Modélisation générique d’un retour d’expérience cognitif

Présentation au sujet: "Modélisation générique d’un retour d’expérience cognitif"— Transcription de la présentation:

1 Modélisation générique d’un retour d’expérience cognitif
Tarbes, vendredi 14 novembre 2008 Modélisation générique d’un retour d’expérience cognitif Application à la prévention des risques INPT ? Université de Toulouse ? Directeur de thèse: Laurent GENESTE Co-encadrant: Xavier DESFORGES

2 Le projet européen SUP Projet SUP (Sécurité Urgence Pyrénées)
Projet INTERREG IIIa Mise en commun des ressources technologiques et humaines pour réduire les disparités Transfrontalier franco-espagnol Objectif : amélioration de la sécurité dans le massif des Pyrénées Activités de loisirs et activités professionnelles Professionnels de la montagne et des secours Un volet Intervention et un volet Prévention Développement d’outils de télémédecine Réalisation d’un Système d’Information (SI) Notre rôle Intégration d’un module de retour d’expérience dans le SI Démonstrateur Prévention des risques liés à la pratique d’activité en montagnes Problmr chevauchement Pb numérotation

3 Contribution au projet SUP
Une application de retour d’expérience adaptée Basée sur le processus d’analyse d’accidents en montagne Ajouter schéma3 - Pas sur que ce slide utile… soit enlever les lignes précédentes et compléter le schéma suivant… Accident Description contexte de l’événement Analyses expertes Recherche des causes Explications de l’accident Restitution pour les utilisateurs Cartographie des dangers, Indicateur du risque encouru, Conseils de prévention…

4 Objectifs du travail de recherche
Capitalisation des expériences Modélisation de l’expérience Description du contexte, de l’analyse d’accidents… Définition d’un formalisme approprié Exploitation des expériences Algorithmes de recherche Étude et proposition d’un indicateur du risque Opérationnalisation des applications Développements génériques Applicables aux méthodes de résolution de problèmes industrielles Favorisent la génération d’applications à partir du modèle de l’expérience Automatiser les tâches logicielles récurrentes Base expérience Capitalisation Base expérience Exploitation Slide qui introduit le plan ! I II III Moteur de recherche Générations d’interface, composants standardisés Gestion des droits utilisateurs Déploiement - Mise en place des serveurs et architectures Fleche degradé

5 Plan Introduction I - Retour d’expérience
Origine du projet Objectifs de la thèse I - Retour d’expérience Définition et caractérisation Applications de retour d’expérience Les systèmes basés sur la connaissance II – Capitalisation de l’expérience Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride III – Exploitation de l’expérience Comparaison d’expériences basée sur la recherche par similarité Proposition d’algorithmes de recherche adaptés Extraction d’un indicateur du risque IV – Opérationnalisation des applications Les différentes techniques Une application à la prévention des risques en montagne Conclusions et perspectives Ne pas dire « je vais maintenant présenter le plan… Le plan de l’exposé suit/reprend cette décomposition… Transition rapide

6 I - Retour d’expérience
Définition Caractérisation Applications de retour d’expérience

7 Un système basé sur la connaissance (SBC)
« Le management de l’expérience est un type de management des connaissances restreint aux connaissances issues de l’expérience » Une typologie des SBC Statique Connaissance sous forme de documents Difficile de réaliser des inférences Outils de type Gestion Électronique de Documents (GED) Dynamique Connaissance formalisée Inférence possible mais expression des connaissances plus difficile Exemple de langage: DL, GC - Outils : SRC (Protégé)… Approche « retour d’expérience » Un SBC ascendant Capitalisation et exploitation de connaissances contextualisées La connaissance globale des experts n’a pas à être formalisée Permet de réaliser une capitalisation continue Vecteur de création de connaissance générique Difficulté d’inférence Difficulté d’expression statique dynamique Statique GED non structuée Dynamique representation formalisée -representer -argumentaire statique (GED)/dynamique(SBC formel, logique) argumentaire… schéma compromis Connaissance exp1 exp2 exp3 exp4

8 Définition du retour d’expérience
Définition adoptée du retour d’expérience (Rakoto, 2004) « Le retour d’expérience est une démarche structurée de capitalisation et d’exploitation des connaissances issues de l’analyse d’événements positifs ou négatifs. Elle met en œuvre un ensemble de ressources humaines et technologiques qui doivent être organisées pour contribuer à favoriser certaines pratiques performantes et à réduire les répétitions d’erreurs » Positionnement Événements : positifs / négatifs Retour d’expérience : crise / statistique / cognitif Connaissances : statiques / dynamiques Dimensions : technique / humaine Rex est un type d’outil de GC et sont aussi déclinés selon… Faire un slide des deux Enquêtes approfondies : traité aux pôle cyndinique orienté méthodologies et approche Science Homme et de la Société Surete de fonctionement Plutot dynamique cognitif Le retour d’expérience nécessite une représentation structurée de l’expérience (Inspirée des SRC) des traitements adaptés (Inspirés du RàPC)

9 II - Modélisation de l’expérience
Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride (incertain et composite)

10 Modélisation structurée de l’expérience
Les formalismes de représentation des connaissances Choix de représentation structurelle Modèle Attribut-Valeur étendu Simple (composite) Extensible Favorisant l’opérationnalisation Homogénéité Pas de « passerelle » Représentation DL Graphes conceptuels Logique(s) RS RCO Frames Orienté Objet Opérationnalisation Faire la double flèche… homogène do1 d2 d1 d4 do3 d32 do33 d31 d332 d331

11 Capitalisation Macro-structure de l’expérience
Contexte – Analyse Des représentations imparfaites Contexte Description du « monde » Incomplet, imprécis… Analyse Avis subjectif d’expert Numéro slide LIAISON -le processus de capitalisation distingue plusieurs étapes Cela confère une structure à l’entité expérience --INSISTER SUR L’INTRODUCTION DU BESOIN DE REPRESENTATION INCERTAINE Contexte incomplet… incertain Analyse subjective Solutions sous forme d’actions actions a realiser… enlever les s

12 Modélisation de l’incertain
Les approches subjectives Probabilités, inférence bayésienne Information sur variabilité (var aléatoire) Théorie des possibilités Information incertaines Fonctions de croyance Information incertaine et aléatoire Interprétation ensembliste Soit une information di Domaine fini et discret Distribution d’une croyance unitaire (masse) Penser a présenter le deja fait en théorie des possibilités non Distribution de possibilités   1 Possibilités  1 A1 A2 A3 Croyance  1 A1 A2 A3 Probabilités A1 A2 A3

13 Modèle des Croyances Transférables
MCT Une interprétation non-probabiliste des fonctions de croyance Fonction de croyance = opinion d’un agent rationnel Deux niveaux cognitifs distincts Niveau crédal Expression subjective de la connaissance Raisonnement dans l’incertain Aspect statique et dynamique Niveau décisionnel Transformation pignistique irréversible Cadre probabiliste Compatible avec le critère du maximum d’utilité espérée Hypothèse du monde ouvert Valeurs non prévues dans le modèle Domaine non obligatoirement exhaustif Niveau crédal Niveau décisionnel Partie statique Représentation des informations Partie dynamique Révision des informations, raisonnement Transformation pignistique Conversion non réversible en probabilité Transition… Nous avons choisi d’utiliser le MCT, une vue non probabilistes des fonctions de croyance

14 Notions élémentaires du MCT
Distribution de masse Cadre de discernement Domaine = cadre de discernement Domaine recensant des hypothèses exclusives Support de la distribution de masse Parties de  « powerset » noté 2  = {a, b, c} 2 = { , {a}, {b}, {c}, {a, b}, {a, c}, {b, c},  } Éléments focaux Sous-ensembles de masse de croyance non-nulle Singletons – masse bayésienne (distribution de probabilité) Monde ouvert m(Ø)≠ 0 croyance affectée aux autres hypothèses Affaiblissement Confiance relative entre sources Expression de confiance en experts Agrandissement, réduction (évolution du modèle) Crédibilité et Plausibilité  1 A1 A2 A3 A B B A

15 Modélisation du contexte
Un modèle hybride « Objet-MCT » Modèle Attribut-Valeur étendu (descripteur) Type composite Appliqué au contexte Valuation incertaine des attributs Choix du modèle des croyances transférables Interfaçage avec les valeurs de descripteurs (contexte) Valuation = distribution de masse de croyance Montrer bba sur di BBA PIC ZOOM d1  1 A1 A2 A3 Valeur incertaine  1 A1 A2 A3 Valeur aléatoire  1 A1 Valeur certaine Contexte d2 d31 do3 d32 d331 vd332 d4 do33 d332

16 Modélisation de l’analyse
Relations entre les attributs significatifs Explications de l’événement Conjonction des informations significatives « ET » Sous-ensemble du contexte (descripteurs) Formalisation par une entité propre Conjonction de descripteurs Exemple d’analyse valeur-d1 et valeur-d3 (vraisemblance1=0,75) ou valeur-d1 et valeur-d5 (vraisemblance2=0,50) ou valeur-d5 (vraisemblance3=0,25) Construction de l’analyse Utilisation de l’arbre des causes Permet de remonter aux causes racines Création des liens avec le contexte Les indices de vraisemblance + documenter Préciser que arbre des causes comme c le cas dans methodo resolution pb industrielles

17 III - Exploitation de l’expérience
Algorithmes de recherche Extraction d’un indicateur du risque

18 Exploitation Introduction des deux cas d’utilisation…
Resol diff adaptation Etape imp retrouver exp et donc comparer…. Prévention diff contextualisation - deja besoin de représentation des incertitudes

19 Comparaison d’expériences
Deux types de recherche Recherche sans analyse Filtrage, interrogation de la base Pondération suivant le besoin de l’utilisateur Analogue à une requête dans un SGBD Recherche tenant compte de l’analyse des experts Prise en compte de la conjonction des informations significatives Recherche biaisée par l’analyse experte L’analyse agit comme une « pondération » Utilisation d’une mesure de similarité entre descripteurs Technique utilisée en RàPC Définition de mesures de similarité locale/globale Proposition d’une mesure adaptée au descripteur Structure composite et incertaine

20 Comparaison d’expériences
Mesure de similarité Liée à la notion de distance Permet de comparer deux informations (de même type) Littérature Similarité locale/globale Similarité locale Entier, réel, symbolique, … Fonction, matrice de similarité, … Similarité globale Composition de types simples Calcul récursif Fonction d’agrégation  simg(do33) = ( sim(d331), sim(d332)) Similarité « objet » Composites + Hiérarchiques SIMIntra, SIMInter Similarité objet et incertitude Théorie des possibilités Similarité objet - possibiliste (Ruet, 2002) Proposition d’une similarité objet incertaine Fonction de croyance (MCT) EXP1 d1 Contexte d2 d31 do3 d32 d331 d4 do33 d332 EXP2 d1 Couleur différente Deja traite dans un cadre possibiliste Utilisation d’un algorithme de similarité locale et globale récursif prenant en compte la structure objet et la possibilité de décrire des attributs flous (Ruet, 2002). Contexte d2 d31 do3 d32 d331 d4 do33 d332 simLocal = [0,2 ; 0,8] simLocal = {0,2 ; 0,3, 0,6, 0,8}

21 Proposition de mesure de similarité
Similarité locale Base des algorithmes d’exploitation Entre deux descripteurs simples Similarité « précise » connue Extension à une valuation incertaine Similarité globale Minkowski, conjonctive, … v 1d31 = c v 2d31 = b Valeur certaine v 1d31 = {c, d, e} v 2d31 = {a, b} Valeur incertaine Similarité locale Matrice de similarité - MCT EXP1 d1 Contexte d2 d31 do3 d32 Sim a b c d e f 1 0,8 0,5 0,3 0,1 0,7 0,9 0,2 Sim a b c d e f 1 0,8 0,5 0,3 0,1 0,7 0,9 0,2 d4 d33 Remonter valuation certaine d31 = {a, b, c, d, e, f) EXP2 d1 Contexte d2 d31 do3 d32 Simlocal (v 1d31 , v 2d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1d31 , v 2d31) = 0.7 d4 d33

22 Similarité locale incertaine (représentation)
Cas particulier des distributions de masse catégorique Connaissance imprécise et certaine d31 = {a, b, c, d, e, f) BBA1: m({c, d, e}) = 1  v 1d31 = {c, d, e} BBA2: m ({a, b}) = 1  v 2d31 = {a, b} Simlocal (v 1d31 , v 2d31) = { Sim(c, a), Sim(d, a), Sim(e, a), Sim(c, b), Sim(d, b), Sim(e, b)) Simlocal (v 1d31 , v 2d31) = { 0,5; 0,3; 0,1; 0,7; 0,5; 0,1 } Simlocal (v 1d31 , v 2d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1d31 , v 2d31) = { (0,1; 2); (0,3; 1); (0,5; 2); (0,7; 1) } Simlocal (v 1d31 , v 2d31) = { (0,1; 1/3); (0,3; 1/6); (0,5; 1/3); (0,7; 1/6) } Valeur incertaine SAB = { sab ; sac ; sad ; …; sce} SAB = { 0,8 ; 0,5 ; 0,3 ; 0,1 ; 1 ; 0,7 ; 0,5 ; 0,1 ; 0,7 ; 1 ; 0,9 ; 0,7} ,1  SAB  1 SABpond = {(0,1; 2); (0,3; 1); (0,5; 2); (0,7; 3); (0,8; 1) ; (0,9; 1); (1; 2)} MAB = {(0,1 ; 1/6) ; (0,3 ; 1/12) ; (0,5 ; 1/6) ; (0,7 ; 1/4) ; (0,8 ; 1/12) ; (0,9 ; 1/12) ; (1 ; 1/6)} 1 Sim a b c d e f 1 0,8 0,5 0,3 0,1 0,7 0,9 0,2 Discours ensemble et lien avec suivant… Simlocal (v 1d31 , v 2d31) 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Distribution de masse bayésienne (distribution probabiliste)

23 Similarité locale (généralisation)
Distribution de masse quelconque Produit des masses des ensembles concernés Exemple  = {a, b, c } - Matrice de similarité donnée BBA1 : m1 () = m11 = 0,3 m1 ({b}) = m12 = 0,7 BBA2 : m2 () = m21 = 0,1 m2 ({b ; c}) = m22 = 0,9 \ a b c 1 0,6 0,1 0,8 Ensembles Poids associé  x  = {(a ; a) (a ; b) (a ; c) (b ; a) (b ; b) (b ; c) (c ; a) (c ; b) (c ; c)}  x { b, c } = {(a ; b) (a ; c) (b ; b) (b ; c) (c ; b) (c ; c)} { b } x  = {(b ; a) (b ; b) (b ; c)} { b } x { b, c } = {(b ; b) (b ; c)} m11 * m21 = 0,03 m11 * m22 = 0,27 m12 * m21 = 0,07 m12 * m22 = 0,63 ∑ = 1

24 Similarité locale (généralisation)
Regroupement par niveau de similarité et par ensembles Poids associé msym (0,1) = 2/9 ; msym (0,6) = 2/9 ; msym (0,8) = 2/9 ; msym (1) = 1/3 msym (0,1) = 1/6 ; msym (0,6) = 1/6 ; msym (0,8) = 1/3 ; msym (1) = 1/3 msym (0,6) = 1/3 ; msym (0,8) = 1/3 ; msym (1) = 1/3 msym (0,8) = 1/2 ; msym (1) = 1/2 m11. m21 = 0,03 m11. m22 = 0,27 m12. m21 = 0,07 m12. m22 = 0,63 ∑ = 1 Regroupement par niveau de similarité Résultat msym (0,1) = 2/9 * 0,03 + 1/6 * 0,27 msym (0,6) = 2/9 * 0,03 + 1/6 * 0,27 + 1/3 * 0,07 msym (0,8) = 2/9 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 msym (1) = 1/3 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 = 0,052 = 0,075 = 0,435 = 0,438 ∑ = 1 1 Simlocal (BBA1 , BBA2) 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

25 Similarité globale Expériences composées de deux descripteurs simples
Equivalent à l’agrégation de deux similarités locales Fonctions d’agrégation  Plusieurs sémantiques possibles Hypothèses  (x, x) = x Simglobal est exprimée sur le même référentiel que Simlocal (récursivité) Simlocal (v 1d1 , v 2d1) Contexte v1d1 v1d2 EXP1 1 Simglobal (exp 1, exp 2) (1) (2) (3) Enlever moyenne virer animation 1 2 sources = 0,4 alors intuitivement nous avons 0,4 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Contexte v2d1 v2d2 EXP2 1 Simlocal (v 1d2 , v 2d2) 0,15 0,15 0,1 0,25 0,4 0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

26 Similarité Globale - Généralisation
Similarité entre n descripteurs simples Problème combinatoire 2 SIMbba de 2 et 3 ensembles focaux 6 possibilités à agréger 10 SIMbba de 5 ensembles focaux chacun 510 possibilités (~ 10M) Algorithme décomposable Réduit la complexité 10 SIMbba de 5 ensembles focaux chacun 9 agrégations de 2 descripteurs simples –225 à 2000 possibilités Approximation due à la discrétisation w1 w2 w3 w4 w5 s1 s2 s3 s4 s5 n distributions de similarité w5 Mink (s1, s2) s12 Mink (s3, s4) s34 s5 w1 + w2 w3 + w4 w5 n - 1 agrégations de 2 distributions Mink (s12, s34) S1234 w1 + w2 + w3 + w4 s5 Verifier… feuilles excel Rajouter les fopnctions Mink + 1 point sur la varainte géométrique pr tenir compte des analyses Mink (s1234, s5) s12345 w1 + w2 + w3 + w4 + w5

27 Similarité Globale Généralisée
Récursivité – descripteur objet EXP1 d1 EXP2 d1 Contexte d2 d31 Contexte d2 d31 do3 d32 do3 d32 d4 do33 d4 do33 Simlocal (v1d1, v2d1 ) Changer couleurs exp2 SimGlobal(EXP1, EXP2) Simlocal (v1d2, v2d2 ) Simlocal (v1d31, v2d31 ) Simglobal (v1do3, v2do3 Simlocal (v1d32, v2d32 ) Simlocal (v1d4, v2d4 ) Simlocal (v1d33, v2d33 )

28 Évaluation du risque

29 Indicateur du risque Référentiel du risque
Association du niveau de gravité pour chaque événement Définition de courbes iso-risque ~ changement de repère R = P x I Aléa, vulnérabilité Courbes iso-risque projection I ~ gravité Gravité 5 I II III IV V Transition entre recherche exp et eval risque Risque I – faible II – modéré III – important IV – très important V – inacceptable 4 I II III IV V 3 I II III IV V 2 I II III IV 1 I II III Degré d’occurrence

30 Similarité globale et indicateur du risque
Paramétrable et pondérée - p=1 moyenne - p=2 distance euclidienne .. - p= infini max Plus p est grand, plus les fortes valeurs ont une influence dans la mesure globale Indicateur du risque Similarité globale Minkowski Similarité globale Conjonctive Reutilisation avec sans analyse…. Changer produit simplifier Conjonctive et Non-Pondérée - Adapté à la sémantique de l’analyse - L’analyse est une sorte de pondération - Une valeur nulle entraîne une similarité Globale nulle Similarité locale incertaine Matrice de similarité - MCT

31 Indication du risque Principe Calcul de l’indicateur
Dans des conditions significatives similaires, la vraisemblance d’un événement de même type (même gravité) est maximum Vraisemblance = degré de reproductibilité Calcul de l’indicateur Comparaison entre le contexte courant et toutes les expériences Exemple : comparaison d’une seule expérience composée de 2 descripteurs simples. La gravité associée est de 4 1 0,15 0,1 0,4 0,15 0,1 0,25 R = { 0; 0; 0,25; 0,50; 0,25}

32 Implémentation générique

33 Applications de retour d’expérience
Applications Internet Autonomes Architecture client-serveur Fonctionnement distribué et collaboratif Technologies utilisées Smalltalk (squeak) Entièrement objet Dynamique, réflexif Seaside (applications Web dynamiques) Magritte (méta-descriptions) … serveur Moteur de recherche Traitements spécifiques Pré-Traitements (Analyse) Saisie utilisateurs Base d’expériences PORTAI L WEB Exp ??? Exp ??? Exp ??? événement ……… = ………………… contexte ……… = ………………… X ……… = ………………… leçon Exp ??? Base de connaissance experts client Animation a virer … Flux de connaissance (indicateurs, règles…) Flux d’expérience Flux d’expertise (informations qui viennent compléter l’expérience a posteriori)

34 Techniques et outils Approches de généricité
Métamodélisation et Ingénierie dirigée par les modèles MDA et MOF Essentiellement descriptif Framework Infrastructure orientée objet générique spécialisable Inversion de contrôle – point d’entrée Patterns « Bonnes pratiques » Modèle dynamique adaptatif (AOM) Pattern Type Object et Property List Métaprogrammation Génération de code Interprétation de métadonnées (métadescription) Rajouter des exemples ? Figures Génration interface magritte ? AOM ? Interface saisie descripteurs ?

35 Opérationnalisation Prévention des risques d’activités en montagne
Validation de la génération d’applications web Interface graphique Basée sur méta-description Persistance Sérialisation modèle et expérience Pas d’implémentation pour SUP des algorithmes proposés Implémentation du modèle hybride proposé Générateur d’applications de retour d’expérience Basé sur un modèle adaptatif (AOM) Modèle simple – seulement une dizaine de classes Algorithmes de recherche implémentés Pas de lien avec les interfaces graphiques Composants génériques à développer

36 L’application du projet SUP
 Saisie de l’événement  Saisie du contexte  Saisie de l’analyse

37 Modèle hybride adaptatif
Capture d’écran

38 Conclusion et perspectives
En conclusion de ces travaux, …

39 Conclusions et perspectives
Une approche de retour d’expérience applicable dans un contexte industriel de résolution de problème Analyse d’accidents proche des processus de résolution de problème des organisations (PDCA, 8D, 6Sigma, …) Techniques suffisamment génériques pour être utilisées hors du contexte de la prévention des risques en montagne Possibilité d’intégration des résultats dans la plateforme de retour d’expérience T-Rex Capitalisation des processus de résolution de problèmes PDCA, 8D. Réutilisation limitée mais capitalisation détaillée de l’analyse et des actions correctives Approche de modélisation dynamique intéressante et devant être approfondie Déploiement rapide des systèmes de retour d’expérience Modifications du modèle « en fonctionnement ». En conclusion de ces travaux, nous pensons avoir développé des outils applicables… 1 planche conclusion atypique Pas obligé de lister… Conclusion type généralisation - aps loin d’un processus de resolution de problème… interet au dela du ^projet SUP -- croiser avec le developpements existants T-Rex actions construction de l’anylyse ---deboucher sur les perspectives… regroupées… Parler du modèle adaptatif hybride ??

40 Conclusions et perspectives
Validation des algorithmes Comportement satisfaisant Appliquer sur un modèle concret Une sémantique plus précise Lien entre descripteurs et ontologie de domaine Formalisation plus précise de l’analyse Augmentation du modèle Réification du « domaine » … Couplage avec des modèles de connaissance générique CSP (propagation de contraintes)

41 Merci de votre attention…