Prise en compte de la pertinence et de la sincérité d’un décideur dans la déclaration d’objectifs industriels  une modélisation par la théorie des possibilités.

Slides:



Advertisements
Présentations similaires
Les processus.
Advertisements

Étude de marché - 02 Formulation des objectifs et du problème de recherche.
Auteur : Patrice LEPISSIER Les probabilités  Notions de base Notions de base  Variable aléatoire Variable aléatoire  La loi Normale La loi Normale.
Comparing color edge detection and segmentation methods Projet TIM.
Généralisation de la comparaison de moyennes par Analyse de la variance (ANOVA)
Adopter le KM mix pour obtenir ou renforcer le leadership Préparé par: Ilham ELKORCHI Meriem NASIRI Mohammed BENMRAH Encadré par: Ouidad AMRANI.
LA PLANIFICATION ET LE CONTRÔLE DES OPÉRATIONS SÉANCE 3 GOP.
Un système autonomique basé sur des bases de connaissances pour améliorer les performances d’un entrepôt de données Réalisé par : OUSSAFI MOHAMMED HOURRI.
Qui produit les richesses ? Enseignement d’exploration Sciences Economiques et Sociales. Classe de Seconde. 2016/2017. Lycée Saint-François Notre-Dame.
Les rprésentation des signaux dans le cadre décisionnel de Bayes Jorge F. Silva Shrikanth S. Narayanan.
1 METHODE DEMPSTER-SHAFER Présenté: Guy Richard SAMEDY MASTER M2 RECHERCHE INFORMATIQUE UE : Cognition et Connaissance INSA de Lyon ( )
Et maintenant, le mode : fastoche !
MODÉLISATION chapitre 4
Système d’aide à la décision Business Intelligence
COMPRENDRE LES NIVEAUX D’ACQUISITION D’UNE COMPÉTENCE
Suites ordonnées ou mettre de l’ordre
Analyse, Classification,Indexation des Données ACID
Le suivi évaluation : de quoi s'agit-il et à quoi cela sert-il ?
e-Prelude.com Analyse globale du flux
Statistiques descriptives univariées
Les distributions en classes
Le travail personnel de l’élève
Chapitre 4: Variation dans le temps
Réalisé par : Ghilani Idriss Butadjine Oussama Rahmani Khaled
Information et Système d’Information
Loi Normale (Laplace-Gauss)
LES INDICATEURS DE SANTE INDICATEURS DE SANTE Pr. KELLIL M.
Cours d’économie 1ère année LEA
Acquisition et apprentissage du français langue étrangère
Cyber-Sphinx Séance 2.
Les plans de mélange Les plans d’expérience : Présentée par :
Introduction aux Statistiques Variables aléatoires
Les indicateurs et la modélisation trophique dans l’approche écosystémique des pêches : une application au suivi des ressources marines de la Guinée. Par.
Technologies de l’intelligence d’affaires Séance 12
1/6 Exercice 6 – Unité de production de vapeur Exercice 6 – Unité de production de vapeur  Le schéma de principe d’une unité de production de vapeur (UPV)
Les TD en première et terminale.
Cyber-Sphinx Séance 2.
Calculs des incertitudes Lundi 30 Avril 2018 Master de Management de la Qualité, de la Sécurité et de l’Environnement.
OBJET PROBLÉMATIQUE BIBLIOGRAPHIE Méthodologie de la recherche en Sciences de l’information et de la communication.
GPAO - CH - III1 1. Introduction 2. Les objectifs de la gestion du stock 3. Les différents types de stocks 4. L’optimisation du niveau de stock 5. Les.
Royaume de Maroc Université Hassan Premier Settat Faculté des Sciences et Techniques de Settat LA CLASSIFICATION K-MEANS SOUS R /MATLAB Master :Automatique.
Chapitre2: SGBD et Datawarehouse. On pourrait se demander pourquoi ne pas utiliser un SGBD pour réaliser cette structure d'informatique décisionnelle.
Apports de la statistique spatialisée
La thèse Quelques conseils
Présentation 3 : Sondage aléatoire simple
AIAC GEET-12 Année : Régulation Industrielle: Programme M.BAHATTI.
Définir des objectifs d’apprentissage
Centre d’études et de recherches sur les qualifications
Niveau 2 : Tables de plongée
Chapitre 1 Formulation d’un programme linéaire (PL) Georges Abboudeh BUST 347.
BUFFER CIRCULAIRE Meryem EL BAKRI. PLAN Introduction Buffer circulaire Fonctionnement.
Contribution du LHyGeS
Stress au travail et processus impliqués
1/6 Exercice 6 – Unité de production de vapeur Exercice 6 – Unité de production de vapeur  Le schéma de principe d’une unité de production de vapeur (UPV)
LES AXES TRAITÉS : DÉFINITION D’ÉVALUATION L’ÉVALUATION PEDAGOGIQUE FONCTION DE L’ÉVALUATION CARACTERISTIQUES DE L’ÉVALUATION TYPES D’ÉVALUATION CONCLUSION.
Programme d’appui à la gestion publique et aux statistiques
Conception cartographique
IV- CORRECTION A AVANCE DE PHASE
Passage primaire-secondaire
Statistiques et probabilités
GEOMETRIE VECTORIELLE
LES INDICATEURS DANS LA DÉMARCHE LEAN 1 PPH PPM MP M TRS.
Chapitre I Modélisation optimisation
Boulain Joris, Handouz Yassine, Regnier Fabien, Giraud Antoine
Les TD en première et terminale.
PROGRAMMATION SCIENTIFIQUE EN C
TRS piloter et optimiser votre outils de production Constantine 06 Juillet 2019 Le TRS : outil de la performance industrielle.
DONNÉE DE BASE QM Manuel de formation. Agenda 2  Introduction  Objectif de la formation  Données de base QM: Caractéristique de contrôle Catalogue.
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES.
Introduction à l’évaluation d’impact Préparé par : SAADI AYOUB Master : EEPP.
Transcription de la présentation:

Prise en compte de la pertinence et de la sincérité d’un décideur dans la déclaration d’objectifs industriels  une modélisation par la théorie des possibilités Lamia Berrah, Jacky Montmain, Vincent Clivillé, Laurent Foulloy Gilles Mauris LISTIC, Université Savoie Mont Blanc LGI2P Ecole des Mines d’Alès ROADEF Marseille 25 Février 2015

Plan Introduction des concepts Illustrations simples objectifs intervalles Utilisation de la théorie des possibilités Conclusions/Perspectives

Formuler les attentes sur le système : déclarer les objectifs Introduction Contexte de la décision en milieu industriel Processus structuré de décision pour définir les actions à mener sur le système pour quil réponde aux attentes du/des décideur(s) Formuler les attentes sur le système : déclarer les objectifs

Introduction L’objectif représente le point de vue du décideur sur l’état souhaité pour le système au terme des actions à mener L’objectif déclaré intègre donc l’attitude du décideur par rapport à la situation de décision

Déclaration d’un objectif - Une variable - Une valeur précise ou imprécise - Un horizon Exemple: objectif de quantité à produire de 10 000 produits sur le mois Hypothèses: les objectifs doivent être atteignables et leurs degrés d’atteinte mesurables

Attitude du décideur Proposition de la caractériser par des méta-connaissances renseignées par un observateur, par exemple le supérieur hiérarchique Hypothèse : l’observateur est capable de corriger l’objectif déclaré en fonction des ces connaissances sur le décideur

Métaconnaissances considérées Deux métaconnaissances considérées dans un premier temps: Sincérité qui correspond à une déclaration ni surévaluée ni sous-évaluée de l’objectif Pertinence qui correspond à une déclaration ni trop précise ni trop imprécise de l’objectif

Correction Sincérité Responsable de Production: Objectif productivité : TRS=[78%;82%] p 1 o 78% 82% Directeur Industriel sur la base d’une métaconnaissance exacte du RP fait une correction (e.g. +5%): Objectif Cor=[78%+5%;82%+5%] p 1 o 83% 87% Directeur Industriel sur la base d’une métaconnaissance imprécise du RP fait une correction (+5 à7%): Objectif Cor=[78%+5%;82%+5%] p 1 o 83% 89%

Correction Pertinence Responsable de Production: Objectif TRS=[78%;82%] p 1 o Directeur industriel sur la base d’une métaconnaissance exacte du RP fait une correction (élargissement 6% de l’objectif): Objectif Cor=[75%;85%] 78% 82% p 1 o 75% 85% Directeur industriel sur la base d’une métaconnaissance imprécise du RP fait une correction élargissement entre 6 et 8 % p 1 o 73% 87%

Correction Sincérité et Pertinence Responsable de Production: Objectif TRS=[78%;82%] p 1 o Directeur industriel sur la base des deux métaconnaissances exactes du RP cumule les corrections Objectif Cor=[80%;90%] 78% 82% p 1 o 80% 90% Directeur industriel sur la base des deux métaconnaissances imprécises du RP cumule les corrections Objectif Cor=[76%;94%] p 1 o 76% 94%

Utilisation de la théorie des possibilités L’intervalle est un modèle simpliste qui ne permet pas de distinguer les valeurs qu’il contient Pour l’objectif le décideur peut préférer certaines des valeurs (e.g. 80%) Pour les corrections elles sont souvent approximatives, ajouter environ .. La théorie des possibilités est adaptée à la prise en compte des connaissances qualitatives

Expressivité de la théorie des possibilités Parfois les décideurs déclarent l’objectif sous la forme d’un intervalle avec des bornes imprécises (à 10% par ex.) La représentation possibiliste trapezoidale suivante est bien adaptée (cas pas facile en probabilité!) p p 1 1 a-0.1a a+0.1a b-0.1b b+0.1b a-0.1a a a+0.1a

Arithmétique possibiliste Approche classique de Zadeh Propagation de distributions de forme quelconque Equivalent à l’arithmétique d’intervalles pour chaque alpha coupe => En général calculs complexes

Exemple d’une somme 1 3 5 4 8 12 7 + = p1 p2 p1+ p2

Arithmétique possibiliste paramétrée La forme L-R est invariante pour les opérations arithmétiques et des formules existent pour relier les 4 paramètres a,b,a,b Modélisation des distributions par 2 fonctions L-R Exemple de fonction L-R: droite, exponentielle, parabole,… a b a-a b+b p 1

Exemples précédents en possibilité 1 Objectif TRS o 78% 82% Correction « Sincérité » p 1 o 80% 90% Correction « Sincérité » et « pertinence » p 1 o 76% 94%

Deux métaconnaissances et leurs effets Conclusions Deux métaconnaissances et leurs effets Sincérité et pertinence -Effet de translation et de dilation définis par DI Modèle possibiliste - Sur l’objectif et les effets - Expressif par rapport aux connaissances disponibles - Traitements simples

Conclusions/Perspectives Autres types de correction que l’attitude du décideur (situation de l’entreprise) Apprentissage des métaconnaissances? Extension de cette métaconnaissance aux expressions de performance, p = f(o,m) Traitement des métaconnaissances par d’autre approches (croyances, règles floues)