La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

From Case-Based Reasoning to Traced Experience Based Reasoning An introduction Alain Mille SILEX (Supporting Interactions & Learning by Experiences LIRIS.

Présentations similaires

Présentation au sujet: "From Case-Based Reasoning to Traced Experience Based Reasoning An introduction Alain Mille SILEX (Supporting Interactions & Learning by Experiences LIRIS."— Transcription de la présentation:

1 From Case-Based Reasoning to Traced Experience Based Reasoning An introduction Alain Mille SILEX (Supporting Interactions & Learning by Experiences LIRIS CNRS 5205 University Lyon1

2 Alain Mille2 Summary n Case-Based Reasoning ? u Genesis u CBR Reasoning Cycle: knowledge and reasoning processes. n A step further : TEBR u TEBR cycle n Examples n Discussion

3 Alain Mille3 Genesis… n Marvin Minsky [1975] a model of memory -> frames n Robert Schank [1982], a dynamic memory -> scripts n CBR cycle [1994], CBR step by step.

4 Alain Mille4 Minsky theory Here is the essence of the theory: When one encounters a new situation (or makes a substantial change in one's view of the present problem) one selects from memory a structure called a Frame. This is a remembered framework to be adapted to fit reality by changing details as necessary. Frames are idealistic stereotypes of encountered situations….

5 Alain Mille5 Minsky : the memory Top frames = always true Terminal slots are filled by instances or data (kind of sensors of « the world » Intermediate level frames : learned by specialization / differentiation

6 Alain Mille6 A specific frame

7 Alain Mille7 Minsky, the process n Frames are organized according to a « specialization » hierarchy and are connected by « proximities » links n Process : u Select a frame u Apply the frame in the context of the current situation, balancing failed and reached goals. u Adapt/correct frame application in order to fit the current situation u Synthesize this experience in the memory framework.

8 Alain Mille8 Schank : dynamic memory n Understanding Explaining u Natural language understanding. u Using scripts to describe propositions u Using concrete experience to build incrementally the scripts. John went to the restaurant. He got some ham. It was good..

9 Alain Mille9 Scripts memory

10 Alain Mille10 Schank: reasoning process n In a memory of concrete experiences (dynamically organized in a generalization hierarchy), n One retrieves the « closest » experience to the current one, n The corresponding script has to be generalized as less as possible to be re- specialized in the current context, n Memory is re-organized if necessary according to what happens really.

11 Alain Mille11 Case-Based Reasoning Cycle

12 Alain Mille12 What is a case? n A case is the description of a problem solving episode. Its structure fits the situation of the task: diagnostic, planning, decision helping, design, etc.

13 Alain Mille13 Case descriptors n A case is composed of a problem description and its corresponding solution description: cas=(pb,Sol(pb)). n A source case is a case whose solution will be adapted to find a solution for a new case, we call target case. A source case is formulated as: u Source_case=(source,Sol(source)) n and a target case: u Target_case=(target,Sol(target)). n A case, its problem and solution are described by a set of descriptors. A descripor d is defined by a peer d=(a,v) where a is an attribute name and v its value in a case.

14 Alain Mille14 Descriptors source={d s 1..d s n } where d s i is a source problem descriptor. Sol(source)={D s 1..D s m } where D s i is a source solution descriptor target={d t 1..d t n } where d t i is a target problem descriptor. Sol(target)={D t 1..D t n } where D t i is a target solution descriptor.

15 Alain Mille15 Case_base (example) Attribute labelCase 1Case 2Case 3Attribute type Pb_Surface553555Real Pb_District_Loc ation Rhône district Ain district Symbol Sol_Sale_Price Real Pb_Flat_TypeF2 Symbol Pb_Town_Locati on Lyon Bourg en Bresse Symbol

16 Alain Mille16 Cases in the solution space

17 Alain Mille17 Different classes of solution A class of solutions is constituted by clusters of solutions that can be adapted according to the same set of adaptation rules if problems are close enough to allow this adaptation. T Adaptation Rules are defined for cases belonging to the same class than S (Source)

18 Alain Mille T What is the class of the target? What is the nearest case in the selected Case? Choice of a source case

19 Alain Mille19 Algorithm KNN K Nearest Neighbors T Rs 2 red cases (this class has not enough representatives to be taken into account) 4 yellow cases (this class is significantly represented in the nearest neighbors) Yellow case #1 is chosen as the closest source case in the selected yellow class. Building a list of neighbors of the target case T. A source case is a neighbor if the similarity between its problem part with the source problem part is higher a threshold Rs (inside the circle). A solution class is eligible if there is at least k=3 representatives in the list.

20 Alain Mille20 Case-Based Reasoning Cycle

21 Alain Mille21 Elaborate n Warning : we search for similar solutions(!) by using similarities on problem parts... u Supplementing/filtering problem description on the basis of available knowledge about adaptability. u Trying to solve the problem… -> generation of a set of problem descriptors maximizing chances to find useful source cases. Guiding the retrieval of an adaptable solution

22 Alain Mille22 Elaborate: illustration n Cases are car « selling episodes » n Problem is constituted of descriptors of the car n Solution has a unique descriptor: the price of the car

23 Alain Mille23 Domain knowledge (part of…) This elaboration rule expresses how to infer « very good », « good » or « bad » as value for « General Status » descriptor by simply counting the number of listed defects in the Defects descriptor.

24 Alain Mille24 Car descriptors (for sale!) 206

25 Alain Mille25 Case-Based Reasoning Cycle

26 Alain Mille26 Retrieve n Similarity = matching degree between two problems (problem parts of cases) u Elicitating descriptors to match u Computing local similarity on matched descriptors u Computing global similarity by some « weighted » function. u (Building a similarity path in order to guide a corresponding adaptation path)

27 Alain Mille27 Example of a simple similarity measure w i the « weight » of the case descriptor #i expresses the « difficulty to adapt » the solution of the case regarding the difference between the corresponding source and target descriptors #i.

28 Alain Mille28 An example of weights (importance) of attributes / price of a car Attribute labelAttribute typeInfluence weight of the attribute on the solution General StatusSymbol (inferred)20% Nb of kmsReal35% Nb of years of the carReal25% ManufacturerSymbol (inferred)5% Car ModelSymbol5% Car type Symbol10% Observed defects listList of symbolsNo importance Sale Price (solution)Real???

29 Alain Mille29 Case-Based Reasoning Cycle

30 Alain Mille30 Adapt : the central step in CBR n The question is to reuse the solution of a close source case, n Because it is possible to adapt this source solution for the close target problem, n … and that it is easier to adapt a close source solution than to solve the target problem from scratch!

31 Alain Mille31 Adapt : formalization

32 Alain Mille32 Adap : formalization

33 Alain Mille33 Adaptation : formalization n = discrepancy between source and target problem descriptors values according to a specific matching function. n = influence of a discrepancy of on the value of n = operator to compute Influence according to the observed problem descriptors discrepancies. n sums individual influence effects of problem descriptors discrepancies for an individual source solution descriptor (there is a simple generalizing equation for several source solution descriptors). n = operator of addition of the integrated computed influence to a source solution descriptor to propose a value for the corresponding target solution descriptor..

34 Alain Mille34 Adaptation Example : Similarity Knowledge

35 Alain Mille35 Adaptation example: adaptation rule (a very simple one!)

36 Alain Mille36 Case-Based Reasoning Cycle

37 Alain Mille37 Revise n In order to revise, it is possible to: u Check the adapted solution « against » the real world… u Introspect the Case Base with all descriptors of the adapted case -> is there similar past cases which were not working this way? u Use un other problem solving process (expert system, simulator, …) n Revising allows to learn from errors !

38 Alain Mille38 Case-Based Reasoning Cycle

39 Alain Mille39 Memorize n Adding a new real solved case to the Case base is the basic learning mechanism of CBR. n Other things can be learned: u By interacting at revise step in order to manage retrieval and adaptation knowledge: F Similarity measure F Influence knowledge F New dependencies, etc u By keeping the trace of the reasoning process as it was done for the current new case. For example, if we keep trace of the adaptation process, we can consider these adaptation traces as adaptation cases usable in a CBR cycle for improving adaptation knowledge.

40 Alain Mille40 Managing Case Bases n Indexing cases n Maintaining u Deleting « unuseful » cases u Managing similarity measures and adaptation rules n Integrating Case Bases in Information Systems

41 Alain Mille41 A step further… Traced Experience Based Reasoning (TEBR) Use model: usages driven « ontology » ETS: Explained Task Signature

42 Alain Mille42 Our Success Stories n Design helping of rubber production processes (Interep company -> 24 months to 8 months) n Supervision Assistance for complex systems (SFERCA company) n Digesting programs design (Prolabo company) n Navigating helping in a Documents Base (Chemdata company) n CAD-CAM design helping (Dassault Systems / Catia V5) u Activity oriented assistance (first work) u Catia companion [TEBR] (last work) n Current applications u Knowledge management [TEBR] (Antecim company) u Intelligent Tutoring Systems [TEBR] (Elycée company, National Institut of Resarch in Pedagogy)

43 Alain Mille43 Discussion n Open questions: u How to integrate really continuous learning processes in a CBR cycle u Whats about the software engineering of Traced Experience Base Reasoning F Trace theory F Specific tools to modelize the way to trace activities when mediated by computers (with additionnal questions about confidentiality and security) F Specific tools to find past episodes in real time

44 Alain Mille44 Thank you for your attention ! n Time for discussion ?

45 Alain Mille45 Utilisation de CBR*Tools 1/ manipulation des classes java via éditeur 2/ atelier de manipulation directe des modèles UML

46 Alain Mille46 CBR and TEBR applications n CBR u Diagnosis u Planning u Designing u Help Desk n TEBR u Personnalized Help u Knowledge Management Facilitating u Collaborative work F Human learning

47 Alain Mille47 PROLABO / Programmation de minéralisateur micro-ondes n Un programme de minéralisation est une sorte de recette (plan) n Plusieurs cas sources et/ou un cas prototype sont utilisés pour créer un cas source à réutiliser n L adaptation est guidée par les différences structurelles relevées avec le cas cible n Trois niveaux dadaptation : u Le niveau plan. u Le niveau étape. u Le niveau valeur.

48 Alain Mille48 Un programme de digestion une étape Une valeur

49 Alain Mille49 Plusieurs cas sources un cas prototype

50 Alain Mille50 Stratégie dadaptation Cas sources sélectionnés Découvrir le type de plan Théorie du domaine type de plan établir les différences cas cible différences expliquer les différences explications des différences Solution proposée substitution des : - étapes - variables -valeurs Démo

51 Alain Mille51 RADIX n Modélisation de lutilisation dun explorateur et des tâches de navigation et de recherche d information n Application à la recherche dinformation en internet et intranet, en réutilisant lexpérience personnelle n Partenaire industriel : Data Storage Systems by Chemdata

52 Alain Mille52 Radix : les modèles n Modèle d utilisation : tout événement « faisant sens » dans le cadre de l application (explorateur) (lien distant, lien local, retour, avance, signet, etc.) n Modèle tâche : une interprétation des actions : n Session unitaire (SU) : du début à la fin d un épisode de recherche d information n Tentative unitaire (TU) : une recherche cohérente autour d un sous-but particulier n Recherche Unitaire (RU) : un triplet état-transition-état passant d une « page » à une autre « page » de la recherche. n Vocabulaire utile (VU) : les termes « gagnants » pour décrire une page « utile » (portée RU, TU ou SU)

53 Alain Mille53 Illustration des modèles de Radix La session unitaire

54 Alain Mille54 Illustration des modèles de Radix TU et RU TU RU

55 Alain Mille55 Vocabulaire Utile Radix : connecter le modèle dutilisation et le modèle de tâche Trace dutilisation

56 Alain Mille56 ACCELERE

57 Alain Mille57

58 Alain Mille58

59 Alain Mille59

60 JColibri – Historique n Développé par le groupe GAIA (Group for Artificial Intelligence Applications, Univ. Complutense, Madrid) n Origines : u Colibri [Bélen Diaz-Agudo, 2002] u CBROnto u LOOM (Logiques de description) + LISP n JColibri u JAVA u Philosophie opensource u V1.0 beta

61 JColibri – Présentation n Framework de Prototypage rapide d'applications de RàPC n Approche tâches-méthodes. Deux types de méthodes : u Décomposition u Résolution n Connecteurs : u Fichiers texte u Bases de données u RACER u... n Génération d'applications autonomes

62 JColibri – Eléments clés n Possibilités de configurer : u Structure du cas u Connecteurs u Tâches/Méthodes u Types de données personnalisés u Mesures de similarité n Pas de base de connaissance !

63 JColibri – Possibilités d'extension n Développement de tâches/méthodes personnalisées u Description en XML (automatisé par JColibri) u Implantation en Java n Développement de mesures de similarité n Utilisation des composants supplémentaires fournis avec JColibri ou par d'autres membres de la communauté : u CRN u Racer u Composants personnalisés



66 Alain Mille66 Aspects de la similarité n K-plus proches voisins. n Agrégation. n Recherche selon point de vue. n Prise en compte de la dynamique dune séquence. n Approches inductives.

67 Alain Mille67 Représentation objet et Similarités Objet Technique PCStockageProcesseur MagnétiqueOptique disquettedisqueCD-ROM Prix : réel Capacité : réel Type : symbole Vitesse : réelTemps : réel

68 Alain Mille68 Calcul de similarités-1 K1K1 K2K2 K3K3 K4K4 K LKLK u Similarité intra-classes F propriétés communes entre deux objets. F similarité sur la classe commune la plus spécifique. F Sim intra =F(sim A1 (q.A 1,c.A 1 ), …, sim An (q.A n,c.A n )),

69 Alain Mille69 Calcul de similarités-2 n Sim(q,c)=Sim intra (q,c).Sim inter (class(q), class(c)) n Similarité inter-classes u Sim inter (K,K 1 ) > u Associer une similarité S i à chaque nœud F X,Y dans L ki, Sim inter (X,Y)>=S i u Sim inter (K 1,K 2 )= F 1 si K 1 =K 2 F S sinon OBJETS CONCRETS

70 Alain Mille70 Calcul de similarités-3 n Objet abstrait et requêtes u Sim inter (Q,C)= max {Sim inter (Q,C`)| C`dans Lc} F 1 si Q < C F S sinon n Objets abstraits u Sim inter (Q,C)= max {Sim inter (Q,C`)| Q` dans Lq, C`dans Lc} F 1 is Q < C ou C < Q F S sinon

71 Alain Mille71 Illustration simple sur un cas de vente dautomobiles doccasion n La base de cas est constituée dépisodes de vente n Le problème est décrit par les descripteurs du véhicule n La solution est le prix de vente réellement négocié

72 Alain Mille72 Descripteurs de cas

73 Alain Mille73 Élaboration / Ontologie du domaine

74 Alain Mille74 Elaboration / Règle =(corrosion superficielle) =>Bon

75 Alain Mille75 Élaborer : résumé n Affectation des descripteurs au nouveau cas. n Construire des descripteurs possédant une sémantique liée au problème. n Anticiper au maximum ladaptabilité des cas qui seront remémorés.

76 Alain Mille76 Exemple : Élaborer dans ACCELERE Synthèse : trouver une structure permettant de satisfaire des spécifications Analyse : trouver le comportement résultant dune structure particulière Évaluation : vérifier que le comportement est conforme à ce qui est attendu Assistance à la conception de caoutchouc Trois types de tâches à assister :

77 Alain Mille77 Le processus de production de caoutchouc stocker Paramètres Extruder Couper Vulcaniser Paramètres Mélanger Matières Premières Paramètres de fabrication

78 Alain Mille78 Synthèse d une structure pour atteindre les spécifications TESTS Analyse des résultats Un essai = un cas Concevoir un nouveau produit Plusieurs centaines dessais pour un produit Plusieurs mois de mise au point

79 Alain Mille79 Copie d écran Accelere Lancement de la déduction dindices supplémentaires = commencer à résoudre le problème sous contrainte dadaptabilité Aide à lélaboration..

80 Alain Mille80 But examiné: Dureté Shore 00 intérieur = Moyen Structure: NBR/PVC,Pcc = 100 Etat atteint: Dureté Shore 00 intérieur = Moyen Force Choc E=50J INTEREP selon EN = Moyen Similarité: 91% État désiré: Force Choc E=50J INTEREP selon EN = [Très bas, Bas] Dureté Shore 00 intérieur = [Moyen, Élevé, Très élevé] But examiné: Dureté Shore 00 intérieur = Elevé Structure: NBR,Pcc = 100 Etat atteint: Dureté Shore 00 intérieur = Elevé Force Choc E=50J INTEREP selon EN = INCONNU Similarité: 67% But examiné: Force Choc E=50J INTEREP selon EN = Très bas Structure: NR,Pcc = 100 État atteint: Dureté Shore 00 intérieur = Bas Force Choc E=50J INTEREP selon EN = Très bas Similarité: 83% État le plus proche atteint avec: Structure: NBR/PVC,Pcc = 100 Similarité: 91% Élaboration dindices

81 Alain Mille81 Exploitation pour la recherche..

82 Alain Mille82 Mesure de similarité n Se rappeler quelle doit être représentative de ladaptabilité ! n Littérature très abondante sur le sujet : u la base (Tversky) F Sim(a,b)= f(AB)/f(AUB) A = {caractéristiques de a} B = {caractéristiques de b} u Biblio : B. Bouchon-Meunier, M. Rifqi and S. Bothorel, Towards general measures of comparison of objects. Fuzzy Sets and Systems, vol. 84, n.2, p , 1996.Towards general measures of comparison of objects

83 Alain Mille83 Mesures de similarités n Prendre en compte la structure de cas(Mignot) n Mesures de comparaisons(Rifqi) u Mesure de similitudes u Mesures de dissimilarité n Prendre en compte des historiques & des séquences (Mille, Jaczynski, Rougegrez) n Etc.

84 Alain Mille84 Adaptation générative n trace de raisonnement = plan de résolution + justifications (+ alternatives + tentatives ayant échoué...) n moteur de résolution complet = système de résolution de contraintes, planificateur, recherche dans un espace détats, etc.

85 Alain Mille85 Résolution de contraintes n Cadre [HFI96] n Notion de réduction de « dimensionnalité » fondée sur l interchangeabilité et la résolution de contraintes. n Représentation explicite des degrés de liberté pour ladaptation : u 1) les contraintes liées aux anciens éléments de contexte ayant changé sont relâchées, u 2) on ajoute les contraintes liées aux nouveaux éléments de contexte. u 3) on résout le jeu réduit de contraintes. [HFI96] : Kefeng Hua, Boi Faltings, and Ian Smith. Cadre: case-based geometric design. Artificial Intelligence in Engineering, pages , 1996

86 Alain Mille86 Planificateur n On cherche un plan qui satisfasse aux mieux les buts à atteindre à partir de létat initial (état final proche). n Ce plan est généralisé (le moins possible) pour donner un état intermédiaire susceptible de conduire à létat final recherché. n A partir de cet état intermédiaire, on tente de terminer la planification. n En cas déchec, on remonte dans larbre des états pour généraliser un peu plus le plan...

87 Alain Mille87 Autres approches de ladaptation n Par recherche en mémoire et application de cas dadaptation : acquisition progressive de compétences dadaptation. n Par cycles itératifs de raisonnement à partir de cas : décomposition hiérarchique de ladaptation n Par létude des similarités de rôle des éléments dans le cas. n Selon un chemin de similarité

88 Alain Mille88 Évaluer/Réviser n L objectif est de faire le bilan d un cas avant sa mémorisation / apprentissage : n Vérification par introspection dans la base de cas. n Utilisation dun système de vérification (contrôle de cohérence globale, simulateur, etc.). n Retour du « monde réel ». intégration des révisions dans le cas

89 Alain Mille89 Révision : lexemple de CHEF* n CHEF est un système de planification. n Explication dun échec par instanciation dun arbre causal. n Réparation par des connaissances générales. n Échecs et succès guident linsertion dans la mémoire (mémoire dynamique). *CHEF est un exemple « historique »

90 Alain Mille90 Maintenir une base de cas Qualité des cas-1 n Heuristiques (Kolodner) u Couvrir la tâche de raisonnement. u Couvrir les situations de succès et les situations déchec. u Cas collectionnés dune manière incrémentale.

91 Alain Mille91 Maintenir une base de cas Qualité de cas-2 n Utilité u Par rapport à la performance. u Se débarrasser des connaissances inutiles. n Compétence u Couverture dun cas. u Accessibilité dun problème.

92 Alain Mille92 Maintenir une base de cas Modéliser la compétence-1 (Smyth) n Cas essentiels : dont leffacement réduit directement la compétence du système. n Cas auxiliaires : la couverture quil fournit est subsumée par la couverture de lun de ses cas accessibles. n Cas ponts : leurs régions de couverture feront la liaison entre des régions qui sont couvertes indépendamment par dautres cas. n Cas de support : cas ponts en groupe.

93 Alain Mille93 Maintenir une base de cas Modéliser la compétence-2 Compétence Auxiliaire, Support, Pont, Essentiel.

94 Alain Mille94 Organisation des cas n Mémoire plate u Indexation superficielle u Partitionnement de la mémoire u Extraction parallèle n Mémoire hiérarchique u Réseaux à traits partagés u Réseaux de discrimination

95 Alain Mille95 Réseaux de discrimination index1 index2index3 valeur1 valeuravaleurb valeur3 index4index5index6 valeur4valeur5valeur6 EG1 EG2 Mémoire dynamique de Schank cas1cas2 cas5

96 Alain Mille96 Apprendre des connaissances-1 Exemple : Protos (cas + indexation) CHAISE Chaise1 Chaise2 roulettesaccoudoirsmétalpiédestalsiègedossierpiedsbois

97 Alain Mille97 Apprendre des connaissances-2 Exemple : Protos (cas + indexation) CHAISE Chaise1Chaise2 Prototype fortPrototype faible Différence : accoudoirs, piédestal Différence : pieds accoudoirspiédestalsiègedossierpieds

98 Alain Mille98 Maintenance de la base de cas (Leake98) n Stratégies u Collecte des données F périodique, conditionnel, Ad Hoc. u Intégration des données F On-line, Off-line. n Activation de la maintenance F espace, temps, résultat de résolution. n Étendue de la maintenance F Large, étroite.

99 Alain Mille99 Approches connexes au RàPC Exemples, Instances & Cas n Raisonnement fondé sur la mémoire u Pas de théorie sur le domaine u Aucune tâche dinduction ou d abstraction n Apprentissage à partir dinstances u Instance = attribut-valeur u IBL (Aha), C4.5, ID5R(Quinlan) n Exemples typiques (exemplar) u Protos n RàPC conversationnel (Aha)

100 Alain Mille100 Intégration avec dautres approches n Exemple : Règles + cas u Mode dintégration F Coopératif F Intégration des règles dans le RàPC u Creek (Aamodt), Cabata (Lenz) n Mode coopératif u A qui donner la main ? F Degrés de confiance F Selon type de cas

101 Alain Mille101 Exemples doutils et application n Loutil Orenge ( Loutil Orenge ( n Kaidara ( Kaidara ( n CaseBank ( n Lenvironnement JColibri Lenvironnement JColibri n Loutil Remind Loutil Remind n Loutil CBR-tools Loutil CBR-tools n Application Prolabo Application Prolabo n Application Interep Application Interep n Application Radix Application Radix

102 Alain Mille102 Outil CBR*Tools n Action AID, INRIA Sophia-Antipolis n M. Jaczynski & B. Trousse n Constat : Manque douverture des outils existants (modification, ajout de composants difficile ou impossible) n Nouveau type doutil en RàPC : Plate- Forme a objets (en Java) n Architecture - Points douverture n Modèles a objets - Explication en termes de patrons de conception n Contact:

Télécharger ppt "From Case-Based Reasoning to Traced Experience Based Reasoning An introduction Alain Mille SILEX (Supporting Interactions & Learning by Experiences LIRIS."

Présentations similaires

Annonces Google