Chapitre III : Les Systèmes experts Les systèmes experts

Chapitre III : Les Systèmes experts Les systèmes experts
Intelligence Artificielle Chapitre III Les systèmes experts EPSI / Montpellier - Cycle CSII 2A EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Chapitre III : Les Systèmes experts
Définition Un système expert est un programme qui consiste à reproduire le comportement d'un expert humain dans un domaine particulier, en effectuant, selon une démarche intellectuelle, une tâche de résolution de problèmes pour laquelle une solution algorithmique est difficilement réalisable. EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Les systèmes experts A quoi sert un système expert ?
Les systèmes experts ont pour rôle d'assister l'homme dans un domaine où est reconnue une expertise humaine traduite par des connaissances : Ayant un volume important Plutôt qualitatives Parfois incertaines, imprécises et/ou assujetties à des révisions Insuffisamment structurées pour être traitées par une approche algorithmique

Portée et domaines d’applications EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Les systèmes experts Architecture Principe
Séparer les connaissances propres au domaine des mécanismes logiques d’interprétation de ces connaissances Composantes essentielles Base de connaissances Moteur d’inférences Module d’acquisition des connaissances Interface utilisateur Module d’explication

Les systèmes experts Moteur d’inférences Fonctionnement Cycle de base
Résolution de problèmes par l’exécution d’une séquence d’un cycle de base dit cycle d’EVALUATION-EXECUTION Cycle de base Cycle en 3 phases : 1. Filtrage 2. Résolution de conflits 3. Exécution EVALUATION EXECUTION

Les systèmes experts Moteur d’inférences Caractéristiques
Modes de raisonnement Chaînage avant : raisonnement dirigé par les faits Chaînage arrière : raisonnement dirigé par les buts Rôle des variables : Moteur d’ordre 0 : sans variables Moteur d’ordre 0+ : avec variables globales Moteur d’ordre 1 : les variables portent sur les arguments Moteur d’ordre 2 : les variables portent sur les prédicats Type de contrôle Contrôle irrévocable : pas de retours possibles sur un choix fait lors de la résolution de conflits Contrôle par tentatives : possibilité de revenir, lors de la résolution de conflits à un point de déduction précédent pour faire un autre choix (backtracking) Pérennité des faits : Logique monotone : pas de suppression des faits Logique monotone : suppression possible des faits Implémentation de la négation : Monde clos : négation par l’absence (Les assertions qui ne sont pas explicitement présentes dans la BF sont fausses) Monde ouvert : négation par la présence de not dans la BF (toute assertion doit être explicitée dans la BF)

Les systèmes experts Moteur d’inférences Caractéristiques
Résolution des conflits : stratégies Première règle rencontrée Règle qui a la moins servis Règle la plus prioritaire Règle la plus complexe Règle la moins complexe Règle la plus prometteuse Règle la plus fiable Règle la moins coûteuse etc.

Les systèmes experts Moteur d’inférences Outils de développement
Langages classiques C, Fortran, etc. Langages objets C++, Smalltalk, etc. Langages IA Prolog, Lisp Générateurs (shell) de systèmes experts Clips, FuzzyClips, Kappa, etc.

Les systèmes experts Moteur d’inférences Outils de développement

Les systèmes experts Moteur d’inférences
Modes de raisonnement (types d ’inférences) 2 modes de base Chaînage avant Chaînage arrière 2 modes combiné Chaînage mixte Chaînage bidirectionnel Ils induisent certaines différences dans le cycle de base

Les systèmes experts Moteur d’inférences Chaînage avant Principe
On part à partir des données initiales et on essaye d’en déduire de nouvelles On s’arrête quand aucune règle n ’est applicable Inconvénients On doit fournir toutes les informations disponibles même si elles ne sont pas pertinentes Processus non interactif Peut conduire à une explosion combinatoire Utilité Interprétation d’une série de faits Vérification des conséquences d’un événement

Les systèmes experts Moteur d’inférences Chaînage arrière Principe
On cherche à prouver un but (idem démonstration de théorèmes) Les règles sélectionnées sont celles qui aboutissent au but recherché Les conditions non vérifiées des règles déclenchées deviennent elles mêmes des sous buts à vérifier On s’arrête quand le but est atteint Avantages Le système ne pose que des questions pertinentes Interactivité Espace de recherche moins important

Les systèmes experts Moteur d’inférences Chaînage arrière
Inconvénients Peut conduire à un blocage Pour démontrer A il faut démontrer B Pour démontrer B il faut démontrer A Utilité Décomposition facile du problème en sous problèmes

Les systèmes experts Moteur d’inférences Chaînage mixte Principe
Combiner les deux chaînages avant et arrière 1. Chaînage avant : obtenir les informations suffisantes pour émettre une hypothèse 2. Chaînage arrière : vérifier l ’hypothèse émise lors du chaînage avant Une règle peut être utilisée en chaînage avant ou en chaînage arrière Avantage Optimiser la recherche et améliorer le raisonnement

Les systèmes experts Moteur d’inférences Chaînage bidirectionnel
Principe Il existe deux type de règles Règles dites « avant » utilisées en chaînage avant Règles dites « arrière » utilisées en chaînage arrière Avantage Optimiser la recherche et améliorer le raisonnement

Raisonnement en chaînage avant Raisonnement : dirigé par les faits, déductif Paramètres d’entrée : la base de règle (BR), la base de faits (BF) Déclencheur : partie gauche de la règle (hypothèses) Cycle de base : Pour toutes les règles R de BR 1. Examiner si R est déclenchable : toutes ses hypothèses sont satisfaites (contenues dans BF) 2. Si oui, insérer R en haut ou en bas (selon les stratégies de résolution de conflits) de la liste des règles déclenchables (LRD) Répéter Jusqu’à LRD soit vide Soit Ra la première règle de LRD Retirer Ra de LRD puis exécuter son membre droit Pour toutes les règles Rb de (BR-LRD) Si Rb est déclenchable alors insérer Rb dans LRD

Raisonnement en chaînage avant Cycle de base : cas de Clips Pour toutes les règles R de BR Si le membre gauche de R est vérifié Alors insérer R dans l’agenda selon la stratégie de résolution des conflits (salience, set-strategy [breadth, depth, simplicity, complexity, etc.]) Répéter Soit Ra la première règle de l’agenda Retirer Ra de l’agenda puis exécuter son membre droit Pour toutes les règles Rb de (BR  agenda) Si le membre gauche de Rb est vérifié Alors insérer Rb dans l’agenda selon la stratégie de résolution des conflits Jusqu'à ce que l’agenda soit vide

Raisonnement en chaînage avant Exemple d’algorithme Procédure CHAINAGE-AVANT Début Répéter REGLE_DECLENCHABLE := DECLENCHEMENT(ensemble des règles) Jusqu’à non REGLE_DECLENCHABLE; Fin CHAINAGE-AVANT Fonction DECLENCHEMENT (ensemble des règles) : booléen; DECLENCHE := Faux ; Pour toute règle appartenant à l’ensemble des règles Tant que non DECLENCHE faire Si TEST-SI(règle) Alors DECLENCHE := APPLICATION(règle) Fin Pour; Retourner(DECLENCHE) ; Fin DECLENCHEMENT

Raisonnement en chaînage avant Exemple d’algorithme Fonction TEST-SI(règle) : booléen; Début TEST := Vrai ; Pour tout élément de la partie Si de la règle Tant que TEST faire Si élément appartient à la base de faits Alors TEST := Vrai; Sinon TEST := Faux; Fin Pour; Retourner(TEST) ; Fin TEST-SI

Raisonnement en chaînage avant Exemple d’algorithme Fonction APPLICATION(règle) : booléen; Début APPLIQUE := Faux ; Pour tout élément de la partie Alors de la règle Si élément n’appartient pas à la base de faits Alors APPLIQUE := Vrai; ajouter l ’élément à la base de faits; Fin Si; Fin Pour; Retourner(APPLIQUE) ; Fin APPLICATION

Raisonnement en chaînage arrière Raisonnement : dirigé par les buts Paramètres d’entrée : la base de règles, la base de faits, le but initial à prouver (B) Déclencheur : partie droite de la règle (conclusions) Cycle de base : Répéter Fixer le but courant à prouver (B au départ) Examiner les règles (LDR) concluant sur le but courant Si LDR est vide Alors Demander la réponse à l’utilisateur Si la réponse est positive Alors le but courant est prouvé Sinon Arrêt Sinon Sélectionner une règle de LDR Appliquer la règle Si les prémisses de la règle sont vérifiés Alors le but courant est prouvé Sinon les prémisses de la règle deviennent de nouveaux sous-buts à atteindre Jusqu’à ce que le but initial soit atteint

Raisonnement en chaînage arrière Algorithme Procédure CHAINAGE-ARRIERE(liste des buts à vérifier) Début Si liste est vide Alors arrêt Sinon F = premier fait de la liste; Si VERIFICATION (F) Alors Afficher F comme vérifié; CHAINAGE-ARRIERE (reste de la liste); Fin; Sinon CHAINAGE-ARRIERE (reste de la liste); Fin Si; Fin CHAINAG-ARRIERE

Phase de filtrage : optimisation Temps nécessaire à la constitution de l’ensemble de conflits T = k * (NR*NF*NFM) k : temps nécessaire à la comparaison entre un filtre et un fait quelconque NR : nombre de règles NF : nombre de faits NFM : nombre moyen de filtres par déclencheur Nécessité d’optimiser cette phase par la mise au point de : Techniques de compilation de la base de connaissances Techniques de partition de la base de règles : distinction de différentes classes de règles (règles de déclenchement, règles d’inférences, règles d’affinement, etc.)

Phase de filtrage : optimisation Techniques de compilation de la base de conniassances Objectif : optimiser le temps nécessaire à la constitution de l'ensemble de conflits Phases : Déterminer pour chaque règle un ensemble de tests élémentaires dont la satisfaction signifie que la règle est déclenchable (exemples : longueur des éléments d'un filtre , position des termes constantes, etc.) et en déduire les tests qu'il faut appliquer à tout fait qui sera comparé au filtre Identifier les différentes occurrences des mêmes tests dans chaque ensemble de tests ainsi déterminé Organiser un réseau global de tests en rassemblant en un seul les tests élémentaires communs à plusieurs règles

Phase de filtrage : optimisation Techniques de partition de la base de règles Nécessite de définir : Des règles stratégiques qui déterminent comment on utilise les règles : des métarègles Les métarègles utilisent plutôt le contenu des règles que leur structure Les métarègles sont des métaconnaissances : des connaissances sur des connaissances

Phase de filtrage : optimisation Techniques de partition de la base de règles Exemples de métarègles (règles stratégiques): Si le patient est un hôte à risque Et il existe des règles qui mentionnent des pseudomonlas dans une de leur conditions Et il existe des règles qui mentionnent des kiebsiellas dans une de leurs conditions Alors il faut utiliser les premières avant les secondes Si l'on cherche une thérapie Alors il faut considérer les règles qui permettent de : 1- Acquérir les informations cliniques sur le patient 2- Trouver quels organismes, s'il en existe, sont causes de l'infection 3- Identifier les organismes les plus vraisemblables 4- Trouver tous les médicaments potentiellement utiles 5- Choisir les plus adaptés en plus petit nombre

Les systèmes experts Générateurs de systèmes experts
Synonymes : noyau, coque, shell Définition : Système d’acquisition des connaissances permettant à un expert humain (appuyé par un cogniticien) d ’écrire un système expert dans son domaine d ’expertise Composantes Une interface homme-machine permettant de mettre des règles écrites en langage pseudo-naturel sous forme de clauses Un moteur d’inférences Un ensemble d’outils logiciels pour contrôler les différentes étapes de la réalisation du système expert Editeurs spécialisés pour la gestion des connaissances Dictionnaires des connaissances Traceurs pour l’explication du raisonnement Utilitaires de maintien de la cohérence et de compilation de la base de connaissances Modules d’apprentissage automatique

Outils pour la gestion des connaissances Maintien de la cohérence Exemples de tests de validation Redondance Bouclage Si A Alors C,D (1) Si A Alors C,D,E (2) La règle (1) est redondante Si A Alors E (1) Si E Alors B,F (2) Si B,F Alors A (3) Les règles (1), (2), (3) sont en boucles

Outils pour la gestion des connaissances Maintien de la cohérence Exemples de tests de validation Contradiction Si A Alors C (1) Si A Alors non(C),D (2) Les règles (1) et (2) sont contradictoires

Outils pour la gestion des connaissances Compilation Exemple : réduction de la base de règles Si X1 Alors X Si X1 alors Y Si X1 Alors Z Si X2 Alors Z Si X2 Alors T Si X3 Alors Z Si X3 Alors T Si X1 Alors X ou Y Si X1 ou X2 ou X3 Alors Z Si X2 ou X3 Alors T Si X1 Alors X ou Y ou Z Si X2 ou X3 Alors Z ou T Si X1 Alors X Si X1 Alors Y Si X1 ou X2 ou X3 Alors Z Si X2 ou X3 Alors T Si X1 Alors X ou Y ou Z Si X2 Alors Z ou T Si X3 Alors Z ou T

Les systèmes experts Choix des outils de développement
Il existe plus de : 70 outils Moteurs d ’inférences Boîtes à outils Générateurs 120 langages spécialisés Choisir un outil revient à chercher un compromis entre des critères non techniques Coût Types de machines ciblées Facilité d ’utilisation des critères techniques Représentation et gestion des connaissances (cogniticien, informaticien) Stratégies de contrôle (cogniticien, informaticien) Logique(s) proposée(s) (cogniticien, informaticien) Utilitaires de mise au point et de validation Explication (Utilisateurs) Debugger (cogniticien, informaticien) Ouverture (utilisateurs, cogniticien, informaticien) Convivialité (utilisateurs, cogniticien, informaticien)

Les systèmes experts Choix des outils de développement
Type de développement et complexité du problème : Intérêt de l ’outil pour l ’une ou l ’autre phase de développement : démonstrateur, prototype, système final Adéquation aux types de problèmes traités

Les systèmes experts Méthodologie de développement
Développement de Systèmes Experts : scénario

Les systèmes experts Méthodologie de développement Acquisition
Cycles de vie d’un projet système expert Etude d’opportunité Identification des connaissances Acquisition Conceptualisation des connaissances Formalisation des connaissances Représentation Prototypage Validation Implantation

Cycles de vie d’un projet système expert Première Phase : Etude d’opportunité Finalité Définir les objectifs globaux du projet et en déterminer l ’opportunité de réalisation (faisabilité, rentabilité, délais, charges de réalisation, conséquences pour le personnel) Que doit-on faire ? - Spécifier les objectifs et l’intérêt du système expert : taches à accomplir et problème à résoudre - Etudier la faisabilité technique du projet - Identifier les différentes solutions possibles au problème - Localiser l’expertise - Identifier les futurs utilisateurs du système - Evaluer les ressources humaines, matérielles et logicielles à allouer au projet - Déterminer l’opportunité de réalisation du projet (Coûts/Intérêt)

Cycles de vie d’un projet système expert Première Phase : Etude d’opportunité Questions à se poser - Quelle est l ’importance du problème? - Quelles seraient les avantages d ’un système expert ? - Le problème est-il fréquent ? - Quelle sera l ’importance du problème d ’ici quelques années ? - Le problème peut-il être défini facilement ? - Quelqu’un a-t-il travaillé ailleurs sur un problème similaire ? - Qui se servira du système expert et pourquoi ? - Y-a-t-il une coque de systèmes experts dont nous puissions utiliser ? - Existe-t-il une documentation quelconque ?

Cycles de vie d’un projet système expert Première Phase : Etude d’opportunité Questions à se poser - Pouvons-nous nous passer du temps d ’un expert ? - Combien de temps faut-il pour devenir expert ? - Y a-t-il des moments ou les experts ne sont pas disponibles pour une consultation ? - De quelles ressources avons-nous besoin ? - Qu’est ce qui pourrait rendre ce projet difficile à réaliser ? - Est-ce que les experts sont en désaccord ? - Le savoir est-il complexe ? Nécessite-il plusieurs mécanismes d ’inférences et formalismes de représentation ? - Le système expert devra-t-il être mis à jour fréquemment ? - Pouvons-nous tolérer une réponse imparfaite ? - La réalisation d’interface exigera-t-elle de grands efforts ? - Combien coûtera le projet ?

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Finalités - Repérer les éléments de base constituant l’expertise : * Les objets : permettant de décrire un état du problème * Les relations : décrivent les liens entre les objets * Les opérateurs : indiquent comment modifier un état du problème * Les procédures : décrivent un ordre d ’application des opérateurs * Les règles : décrivent les inférences logiques * Les plans : organisent l ’application des règles * Les stratégies : organisent l ’enchaînement des plans - Définir le modèle conceptuel des connaissances Que doit-on faire ? - Etudier la documentation existante - Planifier des entrevues avec l’expert - Appliquer des techniques et méthodes d ’acquisition des connaissances

Structure hiérarchique des éléments de la connaissance
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Identification des éléments clefs de la connaissance Exemple : Connaissances d ’un commercial spécialisé dans la vente des voitures TopObjet Objet Relation Opérateur Procédure Règle Plan Stratégie Clientèle Voiture Voiture de sport Voiture de tourisme Structure hiérarchique des éléments de la connaissance

Modèle descriptif des éléments de la connaissances
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Identification des éléments clefs de la connaissance Exemple : Connaissances d ’un commercial spécialisé dans la vente des voitures OBJETS propriétés : {vitesse maximale : type : valeurs possibles : valeur par défaut : échelle coef de certitude : distance de freinage à 100km/h : } opérateurs applicables : utilisés dans les règles : élément : Voiture de sport est-une : Voiture noms : {nom donné par l ’expert : nom donné par l ’utilisateur : autres synonymes : } description en clair : relations : {relation : Clientèle valeur : Jeunes-Cadres-Supérieurs relation : valeur : Modèle descriptif des éléments de la connaissances

Modèle descriptif des éléments de la connaissances
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Identification des éléments clefs de la connaissance Exemple : Connaissances d ’un commercial spécialisé dans la vente des voitures élément : Règle VRP est-une : Règles_Avantage_Fiscaux utilisée dans les étapes : Evaluation avantages fiscaux libellé : Si … Alors … utilisent les objets : Voitures, Clientèle nom : REGLES Modèle descriptif des éléments de la connaissances

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Questions à se poser avant les entrevues - Quelles sont les données à l ’entrée (les problèmes) et en sortie (les solutions) - Quelles sont les relations qui existent entre les données ? - Peut-on fragmenter les problèmes en unités plus petites ? - Dans quel ordre et sous quelle forme les données à l’entrée sont-elles acquises ? - Dans quel ordre et sous quelle forme les données en sortie sont-elles produites ? - Quelle est l ’importance et quelle est la précision des diverses données ? - Quelles sont les données susceptibles de manquer ? - Quels sont les types d’entrées qui causent des difficultés à l ’expert ? - Quels sont les postulats de l ’expert ? - Quelles sortes d’inférences fait-il ? - Comment en arrive-t-il à des hypothèses ? - Quelles sont les relations entre ces hypothèses ? - Comment l ’expert passe-t-il d ’un stade d ’opinion à un autre ?

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Types * discussion ouverte * discussion guidée * inversion des rôles Règles à respecter Techniques * caractéristiques et décisions * reclassification et division du domaine * grille répertoire - Les questionnaires - Les observations sur le site - L ’induction par la machine

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Règles à respecter dans la conduite des entretiens - Préparer l ’entretien - Enregistrer l’entretien - Planifier les entretiens qui doivent régulier et espacés dans le temps - Motiver l ’expert en lui présentant une vue objective du projet - Veiller à conserver voir augmenter la motivation de l ’expert - Ne pas imposer d’outils à l ’expert - Ne pas imposer sa propre compréhension du problème - Poser des questions générales au début, puis spécifier - Maîtriser la durée de l ’entretien

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Caractéristiques et Décisions »

Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Reclassification » décision critères succès partiel et contrôles continus toutes matières succès toutes matières matière non obligatoire et fort ailleurs succès maladie échec dans un partiel ou un contrôle continu et succès dans le reste échec marginal dans une matière capable de continuer connaissances évidentes problème personnel échec dans une matière avec raison valable succès attendu mais problème défaillance matériel EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

bons résultats aux examens
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Division du domaine » différents problèmes critères formation A référence et formulaires OK formation A bons résultats aux examens acceptation Formation B complément d’infos rejet manque de motivation résultats moyens aux examens bonnes références motivation pas bon en maths bon en maths mauvaises références

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Grille Répertoire » Une technique permettant de mettre en évidence les objets et les relations entre objets utilisés par un expert dans son domaine de connaissances Une technique qui s ’articule en 4 étapes : Identification de la liste des objets et de leurs caractéristiques Etablissement de la grille Analyse de la grille Classification des objets Classifications des caractéristiques Interprétation des résultats

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Grille Répertoire » Identification de la liste des objets et de leurs caractéristiques

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Grille Répertoire » Etablissement de la grille

(Grands voyageurs, familles, VRP)
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Grille Répertoire » Interprétation des résultats Grande routière (Grands voyageurs, familles, VRP) Bonne tenue de route Confortable Sûre Sportive Bonne carrosserie Silencieuse Nerveuse Bon freinage Puissante Bien suspendu Rapide Bonne reprise Habitable

Technique « Grille Répertoire »
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les entretiens Technique « Grille Répertoire » Analyse de la grille Analyse factorielle

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les questionnaires Exemples Les coefficients de vraisemblances peuvent être sollicités de la manière suivante : Tout à fait incertain Tout à fait sûr Circuit X24 Quelles sont toutes les pannes sur le circuit X24 qui sont traités par les services de maintenance ? : ___________________________ Classer ces pannes par ordre de fréquence décroissant : Placer une croix sur la ligne à l ’endroit qui reflète le mieux votre impression Ou encore Tout à fait sûr Assez sûr Incertain Limite Tout à fait incertain Placer une croix sur la ligne qui reflète le mieux votre impression

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Les observations sur le site

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Induction par la machine Principe : générer automatiquement et par induction de nouvelles connaissances à partir d’exemples choisis par l ’expert du domaine Processus : Entrée : * un ensemble d’exemples * des attributs décrivants les exemples * des techniques d ’extraction : apprentissage (induction de règles, algos génétiques, réseaux de neurones), analyse de données, base de données Sortie : * un arbre de décision qui classifie correctement les exemples * des règles d ’inférences * Arbre de décision : Modélisation d’une décision sous forme d’une structure hiérarchique dont les nœuds sont des attributs (tests) et les arcs des valeurs possibles pour ces attributs

Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Induction par la machine Data mining : processus : Etapes du data minig

Université Lyon 2, France Plate-formes logicielles
Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Phases d ’acquisition des connaissances Techniques - Induction par la machine Data mining : processus : Clementine Integral Solutions Limited, USA Sipina-pro Université Lyon 2, France Plate-formes logicielles

krit: krit: krit: krit: krit: krit: krit: krit: krit: krit: krit: Les systèmes experts Méthodologie de développement Cycles de vie d’un projet système expert Quatrième Phase: Formalisation des connaissances Finalité - Transposer dans une représentation appropriée (un système à base de règles) le modèle des connaissances que le cogniticien a conçu en phases d ’acquisition Etapes - Choix du formalisme * Schémas * Frames * Réseaux sémantiques * Règles de production - Choix des méthodes d’inférences - Conception de la base de connaissances - faire un certain nombre de choix sur la facon de représentéer les connaisasnces, et sur les méthodes d'inférences à utiliser pour représenter le cheminement du raisonnement de l'expert (chainage avant , arrière, etc) EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Cinquième Phase: Prototypage Finalité - Coder le formalisme choisi lors de la phase précédente pour obtenir un prototype du système expert Etapes - Choix d ’un outil de développement - Codage du formalisme - Mise au point de l ’interface utilisateur - Préparation d’un protocole de validation -Le prototypage rapide permet à l'équipe de développement d'un SBR de faire valider très tôt, par les usagers, les résultats et le mode de fonctionnement du prototypage à implanter. Cette approche, basée sur une rétroaction continue entre les intervenants, peut faciliter la mise au point d'un système et faire en sorte que ses résultats soient mieux adaptés aux besoins des usagers. · On doit construire puis vérifier une base de règles de façon modulaire : pour chaque contrainte entre les attributs, on met au point un ensemble de règles complet, efficace et consistant. · Les interfaces d'une application de type SBR doivent rendre transparent l'environnement de développement de SBR. L'expert et l'usager n'ont pas à connaître les techniques de fonctionnement du système, mais doivent centrer leur attention sur les connaissances et la manière de les exprimer. Retour EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Sixième Phase: Validation Finalité - Définir un protocole de validation - Evaluer qualitativement et/ou quantitativement le comportement du prototype - Vérifier la conformité du prototype aux spécifications du cahier des charges Protocole de validation : éléments à valider - La base de connaissances - L ’ergonomie - La maintenance - La documentation - La formation des utilisateurs - L ’outil de développement EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Sixième Phase: Validation Protocole de validation : critères de validation - Performance * Justesse du cheminement * Exactitude des conclusions * Précision des conclusions * Temps de réponse * Ressources informatiques utilisées - Sensibilité - Robustesse - Facilité d ’apprentissage par les utilisateurs - Acceptabilité - Justesse du cheminement : nbre de pas de raisonnement nécessaires pour conclure, nbre de données demandées par rapport à un expert humain, pertinence de ces données et l'ordre dans lequel elles sont demandées - Excactitude des conclusions finales : le conseil est-il bon ou pas. Pb quand il y a plusieurs réponses. La réponse donnée est-elle la meilleure ? Généralement les systèmes affichent tous les réponses dont le ceof de certitude dépasse un certain seuil choisi au préalable et arbitrairement par le cogniticien. Comment juger l'excatitude dans ce cas. EN tout cas nécessité d'avoir des réfénces et des critères au niveau des cahier des charges : exemple :l a validation due SE doit s'assuerer qu'on apporter une réponse au minimum raisonnable mas si elle n'est pas optimale -Précision : ex: un système d'aide à la prescréption médicale peut recommander le bon remède masi se tromper dans la posologie. Diffucités : interpratation des conclusions avec coef de vraiss -Temps de réponse : depuis l'acquisition des données utiles au système jusqu'à sa conclusion. Conseéquence : validation en situation réelle -Ressources inf : espace disque, occupation CPU -Senssibilté : on mesure la variation de l'exactitude et de la précision des conclusions lorsque on fait varier celles des données fournies en entrée - Robustesse : résistance aux variations des facteurs d'environnement, de la qualité des utilisateurs, etc EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Sixième Phase: Validation Protocole de validation - L ’approche : Comment valider ? * Quantitativement (statistiques) * Qualitativement (consensus) - Le contenu : Que faut-il valider ? * Quelle version de prototype il faut valider - Le lieu : Où valider ? * Sur des sites pilotes (cas réels) * Sur des sites « de validation » (cas simulés) - Les acteurs : Avec qui faut-il valider ? * Les experts * Les utilisateurs * Le cogniticien * Le chef de projet EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Sixième Phase: Validation Protocole de validation : tests de validation - Représentatifs - Nombreux : Prototype : ; Système final : Impliquent : Temps des valideurs Formation des valideurs Ressources matérielles Tenue des dossiers Protocole de validation : scénario de validation Analyse des cas traités Extraction de nouvelles connaissances, nouvelle formalisation ou restructuration Modification du système Documentation EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Méthodologie de développement Cycles de vie d’un projet système expert Septième phase: Implantation Finalité - Mettre le système final à la disposition des utilisateurs Etapes - Préparations - Installation et mise au point - Mise en exploitation - Définition d ’un plan de formation - Mise en place des procédures de maintenance - On procède par raffinement progressif des versions successives du prototype à implanter. - parler de la doc utilisateur EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Acteurs d’un projet système expert Cogniticien (1) Expert (2) Chef de projet (3) Utilisateurs (4) Etude d’opportunité 1+2+3 Identification des connaissances 1+2 Conceptualisation des connaissances 1+2 Formalisation des connaissances 1+2 Prototypage Validation Implantation

Méthodologie de développement Facteurs de succès d’un projet système expert Rapports Expert/Cogniticien Bonne compréhension mutuelle Confiance réciproque Absence de rétention d’informations Qualités professionnelles des acteurs Cogniticien Expert Chef de projet Logique sans faille, solide culture scientifique, maîtrise des techniques de modélisation du savoir, connaissance en programmation, capacité d ’écoute et faculté de communication, bonne culture générale, capacité d ’adaptation, perspicacité La construction d'un SE repose sur deux intervenants de base : le cog et l'exp. La résussite dépend de la qualité professionnelles de ceux hommes et de celle de leurt relation Ils doivent s'entendre et donc s'écouter et installer une ambiance faite d'empathie et de recul critique Diffultés relationnlles entre exp et cog : l'expert détient un savoir faire et le cog ets payé pour le lui extraire l'expert est l'objet des activités ddu cogn l'expert s'expose et est scruté par le cog conflits de géné > hierarchique de l'expert expert tjours occupés qui va être constamment immportune par le cog Autorité intellectuelle indiscutable, solide expérience, volonté et capacité de communiquer son savoir, goût pour les challenges, capacité de travailler en groupe, disponibilité, patiente, ténacité, tolérance à l ’erreur Solide expérience dans la conduite des projets, connaissances en IA, capacité de manager une équipe, savoir écouter, déléguer et arbitrer EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Facteurs de succès d’un projet système expert Conduite du projet Définition claire des objectifs du projet Planification optimisée du temps et des ressources de développement Définition claire et précise du protocole de validation Respect des délais Documentation claire, adéquate et suffisante

Rôles des acteurs d’un projet système expert Le cogniticien Rôle : assurer deux types d’interfaces Interface Expert-Machine 1. Il acquiert le savoir de l’expert 2. Il le modélise 3. Il l ’implante dans la machine Interface Utilisateurs-Machine 1. Il étudie les besoins de l’utilisateur 2. Il les intègre dans le système final

Rôles des acteurs d’un projet système expert L ’expert Rôle : communiquer son savoir au cogniticien

Méthodologie de développement Rôles des acteurs d’un projet système expert Le chef de projet Rôle : gérer le projet Responsable de la conduite du projet 1. Choix des solutions techniques Planification 3. Répartition des taches 4. Gestion du budget Garant du respect du cahier des charges 1. Assurance qualité 2. Respect des délais 3. Conformité Spécifications/Réalisations le succès dépend également de la rigueur de la démarche suivi pour le conduire le projet et dépend donc des compétences du chef de projet dont le rôle est de : EPSI/Montpellier Cycle CSII 2A Module Intelligence Artificielle

Raisonnement en chaînage arrière Algorithme Fonction TEST(Règle) ;vérifier récursivement les sous buts d ’un but courant Début TESTE := Vrai; Pour tout élément de la partie Si de la Règle Faire Si non VERIFICATION (élément) Alors TESTE := Faux; Arrêt; Fin; Fin Si; Fin Pour; Retourner(TESTE); Fin TEST

Fonction VERIFICATION (hypothèse):booléen; Début VERIFIE:=faux; Si hypothèse appartient à la base de faits Alors VERIFIE:= vrai; Sinon Si hypothèse appartient à la base de faits faux Alors VERIFIE:=faux; Construire l'ensemble des règles qui déduisent hypothèse; Si L'ensemble est vide Demander hypothèse à l'utilisateur; Si la réponse est "oui" VERIFIE:=vrai ajouter hypothèse à la base de faits VERIFIE := faux; ajouter hypothèse à la base de faits faux; Fin Pour toute règle de l'ensemble Faire Si TEST-SI(règle) Alors VERIFIE:=vrai; APPLICATION(règle); Arrêt; Fin; Fin Si; Fin Pour; Si TEST (règle) APPLICATION(règle) Retourner(VERIFIE); Fin VERIFICATION Moteur d’inférences Raisonnement en chaînage arrière Algorithme

Chapitre III : Les Systèmes experts Les systèmes experts

Présentations similaires

Présentation au sujet: "Chapitre III : Les Systèmes experts Les systèmes experts"— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back

Entrer

S'autoriser via un réseau social:

Chapitre III : Les Systèmes experts Les systèmes experts

Présentations similaires

Présentation au sujet: "Chapitre III : Les Systèmes experts Les systèmes experts"— Transcription de la présentation:

Présentations similaires

Notre projet

Feed-back