1 Structuration des connaissances et des savoir-faire pour lamélioration du système de production Université Louis Pasteur de Strasbourg Ecole Nationale Supérieure des Arts et Industries de Strasbourg Laboratoire de Recherche en Productique de Strasbourg Thierry ERBEJA Soutenance de Thèse de doctorat Strasbourg, le 21décembre 2001

2 Plan de lexposé 1Contexte et problématique 2Limites des outils de Classification Automatique 3Présentation de la méthode 4Conclusion et perspectives

3 Contexte et problématique Capitaliser un savoir-faire à partir de lexistant Le domaine dapplication : Les entreprises manufacturières Objectif : Se recentrer sur son savoir-faire et le capitaliser Le support du savoir-faire : Les homme et aussi les données accumulées par lentreprise La question : Comment exploiter les données de lentreprise pour identifier les savoir-faire et améliorer le système de production ? Moyen : La catégorisation

4 Contexte et problématique Exemple : améliorer le processus de conception Commande Ensemble des plans = ensemble des cas traités par lentreprise Les commandes se ressemblent souvent Pourtant à chaque commande on recommence le processus de conception Capitaliser un savoir-faire à partir de lexistant e Conception Plan

5 Contexte et problématique Exemple : Utiliser lexistant pour améliorer le processus de conception Représentation Réduire la diversité inutile et « standardiser » Capitaliser le savoir-faire Amélioration du processus de conception Capitaliser un savoir-faire à partir de lexistant

6 Contexte et problématique Démarche de catégorisation : difficultés et limites Définir les objectifs de la catégorisation Définir une représentation des objets Classifier les objets Valider les familles XXXX-XX-XX XX XX-X-XX-X-X-X- Forme Fonction Dimensions Tolérances Quantité BrutComplexité XXXX-XX-XX XX XX-X-XX-X-X-X- Forme Fonction Dimensions Tolérances Matière Quantité BrutComplexité

7 Contexte et problématique LAnalyse Typologique un outil pour les processus de catégorisation industriels ? Connaissances supplémentaires Analyse de la cohérence Intégration dans le processus de classification Définir les objectifs de la catégorisation Définir une représentation des objets Classifier avec un outil dAnalyse Typologique Valider les familles Experts de lentreprise Analyste

8 Contexte et problématique Problématique Comment accélérer le processus de catégorisation des données techniques pour la capitalisation des savoir-faire et lamélioration du système de production ? Pourquoi les méthodes dAnalyse Typologiques sont-elles inefficaces ? Peut-on expliquer le cycle de classification ? Peut-on sen affranchir ? Dautres méthodes de Classification Automatique sont-elles plus efficaces ? Utiliser un Outil de Classification Automatique

9 Limites des outils de Classification Automatique Une méthode de classification élémentaire Objectif de la catégorisation Critère dévaluation de la pertinence dune classification Chercher la partition qui optimise ce critère Le critère des experts : en partie implicite Les critères des méthodes dAnalyse Typologique ?

10 Limites des outils de Classification Automatique Principe des méthodes dAnalyse Typologiques Algorithme de formation des groupes Partition des données abcd a b c d Ts v1v2v3 a143 b153 c584 d384 Td Tableau de données Tableau de similaritéP*=max F(Ts, P)

11 Limites des outils de Classification Automatique Limites des méthodes dAnalyse Typologique 1 Le langage de représentation des objets 2 Lindice de similarité une fonction régulière des attributs 3 Des méthodes heuristiques pour former les groupes 4 Le réglages de nombreux paramètres Des méthodes qui utilisent de nombreuses hypothèse : les biais de classification Des biais de classification souvent implicites Deux méthodes différentes donnent des résultats différents Il nexiste pas de modèle analytique

12 Cas idéal : homgènes et isolés Cas difficile isolées mais pas homogènes homogènes mais pas isolées Limites des outils de Classification Automatique Limites des méthodes dAnalyse Typologique Exemple de paramètre : la dualité homogénéité isolation Classification logique et empirique V2 V1 V3 abcd a b c d Ts

13 Limites des outils de Classification Automatique Lhypothèse de similarité Dans quelle mesure ces méthodes peuvent-elles découvrir des concepts du domaine ? V1V2V3 a135 b136 c132 V1V2V3 V1V2V3 w C1 w w C2 w Td1 Td2 1Il existe une relation simple entre les propriétés qui définissent les concepts et les attributs descriptifs V1V2V3 a012 b107 c03 C = { w U tels que V1 = 1 et V2 = 3 }D = { w U tels que V1 2 + V2 2 = 1 } 2 Linformation est redondante

14 Limites des outils de Classification Automatique Interprétation du cycle de classification Le cycle de classification admet essentiellement deux origines Les biais de classification Le principe de la classification empirique nest pas celui utilisé par les experts Les hypothèses, souvent implicites et liées au fonctionnement du système, sont étrangères aux experts Lincomplétude des données Lobjectif ne permet pas de définir les critères de classification Les experts ne sont pas experts de leur savoir-faire Cest un processus double Dextraction et daffinement de connaissances Les experts verbalisent et confrontent leur savoir Ils progressent par essais erreurs De formulation du savoir-faire sous une forme exploitable par les système dAnalyse Typologique

15 Limites des outils de Classification Automatique Dautres méthodes de Classification Automatiques La Classification Conceptuelle Cluster Un langage plus évolué et moins contraignant pour la représentation des objets La prise en compte de connaissances supplémentaires Regrouper les objets parce quensemble ils forment une classe que lon peut décrire Cobweb Un algorithme efficace Optimise un critère assimilable à une mesure de similarité. Les réseaux de neurones Les cartes de Kohonen Une adaptation des méthodes de réallocation utilisée en Analyse Typologique Les algorithmes génétiques Des méthodes doptimisation qui utilisent des critères issues de lAnalyse Typologique

16 Limites des outils de Classification Automatique Les approches interactives h = h + 1 h = 0 NON FINOUI Phase de calcul Phase de dialogue Construction de la proposition Ph Evaluation de la proposition Ph validation de la proposition Ph Recueil dinformations supplémentaires

17 Limites des outils de Classification Automatique Les approches interactives Les approches de type boîte noire Intégrer dans le système de classification automatique un système expert qui va remplacer lanalyste Les approches de type boîte en verre Guider la démarche de correction des erreurs Le système doit pouvoir expliquer pourquoi il trouve un résultat Essentiellement des approches qui aident les experts à sadapter à loutil Une approche efficace des problèmes de catégorisation pour la capitalisation dun savoir-faire à partir de lexistant interactive 1 Prendre en charge le cycle de classification 2 Améliorer les étapes danalyse et dintégration des connaissances supplémentaires

18 Présentation de la méthode Principe Connaissances supplémentaires Analyse de la cohérence Intégration dans le processus de classification Définir les objectifs de la catégorisation Définir une représentation des objets Classifier avec un outil dAnalyse Typologique Valider les familles Experts de lentreprise Analyste

19 Présentation de la méthode Les règles de regroupement : la cohabitation Les objets tels que d1 : L/D=0 et US=6 ou 8 d2 : US=1 ou 5 doivent cohabiter TdL/DFEFIUSFO a01565 b01186 c04486 d22132 e15648 f22111 g00352 h04486 I05255 J05275

20 Présentation de la méthode Les règles de regroupement : lexclusion Les objets tels que d1 : L/D=0 et FE=1 ou 4 d2 : L/D=0 et FE=0 ne doivent pas cohabiter d3 : L/D=0 et FI=2 et FO=5 TdL/DFEFIUSFO a01565 b01186 c04486 d22132 e15648 f22111 g00352 h04486 I05255 J05275

21 Présentation de la méthode Les règles de codification : regroupement de modalités Si L/D=0 alors les modalités FI=1 et FI=4 peuvent être groupées en une seule FI=N pour comparer deux pièces Contextegroupe 1 relation entre les deux groupes groupe 2 TdL/DFEFIUSFO a01565 b01186 c04486 d22132 e15648 f22111 g00352 h04486 I05255 J05275 TdL/DFEFIUSFO a01565 b01N86 c04N86 d22132 e15648 f22111 g00352 h04N86 I05255 J05275

22 Présentation de la méthode Exemple de base de règle formalisée Descriptions D Lien l R1 ( L/D = { } ;NA) R5 (L/D=0 FE={1, 4} ; L/D=0 FE=0 ; L/D=0 FI= 2 FO=5;NA) R6 (L/D=0 FE=0 FI=1 US=0 FO=0;A) R7 (L/D=0 FE=0 FI=1 US=0 FO=0;F) R8 (L/D=0 FE=7;D) R9 (L/D=0 FO=6;A) R10 (L/D=0 FE=7 FO=6;A) R11 (L/D=0 FE#7 FO=6;A) R12 (L/D=0 US=6;A) R13 (L/D=0 FE=1 FI=1 US=0 FO=0;F) R14 (L/D=0 FE={1, 4} FI=1 US=0 FO=2;F) R15 (L/D=0 FE=4 FI=4 US=0 FO=0;D) R16 (L/D=0 FE=0 FI=0 US=0;A)

23 Présentation de la méthode Evaluation des règles de codification 1 Mesure de lutilité 2 Mesure de la redondance 3 Union et cohérence Fc1 L/DFEFI a-N1- b--- c- - d- - e--- Fc2 L/DFEFI a--- b-N2- c- - d--- e--- Fce L/DFEFI a-N1- b-N2- c- - d-N1- e--- = 4 Syntaxe des règles de regroupement

24 Présentation de la méthode Fonction dappartenance des règles de regroupement R1 ( p1, p2, p3 ; A) avec ext( p1 ) = { b, c } ext( p2 ) = {f, g } ext( p3 ) = { i }

25 Présentation de la méthode Fonction dappartenance des règles dexclusion R2 ( p1, p2 ; A) avec ext( p1 ) = { b, c, d } ext( p2 ) = {g, h,i }

26 Présentation de la méthode Evaluation de la base de règles de regroupement 1 Utilité 2 Redondance 3 Union et incohérences directes abcde a b c d e Ar1 abcde a b c d e Ar2 = abcde a1 010 b 10 0 c d1 110 e U

27 abcd a1110 b c11 10 d0001 Présentation de la méthode Evaluation de la base de règles de regroupement 4 Compatibilité avec la structure de partition abcd a11-0 b c d00-1 abcd a1100 b11 00 c0011 d0011 U1 compatible P1P2 abcd a10-1 b c0- 01 d0--1 U2 NON compatible Fermeture réflexive Fermeture symétrique Fermeture transitive

28 Présentation de la méthode Stratégie danalyse de la fonction dappartenance experte

29 Présentation de la méthode Cohérence des règles de regroupement et de codification abcd a2550 b25 78 c50 56 d7856 Ts abcd a6045 b60 78 c45 56 d7856 Tse abcd a b c -5 0 d 00 Ts - = abcd a10 b1 - c0 - d-- Ac abcd a00 b0 1 c0 - d1- Ae = abcd a 0 b 1 c0 - d1- CRC

30 Présentation de la méthode Intégration de linformation issue des règles dans le processus de classification automatique abcd a b c d Tse abcd a100- b01-1 c0- 1- d-1-- Ae abcd a b c d Tsec = ise Ae isec s 0=Smin s 1=Smax s -=s

31 Conclusion et perspectives Implémentation dun logiciel prototype Une première validation sur un cas industriel Avons nous répondus aux objectifs ? Analyse des limites des outils dAnalyse Typologique. Définition des caractéristiques dun outil de Classification Automatique efficace dans le contexte de la catégorisation pour la structuration des savoir-faire à partir de lexistant. Définition dune méthode adaptée aux processus de catégorisation pour la structuration des savoir-faire à partir de lexistant. Conclusion Intérêt de la démarche Orientée vers les utilisateurs, la méthode tente de sadapte aux experts et non linverse. Une réponse au problème du choix de la similarité en Analyse Typologique. Une réponse à labsence de guide méthodologique pour lintégration des connaissances supplémentaires dans un processus dAnalyse Typologique Limites Toutes les connaissances supplémentaires ne sont pas formalisées. Un formalisme contraignant de représentation des objets. Difficultés pour identifier les règles à lorigine des incohérences indirectes

32 Améliorer lexpressivité du formalisme de représentation des connaissances Etendre lexpérimentation à dautres domaines. Travailler en intention au niveau des règles Définir des outils de suivi du cycle de classification pour améliorer la convergence Aborder les problèmes de classement Etude de la structure de lespace des fonctions dappartenance. Conclusion et perspectives Perpectives