiser le rendement? Comment raliser des actions quand les autres ne collaborent pas? Comment raliser des actions dont les rsultats s'obtiennent dans un futur lointain? La thorie de la dcision qui combine la thorie de la probabilit avec la thorie de l'utilit fournit un cadre complet et formel pour la prise de dcisions dans l'incertitude. v Neuroscience (de 1861 jusqu' prsent) Comment le cerveau humain traite-il l'information?

La Neuroscience est l'tude du systme neurologique et spcialement du cerveau. La manire prcise selon laquelle la pense est gnre dans le cerveau est l'un des grands mystres de la Science. Il a t observ durant des milliers d'annes que le cerveau tait d'une certaine manire impliqu dans le processus de la pense puisque des forts coups la tte peuvent occasionner des dfaillances mentales. L'tude de Paul Broca (1824 - 1880) sur l'aphasie (difficult pour parler) dans les patients avec cerveaux abms, en 1861, donna force ce domaine et convainquit la socit mdicale de l'existence des zones localises dans le cerveau responsables des fonctions cognitives spcifiques. En particulier, il montra que la production du parler est localise dans la partie de l'hmisphre gauche. A cette poque, il tait dj connu que le cerveau tait form des cellules nerveuses ou neurones, mais ce ne fut que jusqu' 1873 quand Camillo Golgi (1843-1926) dveloppa une technique de coloration qui permit l'observation des neurones individuels dans le cerveau. v Psychologie (de 1879 jusqu' prsent) Comment pensent les hommes et les animaux? La conceptualisation du cerveau comme un dispositif du traitement de l'information, caractristique principale de la psychologie cognitive, remonte aux oeuvres de William James (1842-1910). Helmhotz met aussi l'emphase que la perception entrane un certain type d'infrence logique inconsciente. v Ingnierie computationnelle (de 1940 jusqu' prsent) Comment construire un ordinateur efficace? Pour que l'intelligence artificielle puisse arriver tre une ralit, deux choses sont ncessaires: l'intelligence et une machine. L'ordinateur a t la machine choisie. L'ordinateur digital moderne fut invent de manire indpendante et presque simultane par les scientifiques dans les trois pays impliqus dans la Seconde Guerre Mondiale. v Thorie de contrle et cyberntique (de 1948 jusqu' prsent) Comment les automates peuvent-ils oprer sous leur propre contrle? La figure centrale du dveloppement de ce qu'on appelle aujourd'hui thorie de contrle fut Norbert Wiener (1894-1964). Wiener fut un mathmaticien brillant qui travailla sur les systmes de contrle biologiques et mcaniques et sur leurs liens avec la cognition.Wiener et ses collgues Arthur Rosenblueth et Julian Bigelow voyaient le comportement dterministe comme quelque chose mergeant d'un mcanisme rgulateur qui tente de minimiser l'erreur (la diffrence entre l'tat prsent et l'tat objectif). A la fin des annes 40, Wiener, ensemble avec Warren McCulloch, Walter Pitts et John Von Neumann organisrent une srie des confrences dans lesquelles taient exploits des nouveaux modles cognitifs mathmatiques et computationnels et influencrent beaucoup d'autres chercheurs dans le domaine de la science du comportement. Le livre de Wiener, Cybernetics (1948) fut un bestseller et rvla au public la possibilit des machines avec l'intelligence artificielle. La thorie du contrle moderne, spcialement la branche connue comme contrle optimal stochastique a comme objectif la conception des systmes qui maximisent une fonction objective dans le temps. v Linguistique (de 1957 jusqu' prsent) Comment le langage est-il en relation avec la pense? La linguistique moderne et l'IA naquirent et se dvelopprent ensemble, donnant lieu un domaine hybride appel linguistique computationnelle ou traitement du langage naturel. Le problme de la comprhension du langage se montra rapidement beaucoup plus complexe de ce qu'on avait pens jusqu'en 1957. La comprhension du langage exige la comprhension de la matire sous tude, et de son contexte et non seulement la comprhension de la structure des phrases. La grande partie des premiers travaux de recherche dans le domaine de la reprsentation de la connaissance taient lis au langage et la recherche d'information dans le domaine du langage.8(*)

III.4. DOMAINES D'APPLICATION DE L'INTELLIGENCE ARTIFICIELLE

L'intelligence artificielle a t et est utilise (ou intervient) dans une varit de domaines tels que : la banque, avec des systmes experts d'valuation de risque li l'octroi d'un crdit (crdit-scoring) ; le militaire, avec les systmes autonomes tels que les drones, les systmes de commandement et l'aide la dcision ; les jeux ; la mdecine, avec les systmes experts d'aide au diagnostic ; la logistique, au travers d'approches heuristiques de type rsolution de problme de satisfaction de contraintes ; l' ducation.9(*)

III.5. LES DIFFERENTES FACETTES DE L'IA

On peut considrer diffrents dispositifs intervenant, ensemble ou sparment, dans un systme d'intelligence artificielle tels que : le dialogue automatique : se faire comprendre en lui parlant, traduction automatique, si possible en temps rel ou trs lgrement diffr, comme dans les films, le raisonnement automatique (cf. systmes experts), l'apprentissage automatique, la reconnaissance de formes, des visages et la vision en gnral, etc, intgration automatique d'informations provenant de sources htrognes, l'motion artificielle et l'ventualit d'une subjectivit artificielle, Etc. Les ralisations actuelles de l'intelligence artificielle peuvent intervenir dans les fonctions suivantes : Aide aux diagnostics, L'aide la dcision, Rsolution de problmes complexes, tels que les problmes d'allocation de ressources, Assistance par des machines dans les tches dangereuses, ou demandant une grande prcision, Automatisation de taches.

III.6. LA CONCEPTION DE SYSTEMES D'IA

Au fil du temps, certains langages de programmation se sont avrs plus commodes que d'autres pour crire des applications d'intelligence artificielle. Parmi ceux-ci, LISP et PROLOG furent sans doute les plus mdiatiss. LISP constituait une solution ingnieuse pour faire de l'intelligence artificielle en FORTRAN. On utilise aussi, plus pour des raisons de disponibilit et de performance que de commodit, des langages classiques tels que C ou C++. LISP a eu pour sa part une srie de successeurs plus ou moins inspirs de lui, dont le langage SCHEME. Des programmes de dmonstration de thormes gomtriques simples ont exist ds les annes 1960 ; et des logiciels aussi triviaux que MAPLE et MATHEMATICA effectuent aujourd'hui des travaux d'intgration symbolique qui il y a trente ans encore taient du ressort d'un tudiant de mathmatiques suprieures. Mais ces programmes ne savent pas plus qu'ils effectuent des dmonstrations gomtriques ou algbriques que DEEP BLUE ne savait qu'il jouait aux checs (ou un programme de facturation qu'il calcule une facture). Ces cas reprsentent donc plus des oprations intellectuelles assistes par ordinateur faisant appel la puissance de calcul que de l'intelligence artificielle proprement parler.10(*)

III.7. AGENT INTELLIGENT

Un agent est quelque chose capable de percevoir son environnement, la perception indique que l'agent peut recevoir des entres tout instant. La suite perception d'un agent reflte l'historique complet de tout ce qu'il a reu. Il prend des dcisions en fonction de cette suite de perception. Un agent fait la perception l'aide des capteurs et agit l'aide des effecteurs. Les capteurs sont l'agent ce que sont les yeux, les oreilles et d'autres organes sensoriels l'homme ; les effecteurs sont l'agent ce que sont les mains, les pieds et d'autres parties du corps l'homme, Les agents interagissent avec l'environnement grce aux capteurs et effecteurs comme le montre la figure ciaprs.

AGENT Capteurs Effecteurs ?

III.7.1. la rationalit des agents

Un agent rationnel devra entreprendre des actions qui maximisent sa mesure de rendement, en se basant sur les vidences apportes par la squence des perceptions et sur la connaissance que l'agent a stocke. La rationalit en un moment donn dpend de quatre facteurs: La mesure de performance qui dcrit le critre de russite ; La connaissance de l'environnement accumule par l'agent ; Les actions que l'agent peut accomplir ;

 La suite de perceptions de l'agent jusqu' ce moment. Un agent rationnel est aussi celui qui apprend le maximum possible de ce qu'il peroit. La configuration initiale d'un agent peut reflter une connaissance prliminaire de l'environnement, mais au fur et mesure que l'agent acquiert l'exprience, sa connaissance peut se modifier et augmenter. Il y a des cas exceptionnels o l'on connat totalement l'environnement a priori. Dans ces cas, l'agent n'a pas besoin de percevoir ni d'apprendre; il agit simplement de manire correcte. Mais ces agents sont trs fragiles. L'agent rationnel divise en trois priodes diffrentes les tches du calcul de la fonction de l'agent: Lors de la conception de l'agent pendant lequel les concepteurs de l'agent sont chargs de raliser ces calculs; lorsqu'il est entrain de penser l'opration suivante, l'agent ralise beaucoup de calculs; et quand il apprend partir de l'exprience, l'agent ralise beaucoup de calculs pour dcider comment modifier son comportement. Un agent rationnel doit donc tre autonome, savoir apprendre dterminer comment compenser une connaissance incomplte ou initialement partielle. En effet il est ncessaire de faire attention en distinguant la rationalit de l'omniscience. Un agent omniscient est celui qui connat le rsultat de son action et agit en consquence. Mais en ralit l'omniscience n'est pas possible.

III.7.2. Types d'agents

Nous avons quatre types fondamentaux des programmes des agents qui incarnent les principes fondamentaux de tous les agents intelligents : v Agents ractifs simples Le type d'agent le plus simple est l'agent ractif simple. Ce type d'agent choisit les actions en fonction des perceptions actuelles, ignorant le reste des perceptions historiques. v Agents ractifs bass sur les modles La manire la plus effective pour les agents de manipuler la visibilit partielle est de stocker l'information sur ces parties du monde qu'ils ne peuvent pas voir. L'agent doit donc maintenir un certain type d'tat interne qui dpend de l'histoire perue qui puisse reflter au moins les aspects non observables de l'tat actuel. L'utilisation de l'information de l'tat interne au fur et mesure que passe le temps exige de codifier deux types de connaissance dans le programme de l'agent: La connaissance concernant comment volue le monde indpendamment de l'agent; L'information sur comment les actions de l'agent affectent le monde. Cette connaissance sur comment fonctionne le monde, qu'elle soit implmente avec un circuit boolen simple ou avec des thories scientifiques compltes, s'appelle "modle du monde". Un agent qui utilise ce modle est un agent bas sur les modles. v Agents bass sur les objectifs La connaissance sur l'tat actuel du monde n'est pas toujours suffisante pour dcider quoi faire. Par exemple, dans un croisement de chemins, le taximan peut virer gauche, virer droite ou continuer droit. La dcision correcte dpend de o veut aller le taxi. En d'autres termes, outre la description de l'tat actuel, l'agent a besoin d'une certaine information sur son objectif qui dcrive les situations qui sont dsirables, par exemple, arriver la destination propose par le passager. Le programme de l'agent peut se combiner avec l'information sur les rsultats des actions possibles (la mme information utilise pour actualiser l'tat interne dans le cas de l'agent ractif) pour choisir les actions qui permettent d'atteindre l'objectif. v Agents bass sur l'utilit Les objectifs seuls en soi ne sont pas suffisants pour gnrer un comportement de grande qualit dans la majorit des environnements. Par exemple, il y a beaucoup de squences d'actions qui conduiront le taxi sa destination (et par tant atteindre son objectif), mais certaines sont plus rapides, plus sures, plus fiables, ou moins coteuses que d'autres. Les objectifs seuls fournissent une distinction binaire

crue entre les tats de "flicit" et "tristesse", alors qu'une mesure d'efficience plus gnrale devrait permettre une comparaison entre diffrents tats du monde par rapport au niveau exact de flicit que l'agent atteint quand il arrive un tat ou autre. Comme le terme "flicit" ne sonne pas plus scientifique, la terminologie traditionnelle utilise dans ces cas pour indiquer qu'on prfre un tat du monde est qu'un tat a plus d'utilit qu'un autre pour l'agent. Tous les quatre types prcdents peuvent apprendre. Un agent qui apprend peut tre divis en quatre composants conceptuels suivants : L'lment d'apprentissage : qui fait des amliorations sur base de certaines critiques ; L'lment d'agissement : qui choisit les actions (externes) raliser ; La critique : qui ralimente l'lment d'apprentissage pour qu'il fasse des amliorations ; Le gnrateur de problmes : qui suggre des actions qui conduiront l'agent aux expriences nouvelles et informatiques.

III.8. NATURE DE L'ENVIRONNEMENT DE L'AGENT

Les environnements de travail sont essentiellement les "problmes" pour lesquels les agents rationnels sont des "solutions". Les mesures de performance (ou de rendement), l'environnement, les effecteurs et les capteurs (ou senseurs) forment ce qu'on appelle environnement de travail en sigle REES (Rendement, Environnement, Effecteurs, Senseurs). Chaque environnement de travail a ses proprits, il peut tre : 1. Totalement observable ou partiellement observable: Si les senseurs de l'agent lui fournissent l'accs l'tat complet de l'environnement tout moment alors l'environnement est totalement observable. Un environnement de travail est totalement observable si les senseurs dtectent tous les aspects qui sont relevant dans la prise de dcision. Un environnement peut tre partiellement observable cause des bruits et de l'existence des senseurs peu exacts. Dterministe ou stochastique si l'tat suivant du milieu est totalement dtermin par l'tat actuel et l'action excute par l'agent, alors l'environnement est dterministe; sinon, il est stochastique. 2. pisodique ou squentiel Dans un environnement de travail pisodique, l'exprience de l'agent se divise en pisodes atomiques. Chaque pisode consiste en la perception de l'agent et la ralisation d'une unique action postrieure. Les pisodes sont indpendantes les unes des autres. Dans les environnements squentiels, la dcision prsente peut affecter les dcisions futures. 3. Statique ou dynamique: Si l'environnement peut changer quand l'agent est entrain de dlibrer, alors l'environnement est dynamique pour l'agent, autrement, l'environnement est statique. 4. Discret ou continu. La distinction entre discret et continu peut s'appliquer l'tat du milieu, la manire dont manipuler le temps et aux perceptions et actions de l'agent. Un milieu est discret s'il a un nombre fini de perceptions et actions, comme les jeux des checs. Mais un taximan conduisant dfinit un tat continu et un problme de temps continu. Les image prises par des camras digitales sont discrtes au sens strict mais sont traite comme des reprsentations continues de localisations et intensits variables. 5. Environnement agent individuel ou multi agents.

Un environnement est agent individuel s'il y a un seul agent. Un environnement est multi agents s'il y a plusieurs agents travaillant en comptition ou en coopration. Un environnement multi agents est comptitif lorsque l'agent B cherche maximiser sa mesure de rendement, laquelle, selon les rgles minimise la mesure de rendement de A. Dans un environnement coopratif, chaque agent cherche maximiser la mesure de rendement de tous les autres agents de l'environnement. Par exemple un systme de diagnostic mdical est dans un environnement agent individuel tandis que le joueur aux checs est dans un environnement multi agents comptitif. Dans un systme de communication, les agents sont dans un environnement multi agents coopratif. Les taximen, en vitant les fautes et les drangements les uns aux autres, sont dans un environnement semi coopratif avec une certaine comptition parce qu'un seul taxi doit occuper une place de stationnement.11(*)

CHAPITRE IV : INTRODUCTION AUX SYSTEMES EXPERTS

IV.1. DFINITION D'UN SYSTME EXPERT ET HISTORIQUE
D'une manire gnrale, un systme expert est un outil capable de reproduire les mcanismes cognitifs d'un expert, dans un domaine particulier. Il s'agit de l'une des voies tentant d'aboutir l' intelligence artificielle. Plus prcisment, un systme expert est un logiciel capable de rpondre des questions, en effectuant un raisonnement partir de faits et de rgles connus. Il peut servir notamment comme outil d' aide la dcision. Un systme expert se compose de 3 parties : une base de faits (base de connaissance) est un ensemble de connaissance (fournies par un expert humain) reprsentes par des rgles, une base de rgles (domaine de connaissance) est l'ensemble de connaissance du spcialiste qui lui permet de rsoudre des problmes spcifiques et un moteur d'infrence (mcanisme d'infrence) est un mcanisme qui permet au systme expert de raisonner et tirer des conclusions. Le premier systme expert fut Dendral en 1965, cr par les informaticiens Edward Feigenbaum, Bruce Buchanan, le mdecin Joshua Lederberg et le chimiste Carl Djerassi. Il permettait d'identifier les constituants chimiques d'un matriau partir de spectromtrie de masse et de rsonance magntique nuclaire, mais ses rgles taient mlanges au moteur. Il fut par la suite modifi pour en extraire le moteur de systme expert nomm Meta-Dendral.12(*) Le plus connu, peut-tre, fut Mycin en 1972-73, systme expert de diagnostic de maladies du sang et de prescription de mdicaments, avec un vrai moteur et une vraie base de rgles. Cependant ses rgles taient affectes de coefficients de vraisemblance qui donnaient chacune d'entre elles un poids particulier face aux autres. Le moteur produisait un chanage avant simple tout en calculant les probabilits de chaque dduction, ce qui le rendait incapable d'expliquer la logique de son fonctionnement et de dtecter les contradictions. Quant aux experts, ils taient obligs de trouver des coefficients de vraisemblance pour chacune des conclusions de leurs rgles, une dmarche complique et antinaturelle qui dniait leur capacit de raisonnement.

Les systmes experts ont eu leur heure de gloire dans les annes 1980, o on a trop rapidement pens qu'ils pourraient se dvelopper massivement. En pratique, le dveloppement de ce genre d'application est trs lourd car, lorsque l'on dpasse la centaine de rgles, il devient difficile de comprendre comment le systme expert raisonne (manipule faits et rgles en temps rel), et donc d'en assurer la mise au point finale puis la maintenance. Le projet Sachem (Systme d'Aide la Conduite des Hauts fourneaux En Marche, chez Arcelor), oprationnel dans les annes 1990, est l'un des derniers projets systme expert avoir vu le jour. Il est conu pour piloter des hauts-fourneaux en analysant les donnes fournies en temps rel par un millier de capteurs. Le projet a cout entre 1991 et 1998 environ 30 millions d'euros, et le systme conomise environ 1,7 euros par tonne de mtal.13(*)

IV.2. CONCEPTS GNRAUX DES SYSTMES EXPERTS

La connaissance d'un systme expert peut tre reprsente de plusieurs manires (elle peut tre encapsule dans les rgles et les objets). Une mthode commune de reprsenter la connaissance est sous forme des rgles du type SI ... ALORS, par exemple : SI la lumire est rouge ALORS arrtezvous. Un systme expert classique embarque une connaissance non crite qui doit tre obtenue d'un spcialiste travers d'intenses interviews par un ingnieur de connaissance (cogniticien) pendant une longue priode. Le processus de la construction d'u systme expert s'appelle ingnierie de connaissance et consiste en l'acquisition de la connaissance auprs d'un spcialiste humain ou d'une autre source, et sa codification dans le systme expert. Les tapes gnrales du dveloppement d'un systme expert sont dveloppes dans la figure ci-aprs : Spcialiste humain Dialogue Ingnieur de connaissance Explicitation en rgles Base de connaissance du systme expert L'ingnieur de connaissance tablit d'abord un dialogue avec un spcialiste pour obtenir sa connaissance. Ensuite, l'ingnieur de connaissance codifie explicitement la connaissance dans la base de connaissance sous forme des rgles. Le spcialiste value alors le systme expert et prsente des critiques l'ingnieur de connaissance. Ce processus se rpte jusqu' ce que l'expert juge satisfaisant le comportement du systme expert. Les systmes experts sont souvent conus de manire diffrente celle des programmes conventionnels parce que les problmes n'ont gnralement pas une solution algorithmique et dpendent des infrences pour obtenir une solution raisonnable, en considrant la solution obtenue comme la meilleure laquelle on puisse s'attendre s'il n'y a pas d'algorithme conduisant la solution optimale. Puisque le systme expert dpend de l'infrence, il doit tre capable d'expliquer son raisonnement pour qu'il soit vrifi. La facilit d'explication fait partie intgrale des systmes experts sophistiqus. Certains systmes experts permettent mme que le systme apprenne des rgles travers l'exemple en utilisant l'induction des rgles partir des tables des donnes.14(*)

IV.3. CARACTRISTIQUES D'UN SYSTME EXPERT

Un systme expert peut tre conu pour qu'il ait les caractristiques gnrales suivantes: Haut rendement : Le systme doit avoir la capacit de rpondre un niveau de comptence gal ou suprieur celui d'un spcialiste du domaine. Cela signifie que la qualit de conseil donn par un

systme doit tre trs haute. Temps de rponse adquat : Le systme doit agir en un temps raisonnable, comparable ou meilleur au temps exig par un spcialiste, pour prendre une dcision. Fiabilit : le systme expert doit tre fiable et ne doit pas connatre des "failles" sinon il ne sera pas utilis. Comprhensible : le systme doit tre capable d'expliquer les tapes de son raisonnement pendant qu'elles s'excutent, au lieu d'tre seulement une bote noire qui produit une rponse miraculeuse. Flexibilit : Vu la grande quantit de connaissance qu'un systme expert peut avoir, il est important d'avoir un mcanisme efficient pour ajouter, modifier, et liminer la connaissance. Une raison de la popularit des systmes experts bass sur les rgles est la capacit de stockage efficiente et modulaire des rgles.

IV.4. AVANTAGES ET INCONVNIENTS D'UN SYSTME EXPERT

IV.4.1. Avantages d'un systme expert
Les systmes experts ont plusieurs caractristiques attrayantes: Grande disponibilit : L'exprience est disponible pour tout matriel de traitement adquat. Dans un sens plus rel, un systme expert est la production massive de l'exprience. Cot rduit : Le cot de mettre l'exprience la disposition de l'utilisateur est rduit normment. Danger rduit : Les systmes experts peuvent tre utiliss dans des environnements qui pourraient tre dangereux pour un tre humain. Permanence : L'exprience est permanente. Contrairement aux spcialistes humains qui peuvent se retirer, renoncer ou mourir, la connaissance d'un systme expert durera indfiniment. Exprience multiple : La connaissance des plusieurs spcialistes peut tre disponible pour travailler simultanment et continuellement sur un problme, toute heure de la nuit ou du jour. Le niveau d'exprience combine de beaucoup de systmes experts peut dpasser celui d'un seul spcialiste humain. Explication : Le systme expert peut expliquer clairement et en dtail le raisonnement qui conduit une conclusion, cela augmente la confiance que la dcision prise tait correcte. Un tre humain peut tre fatigu, peut renoncer ou ne pas tre capable de le faire toujours. Rponse rapide : Une rponse rapide ou en temps rel peut tre ncessaire pour certaines applications. En fonction du logiciel ou matriel utilis, un systme expert peut rpondre plus rapidement et tre pus dispos qu'un spcialiste humain, de telle sorte qu'un systme expert en temps rel constitue un bon choix. Rponses solides, compltes et sans motions, en tout moment : Ceci peut tre trs important en temps rel et en des situations d'mergence, quand un spcialiste humain ne fonctionnera pas avec toute sa capacit cause de la pression et de la fatigue. Enseignement intelligent : Un systme expert peut agir comme un enseignant intelligent en laissant que l'tudiant excute des programmes d'exemple et en expliquant le raisonnement du systme. Base de donnes intelligente : Les systmes experts peuvent tre utiliss pour avoir accs une base de donnes de manire intelligente.15(*)

IV.4.2. Inconvnients d'un systme expert

Les deux principaux inconvnients des systmes experts sont : Ils crent le chmage parce qu'ils mulent les humains ; Dans les systmes experts, on fait infrence des connaissances mme si elles sont dpasses.

IV.5. DVELOPPEMENT DE LA TECHNOLOGIE DES SYSTMES EXPERTS

L'IA a beaucoup de branches en rapport avec la parole, la robotique, la comprhension et l'apprentissage du langage naturel, les systmes experts, etc. les racines des systmes experts embarquent beaucoup de disciplines ; en particulier, une des racines principales des systmes experts est le domaine de traitement de l'information humaine, appel la science cognitive. La cognition est l'tude de la manire dont les hommes traitent l'information. L'tude de la cognition est trs importante si l'on prtend russir des ordinateurs qui mulent les spcialistes humaines. Souvent, les spcialistes ne peuvent pas expliquer comment ils rsolvent des problmes (simplement, les solutions leur arrivent). Si le spcialiste ne peut pas expliquer comment se rsoud un problme, il n'est pas possible de codifier la connaissance dans un systme expert bas sur la connaissance explicite. Dans ce cas, l'unique possibilit est les programmes qui apprennent par eux-mmes muler le spcialiste. Ce sont des programmes bass sur l'induction et sur les systmes neuronaux artificiels.

IV.6. NOTION SUR LE CLIPS

IV.6.1. Introduction
CLIPS est un type de langage de programmation conu pour implmenter des systmes experts. Un systme expert est un programme spcialement conu pour modliser une expertise ou connaissance humaine. CLIPS est appel outil pour systme expert parce que c'est un environnement complet pour dvelopper des systmes experts, incluant des caractristiques telles qu'un diteur intgr et un outil de dbogage. Le mot Shell est rserv cette portion de CLIPS qui ralise des infrences ou du raisonnement. Le Shell du CLIPS fournit les lments de base d'un systme expert, savoir: La liste de faits, et la liste d'instances : la mmoire globale pour les donnes; La base de connaissance : contient toutes les rgles, c'est la base de rgles; Le moteur d'infrence: contrle l'excution des rgles. Un programme crit en CLIPS peut consister en rgles, faits, et objets. Le mcanisme d'infrence dcide sur quelles rgles excuter et quand. Un systme expert crit en CLIPS est un programme orient donne o les faits et/ou les objets sont les donnes qui stimulent l'excution via le moteur d'infrence. 16(*)

IV.6.2. L'histoire de CLIPS

Les origines du systme de production intgr par le langage C (CLIPS) remontent en 1984 au Centre de l'espace de la NASA. Actuellement, la section d'intelligence artificielle s'est dveloppe au-dessus des douzaines des applications des systmes experts prototypes en utilisant le matriel et le logiciel de dernier cri. Cependant, en dpit des dmonstrations tendues du potentiel des systmes experts, peu de ces dernires applications ont t mises dans l'utilisation rgulire. Ce manque de fournir la technologie de systmes experts en dedans des contraintes de calcul oprationnelles de la NASA ont pu en grande partie tre traces l'utilisation du LISP comme base d'un langage de programmation pour presque tous les outils de logiciel de systme expert pendant ce moment-l. En particulier, trois problmes a gn l'utilisation des outils bass sur LISP de systme expert chez la NASA: la basse disponibilit du LISP sur une grande varit d'ordinateurs conventionnels, le cot lev d'outils du dernier cri de LISP et matriel, et l'intgration faible du LISP avec d'autres langages de programmations (faisant des demandes incluses difficile). La section d'intelligence artificielle a estim que l'utilisation d'un langage de programmation conventionnelle, tel que le C, limine la plupart des problmes, et au commencement les fournisseurs d'outil de systme expert ont fournis un outil de systme expert crit dans un langage conventionnelle et commences convertir leurs outils en cours en C. le cot de chaque outil taient toujours trs hauts, la plupart ont t limits une petite varit d'ordinateurs, et les besoins projets de disponibilit taient dcourag. Pour satisfaire tous ses besoins d'une faon opportune et rentable, elle est devenue vidente que la section d'intelligence artificielle devrait dvelopper son propre C a bas l'outil de systme expert. La version de prototype de CLIPS a t dveloppe au printemps de 1985 dans plus de deux mois. Une attention particulire a t donne rendre l'outil compatible avec les systmes experts dessous dveloppement ce moment-l par la section d'intelligence artificielle. Ainsi, la syntaxe de CLIPS tait fait pour ressembler trs troitement la syntaxe d'un sous-ensemble de l'outil de systme expert d'ART s'est dveloppe par l'Infrence Corporation. Bien qu' l'origine model de l'ART, de CLIPS ont t dveloppes entirement sans aide d'infrence ou accs au code source d'ART. L'intention originale pour le CLIPS tait de gagner la perspicacit et la connaissance utiles au sujet de la construction des outils de systme expert et pour tendre le fond pour la construction d'un outil de rechange pour outils commerciaux actuellement tant employs. La version 1,0 a dmontr la praticabilit du projet concept. Aprs le dveloppement additionnel, il est devenu vident que le CLIPS seraient prix rduit et un outil de systme expert idal pour les buts de la formation. Une anne du dveloppement et des diffrences de l'utilisation est entre dans le CLIPS amliorant sa portabilit, son excution, sa fonctionnalit, et le support de documentation. La version 3,0 de CLIPS a t rendue disponible aux groupes en dehors de la NASA en 1986. D'autres perfectionnements ont transform le CLIPS d'un outil de formation en outil utile pour le dveloppement et la livraison des systmes experts. La Versions 4,0 et 4,1 de CLIPS, libr respectivement pendant l't et la chute de 1987, l'excution considrable amliore et dcrit, l'externe intgration de langage, et les possibilits de la livraison. La Version 4,2 de CLIPS, libre en t de 1988, tait une rcriture complte de CLIPS pour la modularit de code. En outre inclus avec ce dgagement taient un manuel d'architecture fournissant une description dtaille de l'architecture de logiciel de CLIPS et un programme utilitaire pour faciliter la vrification et la validation des programmes bass sur les rgles. La version 4,3 de CLIPS, libre en t de 1989, ajoute toujours plus de fonctionnalit. l'origine, la mthodologie primaire de reprsentation dans le CLIPS tait un langage de rgle d'enchanement vers l'avant bas sur l'algorithme de Rete (par consquent la pice de systme de production de l'acronyme de CLIPS). La version 5,0 de CLIPS, libre au printemps de 1991, a prsent la nouvelle programmation deux paradigmes: programmation procdurale (comme trouv dans les langages tels que C) et la programmation oriente objet (comme trouv dans les langages tels que le systme commun d'objet de LISP et causerie). Le langage de programmation orient objet fourni dans le CLIPS s'appelle Langage Orient objet de CLIPS (Frache). La Version 5,1 de CLIPS, libre en automne de 1991, tait principalement une mise niveau

d'entretien de logiciel exige pour soutenir le nouveau dveloppement de fentres de MSDOS, et l'interfaces augments de Macintosh. La Version 6,0 de CLIPS, libre en 1993, soutien le dveloppement des programmes modulaires et intgration serre entre les possibilits de programmation orient objet et bases sur les rgles de CLIPS. La Version 6,1 de CLIPS, libr en 1998, soutien enlev des compilateurs plus anciens de non-ANSI C et soutien supplmentaire de C++ compilateurs. Les commandes qui t profilent dans le temps pass dans les constructions et les fonctions dfinies pour l'utilisateur taient galement supplmentaire. La version 6,2 de CLIPS, libre en 2002, a ajout le soutien des environnements multiples dont les programmes peuvent tre chargs et ont amlior le dveloppement de Windows XP et de MacOs interfaces. En raison de sa portabilit, extensibilit, possibilits, et bas cot, le CLIPS a reu l'acceptation rpandue dans tout le gouvernement, l'industrie, et le milieu universitaire. Le dveloppement de CLIPS a aid amliorer la capacit de fournir la technologie de systme expert dans tout le secteur public et privs pour une tendue des applications large et les environnements de calcul divers. Le CLIPS est employes par de nombreux utilisateurs dans toute la communaut publique et prive comprenant: tous les emplacements de la NASA et branches des bureaux fdraux militaires et nombreux, entrepreneurs de gouvernement, universits, et beaucoup d'entreprises privs anonymes. Le CLIPS est maintenant maintenu comme logiciel de public domaine par les auteurs principaux de programme qui travail plus pour la NASA. La version 6,3 de CLIPS contient deux perfectionnements principaux. D'abord, l'excution de rgle a eu lieu et amlior en particulier les situations avec un grand nombre de facts/instances ou d'allumettes partielles. En second lieu, le soutien de l'intgration avec des langages tels que Java et le C++ a t amlior.

CHAPITRE V : CONCEPTION DU SYSTEME EXPERT

Dans ce chapitre, nous allons pouvoir prsenter notre systme expert dcrire son objectif, les bases de son fondement et l'environnement dans lequel il va devoir travailler et aussi sa base de connaissance.

V.1. PRSENTATION DU SYSTME EXPERT DE DIAGNOSTIQUE ET THRAPEUTIQUE DE MALADIE DE LA TUBERCULOSE

V.1.1. Objectif
Notre systme expert aura pour rle de diagnostiquer et de donner le traitement de la tuberculose c'est--dire de veiller ce que toutes les personnes atteintes de tuberculose aient accs un diagnostic et un traitement assister par un ordinateur en cas d'indisponibilit ou d'absence d'un

mdecin spcialiste dans un hpital.

V.1.2. Fondement
Le fondement de notre systme expert est la mdecine et particulirement sur la tuberculose, il est cependant bas sur les questions suivantes : Comment le mdecin parvient-il dcouvrir que le patient souffre de la tuberculose ? Comment parvient-il prescrire les mdicaments aux malades ?

V.1.3. Environnement
L'environnement de notre systme expert est la tuberculose pour lequel il propose les traitements, cet environnement est dterministe car l'tat suivant du milieu est totalement dtermin, l'tat actuel de notre systme qui est sa capacit et correspond l'action qu'il excute sur celle-ci. Cette capacit fait que notre systme expert soit class parmi les agents ractifs simples. Il choisit des actions tout en ignorant tout le reste des perceptions, c'est--dire que les actions qu'il effectue sont bases uniquement sur les symptmes que le patient prsente, il ne prend pas en considration tous les autres symptmes que peut prsenter le malade.

V.2. DESCRIPTION DE LA BASE DE CONNAISSANCE

La base de connaissance est un ensemble des connaissances fournies par un spcialiste humain reprsentes par les rgles. Notre spcialiste humain qui nous a fourni la connaissance est le mdecin spcialiste en tuberculose, le nomme KABONGO Benjamin.

V.2.1. prsentation de la connaissance brute V.2.1.1. catgories des malades et rgimes thrapeutiques
Diagnostic Catgories Cas concerns Schmas thrapeutiques Phase initiale - Toux avec ou sans expectoration depuis plus de 15 jours, parfois avec hmoptysies. - Fivre peu leve. - Amaigrissement. - Anorexie. - Nouveaux cas de TP frottis ngatifs avec une atteinte importante du parenchyme. - Nouveaux cas de tuberculose extraI - Nouveaux cas de tuberculose jamais traits. - Nouveaux cas de TP frottis positif. 2RHZE Phase de continuation 4RH

- Asthnie. - Transpiration. - Temprature. - Adnopathies cervicales. II

pulmonaire. - Malades tuberculeux gravement atteints avec infection concomitante par le VIH. - Cas de retraitement (rechute, chec thrapeutique, traitement aprs interruption. - Nouveaux cas de tuberculose pulmonaire microscopie ngative avec lsions peu tendues et autres cas bnins de TEP et srongatifs au VIH. 2SRHZE/1RHZE 5RHE

III

2RHZE

4RH

V.2.1.2. Nombre de comprimes a donner pour chaque tranche de poids en premire catgorie et catgorie 3.
Poids du patient en KG avant le dbut Phase intensive ou 1re du traitement. phase. Dure : 2 mois RHZE : chaque jour Nombre de comprims 30-39Kg 40-54Kg 55-70Kg ? 70Kg 2 3 4 5 Phase de continuation ou 2me phase. Dure : 4 mois RH : chaque jour Nombre de comprims 2 3 4 5

Commentaire : Le schma comporte deux phases : - Une phase initiale de 2 mois (phase intensive) consistant en une prise quotidienne de la quadruple association (2RHZE). - Une phase de continuation de 4 mois associant la Rifampicine et l'Isoniazide (4RH), en prise quotidienne.

V.2.1.3. Nombre de comprimes a donner pour chaque tranche de poids en catgorie 2.

Poids du patient en Kg avant le dbut du traitement. Phase intensive ou 1re phase : dure totale de 3mois. Dure : 3mois RHZE : chaque jour Nombre de comprims Dure : 2mois Streptomycine : chaque jour Quantit (gramme)/jour Phase de continuation ou 2me phase. Dure : 5 mois RHE : chaque jour Nombre de comprims/jour

30-39Kg 40-54Kg 55-70Kg ? 70Kg

2 3 4 5

0,5 0,75 1 1

2 3 4 5

Commentaire : Ce rgime s'applique aux malades de la catgorie II. La dure est de 8 mois sous surveillance stricte, tant donn le risque de rsistance secondaire aux antituberculeux. Ce schma thrapeutique comporte deux phases : - La phase intensive initiale de 3 mois comportant l'administration quotidienne de la quadruple association (RHZE) et de la streptomycine ; mais cette dernire ne sera donne que pendant 60 jours (2SRHZE/1RHZE). - La phase de continuation de 5 mois avec la triple association en prises quotidiennes sous supervision directe (5RHE). Les cas frottis positifs la fin du 3me mois de traitement doivent continuer les 4 mdicaments pendant 4 semaines encore (RHZE).

V.2.1.4. Posologies pour enfants

Poids du patient en Kg avant le dbut du traitement. Phase intensive ou 1re phase Dure : 2 mois RHZ(60+30+150) : chaque jour Nombre de comprims Jusque 7Kg 8-9Kg 10-14Kg 15-19Kg 20-24Kg 25-29Kg 1 1,5 2 3 4 5 Dure : 2 mois E(400mg) : chaque jour Nombre de comprims 0,25 0,5 0,5 0,75 1 1,5 Phase de continuation ou 2me phase Dure : 4 mois RH(60+30) : chaque jour Nombre de comprims 1 1,5 2 3 4 5

Commentaire : Les rgimes de traitement pour enfant sont les mmes que chez l'adulte. Catgorie I Catgorie II.17(*)

V.2.2. Rgles.

Les rgles de la base de connaissance suivantes ont t construites l'aide de la connaissance des tableaux prcdents : Rgle 1 : Si les faits suivants se prsentent : - Toux avec ou sans expectoration depuis plus de 15 jours, parfois avec hmoptysies ; - Fivre peu leve ; - Amaigrissement ; - Anorexie ; - Asthnie ; - Transpiration ; - Temprature ; - Adnopathies cervicales. Alors le patient souffre de la tuberculose. Rgle 2 : Si ce cas concerne le patient : - Nouveaux cas de tuberculose jamais traits ; - Nouveaux cas de TP frottis positif ; - Nouveaux cas de TP frottis ngatif avec une atteinte importante du parenchyme ; - Nouveaux cas de tuberculose extra-pulmonaire ; - Malades tuberculeux gravement atteints avec infection concomitante par le VIH. Alors le patient est class dans la premire catgorie. Rgle 3 : Si ce cas concerne le patient : - Rechutes ; - Traitement aprs interruption; - Traitement aprs chec thrapeutique. Alors le patient est class dans la catgorie II. Rgle 4 : Si ce cas concerne le patient : - Nouveaux cas de tuberculose pulmonaire microscopie ngative avec lsions peu tendues et autres cas bnins de TEP et srongatifs au VIH. Alors le patient est class dans la catgorie III. Rgle 5 : Si le patient est class dans la catgorie I. Alors : - Afficher le patient est class dans la catgorie I.

- Afficher le traitement. Rgle 6 : Si le poids du patient en Kg avant le dbut du traitement est entre : 30 39Kg. Alors :-Afficher le traitement : RHZE : 2 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 2 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 7 : Si le poids du patient en Kg avant le dbut du traitement est entre : 40 54Kg. Alors :-Affiche le traitement : RHZE : 3 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 3 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 8 : Si le poids du patient en Kg avant le dbut du traitement est entre : 55 70Kg. Alors :-afficher le traitement RHZE : 4 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 4 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 9 : Si le poids du patient en Kg avant le dbut du traitement est entre : 70 et plus de Kg. Alors :-Afficher le traitement. RHZE : 5 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 5 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 10 : Si le patient est class dans la catgorie II. Alors :-Afficher le patient est class dans la catgorie II. - Afficher le traitement : Rgle 11 : Si le poids du patient en Kg avant le dbut du traitement est entre : 30 39kg. Alors :- Afficher le traitement : RHZE : 2 comprims chaque jour pendant 3 mois dans la 1re phase. Streptomycine : 0,5g/jour pendant 2 mois dans la 1re phase. RHE : 2 comprims chaque jour pendant 5 mois dans la 2me phase. Rgle 12 : Si le poids du patient en Kg avant le dbut du traitement est entre : 40 54Kg. Alors :- Afficher le traitement : RHZE : 3 comprims chaque jour pendant 3 mois dans la 1re phase. Streptomycine : 0,75g/jour pendant 2 mois dans la 1re phase.

 RHE : 3 comprims chaque jour pendant 5 mois dans la 2me phase. Rgle 13 : Si le poids du patient en Kg avant le dbut du traitement est entre : 55 70Kg. Alors : - Afficher le traitement : RHZE : 4 comprims chaque jour pendant 3 mois dans la 1re phase. Streptomycine : 1g/jour pendant 2mois dans la 1re phase. RHE : 4 comprims chaque jour pendant 5 mois dans la 2me phase. Rgle 14 : Si le poids du patient en Kg avant le dbut du traitement est entre : 70 et plus de Kg. Alors : - Afficher le traitement : RHZE : 5 comprims chaque jour pendant 3 mois dans la 1re phase. Streptomycine : 1g/jour pendant 2 mois dans la 1re phase. RHE : 5 comprims chaque jour pendant 5 mois dans la 2me phase. Rgle 15 : Si le patient est class dans la catgorie III. Alors : - Afficher le patient est class dans la catgorie III. - Afficher le traitement : Rgle 16 : Si le poids du patient en Kg avant le dbut du traitement est entre : 30 39Kg. Alors : - Afficher le traitement : RHZE : 2 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 2 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 17 : Si le poids du patient en Kg avant le dbut du traitement est entre : 40 54Kg. Alors : - Afficher le traitement : RHZE : 3 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 3 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 18 : Si le poids du patient en Kg avant le dbut du traitement est entre : 55 70Kg. Alors : - Afficher le traitement. RHZE : 4 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 4 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 19 : Si le poids du patient en Kg avant le dbut du traitement est entre : 70 et plus de Kg. Alors : - Afficher le traitement. RHZE : 5 comprims chaque jour pendant 2 mois dans la 1re phase.

 RH : 5 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 20 : Si le patient est un enfant. Alors : - Afficher le patient est un enfant. - Afficher les posologies pour enfant : Rgle 21 : Si le poids du patient en Kg avant le dbut du traitement est jusqu' 7Kg. Alors : - Afficher le traitement : RHZ : 1comprim chaque jour pendant 2 mois dans la 1re phase. Ethambutol : 0,25 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 1 comprim chaque jour pendant 4 mois dans la 2me phase. Rgle 22 : Si le poids du patient en Kg avant le dbut du traitement est entre : 8 9Kg. Alors : - Afficher le traitement : RHZ : 1,5 comprims chaque jour pendant 2 mois dans la 1re phase. Ethambutol : 0,5 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 1,5 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 23 : Si le poids du patient en Kg avant le dbut du traitement est entre : 10 14Kg. Alors : - Afficher le traitement : RHZ : 2 comprims chaque jour pendant 2 mois dans la 1re phase. Ethambutol : 0,5 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 2 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 24 : Si le poids du patient en Kg avant le dbut du traitement est entre : 15 19Kg. Alors : - afficher le traitement : RHZ : 3 comprims chaque jour pendant 2 mois dans la 1re phase. Ethambutol : 0,75 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 3 comprims chaque jour pendant 4 mois dans la 2me phase. Rgle 25 : Si le poids du patient en Kg avant le dbut du traitement est entre : 20 24Kg. Alors : - Afficher le traitement : RHZ : 4 comprims chaque jour pendant 2 mois dans la 1re phase. Ethambutol : 1 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 4 comprims chaque jour pendant 4 mois dans la 2me phase.

 Rgle 26 : Si le poids du patient en Kg avant le dbut du traitement est entre : 25 29Kg : Alors : - Afficher le traitement. RHZ : 5 comprims chaque jour pendant 2 mois dans la phase. Ethambutol : 1,5 comprims chaque jour pendant 2 mois dans la 1re phase. RH : 5 comprims chaque jour pendant 4 mois dans la 2me phase.

CHAPITRE VI: IMPLEMENTATION DU SYSTEME EXPERT EN CLIPS

Le point de chute d'un travail informatique est la ralisation d'une application qui consistera au dveloppement d'un logiciel pouvant assurer un bon service l'utilisateur.

VI.1. PRESENTATION DE LOGICIEL

Pour cette application, nous utiliserons le langage de programmation CLIPS qui est un type de langage de programmation conu pour implmenter des systmes experts. Un systme expert est un programme spcialement conu pour modliser une expertise ou une Connaissance humaine. Nous avons porte notre choix sur ce langage de programmation, parce qu'il est un outil pour le systme expert il est aussi un environnement complet pour dvelopper des systmes experts, incluant des caractristiques telles qu'un diteur intgr et un outil de dbogage.

VI.2. LE CODE SOURCE

(defrule presentation (initial-fact) => (printout t "*******************************************************************************************"crlf "* SYSTEME EXPERT POUR LE DIAGNOSTIC ET LA THERAPEUTIQUE DES MALADIES DE LA TUBERCULOSE *"crlf "*******************************************************************************************"crlf "*Auteur: schadrac KANDE *"crlf "*Promotion: L2 Informatique *"crlf

"*version: clips 6.30 beta *"crlf "*Anne Academique: 2009-2010 *"crlf "*******************************************************************************************"crlf crlf crlf crlf "Tapez la touche ENTREE pour continuer ... " crlf ) (bind ?touche (readline)) (assert (fait debut)) ) (defrule regle1 (fait debut) => (printout t "voici la liste des symptomes:" crlf crlf "A. Adnopathies cervicales" crlf "B. Amaigrissement" crlf "C. Anorexie" crlf "D. Asthnie" crlf "E. Fivre peu leve" crlf "F. Temprature" crlf "G. Transpiration" crlf "H. Toux avec ou sans expectoration dpuis plus de 15 jours, parfois avec hmoptysies" crlf crlf crlf " Introduire des symptomes constats(au plus 10 codes des symptomes tel qu'indiqu ci-haut):" crlf crlf ) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline))

(assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) ) (defrule regle2 (fait "A") (fait "B")

(fait "C") (fait "D") (fait "E") (fait "F") (fait "G") (fait "H") => (printout t crlf crlf crlf crlf "VOUS SOUFFREZ DE LA TUBERCULOSE" crlf crlf crlf ) (printout t "Le traitement se donne selon les diffrentes catgories des malades" crlf crlf "voici la liste de classement en catgorie:" crlf crlf "I. Malades tuberculeux gravement atteints avec une infection concomitante par le VIH." crlf crlf "J. Nouveaux cas de TP frottis ngatif avec une atteinte importante du parenchyme." crlf crlf "K. Nouveaux cas de TP frottis positif." crlf crlf "L. Nouveaux cas de tuberculose extra-pulmonaire." crlf crlf "M. Nouveaux cas de tuberculose jamais traits." crlf crlf "N. Nouveaux cas de tuberculose pulmonaire microscopie ngative avec lsions peu tendues et autres cas bnins de TEP et srongatifs au VIH." crlf crlf "O. Malades tuberculeux gravement atteints avec infection concomitante par le VIH." crlf crlf "P. Rchutes." crlf crlf "Q. Traitment aprs chec thrapeutique." crlf crlf "R. Traitment aprs interruption." crlf crlf crlf crlf " Introduire le classement constats (au plus 6 codes tel qu'indiqu ci-haut):" crlf crlf ) (reset) (assert (fait catgorie)) ) (defrule regle3 (fait catgorie)

=> (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) ) (defrule regle4 (fait "I") (fait "J") (fait "K") (fait "L") (fait "M") (fait "O") => (printout t crlf crlf crlf crlf "VOUS ETES CLASSES DANS LA CATEGORIE I" crlf crlf crlf crlf crlf crlf)

(printout t "voici la liste de poids du patient en KG avant le dbut du traitment:" crlf crlf "S. Le poids du patient est jusqu'a 7Kg." crlf crlf "T. Le poids du patient est de 8 9Kg." crlf crlf "U. Le poids du patient est de 10 14Kg." crlf crlf "V. Le poids du patient est de 15 19Kg." crlf crlf "W. Le poids du patient est de 20 24Kg." crlf crlf "X. Le poids du patient est de 25 29Kg." crlf crlf "Y. Le poids du patient est de 30 39Kg." crlf crlf "Z. Le poids du patient est de 40 54Kg" crlf crlf "AA. Le poids du patient est de 55 70Kg." crlf crlf "AB. Le poids du patient est de 70 et plus de Kg." crlf crlf " Introduire le poids constats:" crlf crlf crlf ) (reset) (assert (fait catgorie)) ) (defrule regle5 (fait "P") (fait "R") (fait "Q") => (printout t crlf crlf crlf crlf "VOUS ETES CLASSES DANS LA CATEGORIE II" crlf crlf crlf ) (printout t "voici la liste de poids du patient en KG avant le dbut du traitment:" crlf crlf "S. Le poids du patient est jusqu'a 7Kg." crlf crlf "T. Le poids du patient est de 8 9Kg." crlf crlf "U. Le poids du patient est de 10 14Kg." crlf crlf "V. Le poids du patient est de 15 19Kg." crlf crlf "W. Le poids du patient est de 20 24Kg." crlf crlf "X. Le poids du patient est de 25 29Kg." crlf crlf

"Y. Le poids du patient est de 30 39Kg." crlf crlf "Z. Le poids du patient est de 40 54Kg" crlf crlf "AA. Le poids du patient est de 55 70Kg." crlf crlf "AB. Le poids du patient est de 70 et plus de Kg." crlf crlf " Introduire le poids constats:" crlf crlf crlf ) (reset) (assert (fait catgorie)) ) (defrule regle6 (fait "N") => (printout t crlf crlf crlf crlf "VOUS ETES CLASSES DANS LA CATEGORIE III" crlf crlf crlf crlf crlf crlf) (printout t "voici la liste de poids du patient en KG avant le dbut du traitment:" crlf crlf "S. Le poids du patient est jusqu'a 7Kg." crlf crlf "T. Le poids du patient est de 8 9Kg." crlf crlf "U. Le poids du patient est de 10 14Kg." crlf crlf "V. Le poids du patient est de 15 19Kg." crlf crlf "W. Le poids du patient est de 20 24Kg." crlf crlf "X. Le poids du patient est de 25 29Kg." crlf crlf "Y. Le poids du patient est de 30 39Kg." crlf crlf "Z. Le poids du patient est de 40 54Kg" crlf crlf "AA. Le poids du patient est de 55 70Kg." crlf crlf "AB. Le poids du patient est de 70 et plus de Kg." crlf crlf " Introduire le poids constats:" crlf crlf crlf crlf ) (reset) (assert (fait catgorie)) )

(defrule regle7 (fait catgorie) => (printout t "voici la liste de poids du patient en KG avant le dbut du traitment:" crlf crlf "S. Le poids du patient est jusqu'a 7Kg." crlf crlf "T. Le poids du patient est de 8 9Kg." crlf crlf "U. Le poids du patient est de 10 14Kg." crlf crlf "V. Le poids du patient est de 15 19Kg." crlf crlf "W. Le poids du patient est de 20 24Kg." crlf crlf "X. Le poids du patient est de 25 29Kg." crlf crlf "Y. Le poids du patient est de 30 39Kg." crlf crlf "Z. Le poids du patient est de 40 54Kg" crlf crlf "AA. Le poids du patient est de 55 70Kg." crlf crlf "AB. Le poids du patient est de 70 et plus de Kg." crlf crlf " Introduire le poids constats:" crlf crlf crlf crlf ) (printout t "tapez une lettre : ") (bind ?reponse (readline)) (assert (fait ?reponse)) ) (defrule regle8 (fait "S") => (printout t "Le poids du patient est jusqu'a 7Kg." crlf crlf "Traitement,posologies pour enfant:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux:Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZ:1comprim chaque jour pendant 2mois dans la 1re phase. - Ethambutol:0,25comprims chaque jour pendant 2mois dans la 1re phase.

- RH:1comprim chaque jour pendant 4mois dans la 2me phase. " crlf crlf ) (reset) (assert (fait traitment)) ) (defrule regle9 (fait "T") => (printout t "Le poids du patient est de 8 9Kg." crlf crlf "Traitement,posologies pour enfant:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux:Isoniaside(H),Rifampicine(R),Pyrazinamide(Z), Streptomycine(S),Ethambutol(E)). - RHZ:1,5comprims chaque jour pendant 2mois dans la 1re phase. - Ethambutol:0,5comprim chaque jour pendant 2mois dans la 1re phase. - RH:1,5comprims chaque jour pendant 4mois dans la 2me phase." crlf ) (reset) (assert (fait traitment)) ) (defrule regle10 (fait "U") => (printout t "Le poids du patient est de 10 14Kg." crlf crlf "Traitement,posologies pour enfant:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux:Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZ:2comprims chaque jour pendant 2mois dans la 1re phase. - Ethambutol:0,5comprim chaque jour pendant 2mois dans la 1re phase. - RH:2comprims chaque jour pendant 4mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment))

) (defrule regle11 (fait "V") => (printout t "Le poids du patient est de 15 19Kg." crlf crlf "Traitement: (Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux: Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZ:3comprims chaque jour pendant 2mois dans la 1re phase. - Ethambutol:0,75comprims chaque jour pendant 2mois dans la 1re phase. - RH:3comprims chaque jour pendant 4 mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle12 (fait "W") => (printout t "Le poids du patient est de 20 24Kg." crlf crlf "Traitement:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux:I soniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZ:4comprims chaque jour pendant 2mois dans la 1re phase. - Ethambutol:1comprim chaque jour pendant 2mois dans la 1re phase. - RH:4comprims chaque jour pendant 4mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle13 (fait "X") =>

(printout t "Le poids du patient est de 25 29Kg." crlf crlf "Traitement:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux: Isoniaside(H) ,Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZ:5comprims chaque jour pendant 2mois dans la 1re phase. - Ethambutol:1,5comprims chaque jour pendant 2mois dans la 1re phase. - RH:5comprims chaque jour pendant 4mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle14 (fait "Y") => (printout t "Le poids du patient est de 30 39Kg." crlf crlf "Traitement pour les catgories I et III: (Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux: Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZE:2comprims chaque jour pendant 2mois dans la 1re phase. - RH:2comprims chaque jour pendant 4mois dans la 2me phase. catgorie II: - RHZE: 2comprims chaque jour pendant 3mois dans la 1re phase. - Streptomycine:0,5g/jour chaque jour pendant 2mois dans la 1re phase. - RHE:2comprims chaque jour pendant 5mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle15 (fait "Z") => (printout t "Le poids du patient est de 40 54Kg." crlf crlf

"Traitement pour les catgories I et III:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux:I soniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S), Ethambutol(E)). - RHZE:3comprims chaque jour pendant 2mois dans la 1re phase. - RH:3comprims chaque jour pendant 4mois dans la 2me phase. catgorie II: - RHZE:3comprims chaque jour pendant 3mois dans la 1re phase. - Streptomycine:0,75g/jour chaque jour pendant 2mois dans la 1re phase. - RHE:3comprims chaque jour pendant 5mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle16 (fait "AA") => (printout t "Le poids du patient est de 55 70Kg." crlf crlf "Traitement pourles catgories I et III:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux: Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S),Ethambutol(E)). - RHZE:4comprims chaque jour pendant 2mois dans la 1re phase. - RH:4comprims chaque jour pendant 4mois dans la 2me phase. catgorie II: - RHZE: 4comprims chaque jour pendant 3mois dans la 1re phase. - Streptomycine:1g chaque jour pendant 2mois dans la 1re phase. - RHE:4comprims chaque jour pendant 5mois dans la 2me phase." crlf crlf) (reset) (assert (fait traitment)) ) (defrule regle17

(fait "AB") => (printout t "Le poids du patient est de 70 et plus de Kg." crlf crlf "Traitement pour les catgories I et III:(Les mdicaments antituberculeux essentiel sont au nombre de 5. un code sous forme d'une lettre a t attribu chacun d'eux: Isoniaside(H), Rifampicine(R), Pyrazinamide(Z), Streptomycine(S),Ethambutol(E)). - RHZE:5comprims chaque jour pendant 2mois dans la 1re phase. -RH:5comprims chaque jour pendant 4mois dans la 2me phase. catgorie II: - RHZE:5comprims chaque jour pendant 3mois dans la 1re phase. - Streptomycine:1g chaque jour pendant 2mois dans la 1re phase. - RHE:5comprims chaque jour pendant 5mois dans la 2me phase.") (reset) (assert (fait traitment)) )

VI. 3. LES RESULTATS

Ci-dessous sont prsentes quelques captures d'crans reprsentant les rsultats de l'application produite. a) a) La page suivante prsente la premiere interface de notre systme expert :

b) Voici l'aperu de l'affichage de la liste des symptmes de la tuberculose de notre logiciel.

c) L'image ci-dessous reprsente le resultat du diagnostic de notre systme expert.

d) Voici le classement en catgorie de la tuberculose de notre systme expert.

e) L'affichage du traitement de la tuberculose de notre systme expert.

CONCLUSION GENERALE
L'information est devenue une valeur ; elle est source de comptitivit pour les entreprises et les organisations. Jacqueline CALIXTE ne disait-elle pas que : l'entreprise ou l'administration ne peut s'organiser et prosprer que si elle dispose des informations dont elle a besoin, au moment o elle a besoin et sous une forme exploitable par les moyens dont elle dispose ... Cette tude relative la mise en oeuvre d'un systme expert pour le diagnostic et la thrapeutique des maladies de la tuberculose nous a permis dans une premire partie d'tablir le planning prvisionnel de la ralisation de notre projet par la mthode analytique et de conduite de projet informatique, le Complexe Hospitalier de Kananga nous a servi de cadre pour mener nos recherches. En effet comme nous l'avons dit un systme expert est un outil capable de reproduire les mcanismes cognitifs d'un expert, dans un domaine particulier. Il s'agit de l'une des voies tentant d'aboutir l' intelligence artificielle. Raison pour laquelle nous avons choisis le systme expert car c'est un logiciel capable de rpondre des questions, nous avons effectues le raisonnement partir de faits et de rgles qui nous ont t fournis par le mdecin spcialiste en tuberculose en l'interviewant et en lisant certaines documentations. En effet, nous avons modlis notre connaissance humaine dans le langage de programmation CLIPS, qui est un type de langage de programmation qui servant implmenter des systmes experts. Notre logiciel sera utiliser par le mdecin spcialiste en tuberculose au Complexe Hospitalier de Kananga, il peut tre aussi utilis par d'autres hpitaux et centre de sant, son installation et son utilisation exiges des moyens matriels, financiers et humains. Ceci ne pourra se raliser que si le CHK et certains organismes qui le soutiennent mettent la disposition du service de la tuberculose tous les moyens possibles (outils informatique, un personnel attitr...) Pour une suite meilleure en science, nous restons ouverts toute remarque et suggestion qui

contribueraient l'amlioration de notre travail.

BIBLIOGRAPHIE
I. Ouvrages
BONNET Alain, HATON Jean-Paul, TRUONG Jean-Michel , Systme experts : vers la matrise technique, Interditions, 1986. CARDON Alain, Modliser et concevoir une machine pensante, Approche de la conscience artificielle, Vuibert, 2004. TURING Alan, GIRARD Jean-Yves, La machine de Turing, Les Ordinateurs et l'Intelligence, 1995, pp. 133-174. C.FLAMENT, thorie des graphes et structures sociales, Ed. Mouton, Paris, 1968, 166 pages. VIGNAUX Georges, Les sciences cognitives : une introduction, Biblio Essais, Paris, 1994. Guide de prise en charge de la tuberculose PATI 4, Edition 2008. J.-L. LAURIERE, Elments de programmation dynamique, Collection Programmation, Ed. GauthierVillars, Paris, 1979. CHALLONER Jack, L'Intelligence artificielle : Un guide d'initiation au futur de l'informatique et de la robotique, Pearson Education, 2003. LAURIERE Jean-Louis, Intelligence Artificielle, Eyrolles, 1986. ALLIOT Jean-Marc et SCHIEX Thomas, Intelligence artificielle et informatique thorique, CEPADUES, 2002. DELAHAYE Jean-Paul, Outils logiques pour l'intelligence artificielle, Eyrolles, 1987. Michel LE SEAC'H, dvelopper un systme expert, chez ditests, 1989. CLAIRE Rmy, L'Intelligence artificielle, 1994. RUSSELL STUART Jonathan et NORVIG Peter, Intelligence Artificielle, Pearson ducation, 2006.

II. Notes de cours

KUTANGILA MAYOYA David, intelligence artificielle, Notes de cours, indit, L1 informatique, UKA, Kananga, 2008-2009. MANYA Lonard, Recherche oprationnelle approfondie, Notes de cours, indit, L1 informatique, UKA, Kananga, 2008-2009. TSHISUNGU, conduite de projet informatique, Notes de cours, indit, L2 informatique, UKA, Kananga, 2009-2010.

III. Sites INTERNET

www.01net.com www.clubic.com www.commencamarche.com www.google.com www.wikipdia.com www.yahoo.com www.memoireonline.com

IV. Autres documentation

Y. MBOMBO: conception d'un systme expert pour le diagnostic des maladies en pdiatrie (mmoire), Universit Notre-Dame du kasayi, campus de Kananga. A. MBAYE : Etude pour la conception d'une politique de gestion des documents administratifs et des archives pour la rgie des chemins de fer au Sngal (mmoire), Dakar : EBAD.

TABLE DE MATIERES
EPIGRAPHE I DEDICAS II AVANT-PROPOS III CHAPITRE 0 : INTRODUCTION GENERALE 1 I.1. BUT ET OBJECTIF 1 I.3. MTHODES ET TECHNIQUES UTILISES 2 I.4. DLIMITATION DU SUJET 3 I.5. STRUCTURE DU TRAVAIL 3 CHAPITRE I : PLANNING PREVISIONNEL DE LA REALISATION DU PROJET 5 I.1. INTRODUCTION 5 I.1.1. Expos du problme 5 I.1.2. Rponses apportes 5

I.1.3. Analyse des rponses 6 I.1.4. les phases d'un projet 6 I.2. RAISONS D'INFORMATISATION 6 I.3. OUTILS INFORMATIQUE METTRE EN OEUVRE 7 I.4. PLANNING D'INFORMATISATION 7 I.4.1. Description des tches et relation d'antriorit 8 TCHES 8 DESCRIPTION DES TCHES 8 TCHES PRCDENTES 8 DURE/JOURS 8 ESTIMATION DES COTS ($) 8 I.4.2. Choix et principe de la mthode 8 I.4.3. construction du graphe MPM - 10 I.4.4. calendrier de ralisation du projet - 11 CHAPITRE II : ETUDE DE L'OPPORTUNITE ET DEFINITION DE LA TUBERCULOSE - 12 II.1. DESCRIPTION DU COMPLEXE HOSPITALIER DE KANANGA - 12 II.1.1. Situation gographique - 12 II.1.2. Historique - 12 II.1.3. Rle du Complexe Hospitalier de Kananga - 13 II.2. STRUCTURE GNRALE DU CHK - 13 II.2.1. Organigramme gnral - 13 II.2.2. organigramme du CHK 14 II.2.3. DESCRIPTION DES POSTES DE TRAVAIL 15 II.3. DESCRIPTION DE LA TUBERCULOSE - 17 CHAPITRE III : GENERALITES SUR L'INTELLIGENCE ARTIFICIELLE - 19 III.1. INTRODUCTION ET HISTORIQUE - 19 III.2. DFINITION DE L'INTELLIGENCE ARTIFICIELLE - 20 III.3.LES FONDEMENTS DE L'INTELLIGENCE ARTIFICIELLE - 21 III.4. DOMAINES D'APPLICATION DE L'INTELLIGENCE ARTIFICIELLE - 23 -

III.5. LES DIFFERENTES FACETTES DE L'IA - 24 III.6. LA CONCEPTION DE SYSTEMES D'IA - 25 III.7. AGENT INTELLIGENT - 25 III.7.1. la rationalit des agents - 26 III.7.2. Types d'agents - 27 III.8. NATURE DE L'ENVIRONNEMENT DE L'AGENT - 29 CHAPITRE IV : INTRODUCTION AUX SYSTEMES EXPERTS - 31 IV.1. DFINITION D'UN SYSTME EXPERT ET HISTORIQUE - 31 IV.2. CONCEPTS GNRAUX DES SYSTMES EXPERTS - 32 IV.3. CARACTRISTIQUES D'UN SYSTME EXPERT - 34 IV.4. AVANTAGES ET INCONVNIENTS D'UN SYSTME EXPERT - 35 IV.4.1. Avantages d'un systme expert - 35 IV.4.2. Inconvnients d'un systme expert - 36 IV.5. DVELOPPEMENT DE LA TECHNOLOGIE DES SYSTMES EXPERTS - 36 IV.6. NOTION SUR LE CLIPS - 37 IV.6.1. INTRODUCTION - 37 IV.6.2. L'HISTOIRE DE CLIPS - 38 CHAPITRE V : CONCEPTION DU SYSTEME EXPERT - 41 V.1. PRSENTATION DU SYSTME EXPERT DE DIAGNOSTIQUE ET THRAPEUTIQUE DE MALADIE DE LA TUBERCULOSE - 41 V.1.1. Objectif - 41 V.1.2. Fondement - 41 V.1.3. Environnement - 41 V.2. DESCRIPTION DE LA BASE DE CONNAISSANCE - 42 V.2.1. prsentation de la connaissance brute 43 V.2.2. Rgles. 47 CHAPITRE VI: IMPLEMENTATION DU SYSTEME EXPERT EN CLIPS 53 VI.1. PRESENTATION DE LOGICIEL 53 VI.2. LE CODE SOURCE 54

VI. 3. LES RESULTATS 65 A) LA PAGE SUIVANTE PRSENTE LA PREMIERE INTERFACE DE NOTRE SYSTME EXPERT : 66 B) VOICI L'APERU DE L'AFFICHAGE DE LA LISTE DES SYMPTMES DE LA TUBERCULOSE DE NOTRE LOGICIEL. 67 C) L'IMAGE CI-DESSOUS REPRSENTE LE RESULTAT DU DIAGNOSTIC DE NOTRE SYSTME EXPERT. 68 D) VOICI LE CLASSEMENT EN CATGORIE DE LA TUBERCULOSE DE NOTRE SYSTME EXPERT. 69 E) L'AFFICHAGE DU TRAITEMENT DE LA TUBERCULOSE DE NOTRE SYSTME EXPERT. 70 CONCLUSION GENERALE 71 BIBLIOGRAPHIE 72 I. OUVRAGES 72 II. NOTES DE COURS 72 III. SITES INTERNET 73 IV. AUTRES DOCUMENTATION 73 TABLE DE MATIERES 74

* TSHISUNGU, cours de conduite de projet informatique, UKA, L2 Informatique, 2009-2010, Indit. * TSHISUNGU, op.cit. * MANYA Lonard, cours de recherche oprationnelle approfondie, L1 Informatique, UKA, 2008-2009, Indit. * Guide de prise en charge de la tuberculose, Edition 2008 * CHALLONER Jack, L'Intelligence artificielle : Un guide d'initiation au futur de l'informatique et de la robotique, Pearson Education, 2003. * LAURIERE Jean-Louis, Intelligence Artificielle, Eyrolles, 1986. * RUSSELL Stuart Jonathan et NORVIG Peter, Intelligence Artificielle, Pearson ducation, 2006. * KUTANGILA MAYOYA David, intelligence artificielle, Notes de cours, indit, L1 informatique, UKA, Kananga, 2008-2009. * CARDON Alain, modliser et concevoir une machine pensante, approche de la conscience artificielle, vuibert, 2004. *
10 9 8 7 6 5 4 3 2

CARDON Alain. op.cit.

11

KUTANGILA MAYOYA David, op.cit.

* Alain BONNET, Jean-Paul HATON, Jean-Michel TRUONG, systme experts: vers la matrise technique, InterEditions, 1986. * * * * *
13

12

Michel LE SEAC'H, dvelopper un systme expert, chez ditests, 1989. KUTANGILA MAYOYA David, op.cit. Michel le SEAC'H, op.cit. KUTANGILA MAYOYA David, op.cit. Guide de prise en charge de la tuberculose PATI 4, Edition 2008.

14

15

16

17

FORID:11

ISO-8859-15

Rechercher sur le site:

partner-pub-2070

Recherche

Memoire Online 2000-2010 - Pour tout problme de consultation ou si vous voulez publier un mmoire: webmaster@memoireonline.com