modélisation et représentation des connaissances systèmes ......système informatique...

Modélisation et Représentationdes Connaissances

Systèmes de connaissancesAIR2 - Université Paris 13

https://perso.limsi.fr/hamon/Teaching/P13/MRC-2019-2020/

Thierry [email protected]

LIMSI-CNRS &Institut Galilée - Université Paris 13

Janvier – février 2020

1/100

https://perso.limsi.fr/hamon/Teaching/P13/MRC-2019-2020/

[email protected]

Systèmes de connaissances


2/100


Introduction

Objectif affiché :remplacer les experts humains d’un domaine ou les aider dansleurs expertisesDomaines d’application : nombreux et variésPrincipe :On dispose de connaissances sur un domaine et d’un moteurd’inférences. À partir d’informations contextuelles factuelles,on infère de nouvelles connaissances sur le problème considéré.

3/100


Introduction

Problème considérédéfini à partir d’un état initialpour atteindre un état finalen passant par un ensemble d’états intermédiaires

à explorerà partir desquels il faut faire des choix en fonction deconnaissances plus ou moins disponibles ou complètes

Trop de possibilités pour pouvoir choisir au hasard sous peinede ne pas résoudre le problème

4/100


Problématique des SBC(Stefik 1995)

Comment procéder pour qu’un système informatiques’appuyant sur des connaissances puisse résoudre desproblèmes dans un domaine donnéTâche principale d’un SBCExploiter les connaissances d’un domaine pour aider àrésoudre un type de problèmeType de problème :

classificationreconnaissancediagnosticconfigurationplanification...

5/100


Types de système de connaissancesSystème expert (SE)Système informatique permettant de résoudre les problèmes

dans un domaine d’application déterminéà l’aide d’une base de connaissances établie à partir del’expertise humaine

Système à base de connaissances (SBC)Système informatique fonctionnant avec une base deconnaissances sur un sujet donné

SE et SBCLes SE peuvent être considérés comme un cas particulier desSBC

Tout système informatique utilise de la connaissanceMais dans un système à base de connaissances, celle-ci estreprésentée de façon explicite

6/100


IntroductionUn système expert est composé de :

la base de connaissances :base de faits :

code la connaissance sur l’étude en coursEvolution de son état en cours d’expertise (mémoire de travail)

base de règles :code la connaissance sur le domaineFixe pour plusieurs expertisesRègle : SI condition ALORS action

le moteur d’inférences :composés des algorithmes utilisés pour la déduction :

chaînage avantchaînage arrièrecalcul des faits déductiblescalcul de questionchaînage mixte

7/100


Caractéristiquesles connaissances sur le domaine peuvent être représentées demanière

finie (booléen, symbole, nombre)incertaine ou floue→ la programmation de l’expertise est déclarative

indépendance entre moteur d’inférences et base deconnaissances systèmes experts essentiels→ séparation du procédural et du déclaratifjustification du raisonnementrecherche sur un but précis ou pasdonnées monotones ou pasinterrogation de l’utilisateur

8/100


Brève histoire des systèmes de connaissances

avant 1965: Moteur de recherche généraux (GPS)1975: Première génération de systèmes à base de règles(MYCIN, XCON)1985: Emergence des méthodes d’acquisition desconnaissances (SBC)1995: Maturité des méthodes d’acquisition des connaissances(Common KADS)2005: Ingénierie des ontologies (Ontologies, Web Sémantique)

9/100


Evolution des logiciels de SE

Langages de

traditionnel

programmation

Langages de

et spécifiques

4ème génération

Shell de

expert

système

Avant 1980 années 1980 années 1990

faible

Faci

lité

d’u

tili

sati

on

élevée

Traduction de https://www.slideshare.net/ramaslide/expert-systems-from-rk

10/100

https://www.slideshare.net/ramaslide/expert-systems-from-rk


Quelques systèmes expertsSpécifiques

Dendral (1965): détermination de composés chimiques à partirde données spectrométriquesMycin (1970) expertise en bactériologie (diagnostic ettraitement)Prospector (1978) évaluation géologique de sites (probabilitéde présence de gisements)

GénérateursGuruSNARKE-MycinCLIPS (NASA)Nexpert Object (Neuron Data)

11/100


Principe de réalisation

Trouver un expert ou plusieurs (c’est plus fiable) sur ledomaine visé par l’expertiseChoisir un générateur de systèmes experts etdéterminer les contraintes sur la représentation desconnaissances (variables ? valeurs floues ? etc.) en fonctiondes possibilitésInterroger l’expert en lui demandant d’exprimer les valeursclés de ses analyses et les règles d’inférences (réalisé parl’ingénieur cogniticien)Construire la base de règles

12/100


Résolution de problèmes

Pour résoudre un problèmeun être humain raisonne sur des concepts abstraits modélisantles objets de l’univers du problème,en tire des conclusionsqu’il interprète ensuite dans cet univers informatique

Simulation d’un tel comportement pour un système

13/100


Résolution de problèmesPar un système informatique :

Abstraction associant des structures aux éléments du domaineet du problème considéréReprésentation des structures en machine sous formed’expressions symboliques à l’aide d’un langage dereprésentation des connaissancesCombinaison des expressions symboliques pour produire, parapplications de règles d’inférence, de nouvelles expressionsInterprétation des expressions symboliques dans l’univers duproblème considéré et apport d’éléments de solution auproblème considéré

14/100


Principes généraux

DéclarativitéSéparation connaissances / mécanismes d’exploitation(contrôle)

BC (faits + règles) / moteurConnaissances déclaratives / connaissances procédurales

Hautes capacités de performance, du niveau de l’expertRaisonnement symbolique

15/100


Principes généraux

Souplesse et modularitéConception aiséeAdaptation à l’utilisateur – EvolutivitéIntelligibilitéCapacité à expliquer le raisonnement produit (via des traces)

Pourquoi ? Comment ? Pourquoi pas ?Justification de résultats intermédiaires

Représentation lisible par une personne du domaine

16/100


Séparation des connaissances des traitements

Distinction entreConnaissance déclarativeMécanismes d’exploitation des connaissances permettantd’inférer de nouvelles connaissances

Remarque importante :Un langage de programmation n’est pas un système à base deconnaissancesLes programmes utilisent conjointement les données etmécanismes chargés de les exploiter

17/100


Raisonnement

Processus cognitif permettantd’obtenir de nouveaux résultatsde vérifier la réalité d’un fait

en faisant appel soit à desdifférentes « lois »expériences

quel que soit le domaine d’application

18/100


Objectif des raisonnements

On conduit des raisonnements pour des objectifs différents,qui peuvent se combiner

Prise de décisionTest d’une argumentationConduite d’une démonstration de théorème, de la”confirmation” d’une hypothèse

On dit quel’individu effectue des inférencesle mécanisme d’élaboration de ces inférences s’appelleraisonnement

19/100


Types de raisonnement

Inductifétablit ce qui est, en généralisant d’un échantillon à une classeentière de phénomènespart d’un ou de plusieurs faits particuliers pour en tirer unprincipe, une loi, une idée généralel’induction généralise

Déductifpart d’une idée générale, d’un principe, d’une loi pour en tirerune conséquence particulièreprocède par nécessité (la conclusion est nécessairementprésente dans les prémisses)la déduction infère une conclusion à partir d’une prémissesupposée vraie

20/100


Types de raisonnementAbductif

porte sur ce qui peut êtredésigne une forme de raisonnement qui permet d’expliquer unphénomène ou une observation à partir de certains faits,événement ou loisen observant un ou plusieurs faits A1, A2, A3, etc., dont onconnait une cause possible et la plus vraisemblable B,On prend B comme hypothèse pour affirmer qu’elle estprobablement la cause de A1, A2, A3, etc. en particulierL’abduction infère la plausibilité d’une hypothèse à partir d’unconstat

AnalogiqueConsiste en la mise en correspondance d’une situationantérieure et d’une situation nouvelle qui lui ressemble, afin dedéduire la nature ou des aspects de cette situation nouvelle

21/100


Abduction - ExempleHeuristiqueSi A donc Bor, B est vrai-------------------Donc, A devient plus croyableRaisonnement de Christophe Colomb sur l’énoncé (Polya, 1989)La terre doit être proche puisqu’on voit des oiseaux

Ce raisonnement fait appelPremièrement, à un constat d’observation

« On voit des oiseaux »puis à un savoir commun

« Si on est près d’une terre, alors on voit des oiseaux »d’où l’hypothèse plausible :

« La terre doit être proche »→ son énonciation accompagnée de sa justification

22/100


Induction Déduction AbductionConsidérons un sac qui contient des haricots et quelques haricotsautour du sac.(Pierce)

Plusieurs situations sont envisageablesInduction

Supposons qu’un certain nombre de haricots qui ont été tirés de ce sacsoient tous blancsDonc, par généralisation inductive, « tous les haricots du sac sont blancs »

DéductionSupposons que l’on sache que tous les haricots dans ce sac sont blancs ;or, je tire un haricot du sac ;Par déduction, je puis affirmer que « cet haricot est (nécessairement)blanc »

AbductionSupposons que je sache que tous les haricots dans ce sac sont blancs ;or, voici un haricot blanc à côté du sac, qui est percé ;par abduction, je peux en inférer que « cet haricot vient du sac » est uneproposition plausible

23/100


Induction, Déduction, Abduction

Induction Déduction Abduction(modus ponens)

⊢ ce n-ième exemplaire d’haricotqui vient du sac est encore blancpour i = 1, . . . , n

⊢ (∀x)[haricot−du−sac(x) ⇒blanc(x)]

⊢ (∀x)[haricot−du−sac(x) ⇒blanc(x)]

⊢ Ceci est un haricot tire du sac ⊢ Ceci est un haricot blanc

hline ⊢ ∀x[haricot(x) ⇒blanc(x)]

⊢ Ceci est blanc il est plausible que ce haricot vi-enne du sac

24/100


Induction, Déduction, AbductionInduction Déduction Abduction

(modus ponens)⊢ pi & qi ⊢ p ⇒ q ⊢ p ⇒ qpour i = 1, . . . , n ⊢ p ⊢ q⊢ p ⇒ q ⊢ q plausible(p)

Induction: Trouver un loi par généralisation de corrélationparticulièreDéduction: Déduire une conclusion à partir de la loi et d’uneproposition considérée comme vraieAbduction: Poser la plausibilité d’une hypothèse à partird’une loi et de constats

25/100


Modus Ponensp → qpq

Exemples :

S'il pleut je n'irai pas marcher au parcIl pleutJe n'irai pas marcher au parc

S'il ne pleut pas j'irai marcher au parcIl ne pleut pasJ'irai marcher au parc

26/100


Syllogisme

Validité = Vérité

Un syllogisme bien formé ne garantit pas la véracité de laconclusionExemples :

Raisonnement valide sur la forme avec une conclusion fausseLes chats sont des oiseaux.Les oiseaux pondent des oeufsDonc les chats pondent des oeufs

27/100


Syllogisme

Raisonnement non valide mais avec une conclusion vraieLes chats sont des mammifèresLes chiens sont des mammifèresLes chiens ont des poilsDonc les chats ont des poilsSi on remplace chats par dauphins, le raisonnement n’est pasvalide: les poils ne sont pas une caractéristique des mammifères.

Raisonnement valide avec une conclusion vraieLes mammifères sont des animauxLes chats sont des mammifères.Donc les chats sont des animaux

28/100


Modus Tollensp → q¬q¬p

Exemple :

S'il pleut je n'irai pas marcherJe vais marcher au parcIl ne pleut pas

Si Alex travaille sérieusement, il réussira son examenIl n'a pas réussi son examenAlex n'a pas travaillé sérieusement

29/100


Raisonnement par induction

Pi & Qi pour i = 1, ..., nP → Q

Si P est vraie pour a,b,c de a, b, c, ..., x Alors Q est vraiepour tout élément de l’ensemble

30/100


Raisonnement par induction

Tous les corbeaux que je vois sont noirs, je n’ai jamaisrencontré de corbeaux d’une autre couleur

J’en ”induis” la loi générale que tous les corbeaux sont noirs.Mais il ne s’agit que d’une quasi-certitude, car le premiercontre-exemple (voir par exemple un corbeau blanc), mettraen cause la loi précédemment établie qui s’avèrera fausse

31/100


Déduction vs Induction

32/100


Raisonnement par abduction

Q est vraieP → Q est vraieP plausible

Le raisonnement par abduction n’aboutit pas à une vérité,mais apporte une hypothèse probable qu’il y a lieud’explorer et de vérifier

33/100


Raisonnement par abduction

Face à une série de symptômes(A1, A2, A3, etc.)

le médecin peut diagnostiquer une maladie(B)

dont il est reconnu qu’elle peut provoquer chacun de cessymptômes

34/100


Raisonnement par analogie

Procède à une comparaison avant d’aboutir à une conclusionLes A’ sont à B’ ce que sont les A sont à BA’ est similaire à A équivalent B’ est similaire à B

Exemple :relation entre silice (SiO2) et silicium (Si)similaire àrelation entre dioxyde de carbone (CO2) et carbone (C)

35/100


Raisonnement par analogie

Exemple (Benjamin Franklin)La foudre et l’étincelle électrique se ressemblent, elles ont lamême couleur, la même odeur, le même comportement sur lescorps organisés.L’étincelle électrique est attirée par les pointes.Franklin a supposé que la foudre était une décharge électriqueet que la foudre était attirée par les pointes comme le courantélectrique, ce qui conduisit à l’invention du paratonnerre

36/100


Raisonnement de sens communFondé sur l’expérience de l’expert, sur la notion de bonjugement plus que sur la logiqueIntroduction des heuristiques

Exemple : Archimède (Eurêka)

Une heuristique est une règle qu’on a intérêt à utiliser en général,parce qu’on sait qu’elle conduit souvent à la solution, bien qu’onn’ait aucune certitude sur sa validité dans tous les cas.

37/100


Raisonnement de sens commun

HeuristiqueEn informatique, l’heuristique est une méthode de résolutionde problèmes, non fondée sur un modèle formel et quin’aboutit pas nécessairement à une solution.Elle procède par évaluations successives et hypothèsesprovisoires

38/100


Architecture d’un système expert

39/100



Base de règlesModèle de la connaissance de l’expert du domaine considérésous forme de règles codées dans le langage utilisé par lesystèmeBase de faitsInformations connues sur le problème traité

40/100


Règles de productionSi condition alors conclusion (ou action)

Si le spectre possède 2 pics aux masses m1 et m2 tels quem1 + m2 = m + 28et m1 - 28 est un pic élevéet m2 - 28 est un pic élevéet au moins m1 ou m2 est élevé

alors la molécule contient un groupe CétoneQuand les conclusions sont :

des faits, le système est dit analytiquedes actions, système est dit synthétique

41/100


Cycle de vie

42/100


Distribution des rôlesInformaticienConstruction du moteur d’inférences et de l’interfaceutilisateurIngénieur de la connaissance (cogniticien)Consultation des experts du domaine, ressources textuelles,BD, etc.Conception, construction et débogage de la BCExperts du domaineConnaissance du domaine en terme de relation entre faits etévénements (pas de connaissance procédurale)UtilisateurInformation sur le problème individuel à résoudre mais pas surle domaine (il ne connaît pas quelles informations sont utiles)

43/100


DENDRAL 1965

Dendritic Algorithm (DENDRAL)Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg (prixNobel en génétique) & Carl Djerassi Stanford University inCaliforniaPluridiscplinarité : informatique médecine et chimie

Considéré comme le premier SE carAutomatise le processus de prise de décision et la résolution deproblème par les chimistes

44/100


DENDRAL 1965

ObjectifIdentification d’un matériau à partir de spectrométrie de masseet de résonnance magnétique nucléaireAide aux chimistes organiques pour l’identification demolécules organiques inconnues, en analysant leurs spectres demasse et l’utilisation des connaissances en chimie

Ecrit en LISP

45/100


DENDRALhttp://www.slideshare.net/nikhilaniljilhawar/presentation1-25195033

Comporte deux sous-programmesHeuristic Dendral : système de performanceProduit un ensemble de structures chimiques possibles pouvantêtre responsables de la production des donnéesMeta Dendral : système d’apprentissagePropose un ensemble de règles de spectrométrie de masse quicorrèlent les caractéristiques de structure avec les processusproduisant le spectre de masse

Fondé surParadigme : planifier, engendrer et testerAcquisition de connaissances

46/100


DENDRAL

47/100


Expert ConfigurerXCON 1982

Développer par DEC pour la configuration d’ordinateursOffre au client un large choix de composants lors de l’achatd’équipements informatiques, de sorte que le client parvienneà un système sur mesureEn fonction de la demande du client, la configuration peutconduire au remplacement ou à l’ajout de composantsProblème

Changements rapides des composantsConfiguration d’un ordinateur requièrent des compétences etdes efforts

Ecrit en OPS5Utilisation du chaînage avant

48/100


PROSPECTOR

Développé par Artificial Intelligence Center du StanfordResearch Institute pour le U.S. Geological SurveyR. Duda, P. E.Hart, N.J. Nilsson, R. Reboh, J. Slocum, andG. Sutherland and John Gasching (1974-1983)Aide aux géologues pour l’exploration minièreA prédit l’existence d’un gisement de molybdène jusqu’alorsinconnu dans l’État de Washington

49/100


PROSPECTOR

50/100


PROSPECTOR

51/100


MYCIN

52/100


MYCINEquipe de StanfordShortliffe 1975, 1976Nom MYCIN :Suffixe commun à plusieurs agents antimicrobiensCaractéristiques :Système d’aide à la décisionDomaine d’applicationMédecine : infections bactériennes du sangTâches (à partir de données incomplètes)

Déterminer l’importance de l’infectionDéterminer l’organisme responsableIdentifier les médicaments possiblesChoisir le meilleur traitement

53/100


MYCIN

Processus de sélection d’une thérapeutiqueDécomposition en 4 étapes

1 L’infection demande-t-elle un traitement ?2 Si oui, déterminer l’organisme (ou la liste) responsable3 Sélectionner des médicaments potentiellement utilisables4 Sélectionner le meilleur traitement pour le cas considéré

54/100


Architecture de MYCIN

55/100


MYCIN : Base de connaissances

56/100


Deux règles de MYCINDiagnostic

Si le site de la culture est le sanget l’organisme est à gram négatifet l’organisme est de forme bâtonnetet le patient est un hôte à risque

alors il est plausible (degré 0.6) quel’organisme soit le pseudomonas aerugina

Traitement médicalSi l’organisme est bacteroïde

et le site de la culture était stérilealors la thérapie recommandée doit être choisie parmi les

prescriptions suivantes :chloramphénicol, climdamycine, tétracycline,lindomycine, gentamycine

57/100


Les performances de MYCINComment valider un SBC ? Quels critères ?

par rapport à l’expertsavoir traiter 90 % des problèmes ou aussi les problèmes gravestaux de réussite absoluévaluation du raisonnement suivi et des résultats

MYCIN : technique utilisée pour valider une nouvelle thérapiePour 10 cas : 8 experts et Mycin → solution du cas

1 Chaque expert évalue toutes les prescriptions (note /80)2 Le collège évalue toutes les prescriptions (note /8)3 Le collège signale les solutions inadmissibles

MYCIN : meilleurs résultats sur les 10 prescriptionsEt pourtant MYCIN n’a jamais pu être implémenté de manièreopérationnelle : POURQUOI ?

58/100


Les performances de MYCIN

59/100


Limites de MYCIN

Une stratégie de résolution impliciteDes capacités auto-explicatives assez pauvresDe grandes difficultés pour l’acquisition des connaissancesLe raisonnement est dépendant de l’ordre des règlesUne maintenance de la BC assez difficileUne dégradation brusque des compétences aux bornes dudomaineDes connaissances de surfaceAbsence de généricité des systèmes construits

60/100


Dépasser les limitesExprimer les connaissances stratégiquesMYCIN → Neo MYCIN : méta-règles explicitant la stratégieExemple :Si une observation doit toujours être expliquée et elle n’est pasexpliquée pour le « différentiel »Alors évoquer des hypothèses qui peuvent l’expliquer

Chaque méta-règle décrit une sous-tâcheEtablir le diagnostic

1 identifier le problème→ (informations initiales et plaintes somatiques)

2 établir espace des hypothèses→ (établir différentiel, grouper et différencier, explorer etraffiner)

3 effectuer les analyses

61/100


Mieux modéliser le raisonnement

Connaissances stratégiquesExpriment comment une tâche va être effectuéeUtilisent des connaissances du domaine

Connaissances du domaineConcepts manipulés et leurs relations« Ce qui est vrai » dans le domaine pour la tâche considérée

Modèle conceptuelModèle explicitant la manière dont le système

Résout le problèmeUtilise les connaissances

MC = Connaissances stratégiques + Connaissances dudomaine

62/100


Le « knowledge level » de Newell - 1982Un niveau au dessus du niveau symbolique

But = décrire un système informatiqueDifférencier connaissances et représentationsDescription du comportement observé du système à l’aide deconnaissancesIndépendamment de leur formalisation

Agent rationneldispose de connaissancesdoit atteindre des butssait effectuer des actionsest rationnelchoisit (avec ses connaissances) l’action suivante qui va le mener leplus directement au but

Application à la construction de SBCsystème = agent rationnel interagissant avec son environnementdescriptions plus structurées que ce que propose Newell.

63/100


Systèmes experts de seconde génération

Deux caractéristiques essentiellesCaractère hétérogène de ces systèmes combinant

différents types de connaissancesdifférents types de représentationsdifférentes méthodes de résolution de problèmes

Volonté de décrire et concevoir ces systèmes à un meilleurniveau d’abstraction

le «knowledge level»

64/100


SE Whale Watcher

Déterminez l’espèce de baleine que vous avez observé lors devotre dernier voyage au CanadaLien non accessible car devenu commercialhttp://www.aiinc.ca/demos/whale.shtml

65/100

http://www.aiinc.ca/demos/whale.shtml


SE en médecine

Systèmes de rappels et d’alertesAssistant Médical

permet, à partir d’un mot, d’un concept, d’une association desymptômes, de visualiser toutes les hypothèses diagnostiquespossibles, chacune documentée par une fiche accessible d’unsimple clic.

Outil d’aide au diagnostic d’OrphanetUtilisation

en ligne, en accès direct et gratuit.Le moteur d’Orphanet permet, de son côté, une recherche demaladie rare par signes et symptômes.

66/100


Watson

installation is a 10-rack supercomputer with a total of 2880 processorthreads (90 Power7 CPUs clocked at 3.5GHz, each with eight cores,and each core with four threads). There is 16TB of RAM, and theentire thing is embarrassingly parallel — it can process 500 gigabytesof data per second.

67/100



Deux parties indépendantes :une base de connaissancesun moteur d’inférences

Deux éléments supplémentaires possiblesMéta-règlesAgendas

68/100



Base de connaissancesreprésentant l’expertise du domainecomposée de

base de règlesmodélise la connaissance du domaine considéréFixe, ne change pas au cours de l exécutionbase de faitsensemble de faits décrivant le problème précis que l’on proposeau système de traiterévolue

69/100



Moteur d’inférencesles algorithmes gérant cette connaissancecapable

de raisonner à partir des informations contenues dans la basede connaissancede faire des déductions

70/100


La base de règlesElle rassemble la connaissance et le savoir-faire de l’expertElle n’évolue donc pas au cours d’une session de travailUne règle est de la forme :Si <conjonction de conditions> alors <conclusion>où les conclusions sont de la forme <Fait> = <valeur>

Une base de règlesensemble de règlessa signification logique est la conjonction de la signification logiquede chacune des règlesOn peut coder facilementsi A ou B alors Cou si A alors B et C

Il n’en est pas de même desi A alors B ou C

71/100


Métarègle et métaconnaissanceRègle sur la manière d’utiliser les règlesFinalitéGuider le moteur d’inférences sur

la stratégie de résolutionla maintenance de la base

ExempleUne métarègle de MYCINsi le patient est un hôte à risque

et s'il existe des règles mentionnant des pseudo-moniasdans une prémisse

et s'il existe des règles mentionnant des klebsiellasdans une prémisse

alors il est probable qu'il faille utiliser les premièresavant les secondes

72/100


Agenda

Moyen pour gérer la notion de plans et de planificationListe de tâches que le système peut effectuer avec les raisonsqui poussent le système à penser qu’une tâche donnée estintéressanteLe système peut donc choisir la tâche la plus intéressantepour poursuivre la résolution

73/100


Moteur d’inférence

Mécanisme permettant d’inférer des connaissances nouvelles àpartir de la base de connaissances du systèmePartie créative du système à partir des faits et des règles ilengendre de nouveaux faits afin de réaliser la résolutioneffective du problème

74/100


Le cycle de production

75/100


Techniques de résolution : ChaînageChaînage avantExemple : démonstration classique (déductive)Chaînage arrièreExemple : mécanisme de résolution des clauses de HornChaînage mixteRégime de contrôle

IrrévocableArrêt dès que l’ensemble des règles sélectionnable est videRévocable - À tentativesUtilisation du retour arrière pour remettre en cause les règlesprécédemment déclenchées

MonotonieMonotoneAjout de faitsNon monotoneRetrancher des faits de la base

76/100


Chaînage avant

Mécanisme très simplePour déduire un fait particulier, on déclenche les règles dontles prémisses sont connues jusqu’à ce que

le fait à déduire soit également connuou qu’aucune règle ne soit plus déclenchable

Plus précisémentBF: une base de faitsBR: une base de règles (ne comportant que des faits booléenspositifs)F: le fait que l’on cherche à établirL’algorithme calcule si F peut être déduit ou non de la base deconnaissances.

77/100


Algorithme du chaînage avant

Donnée : BF, BR, FDébut

Phase de filtrage => Détermination des règles applicablesTant que (ensemble de règles applicables n'est pas vide ET que le

problème n'est pas résolu) FairePhase de choix => Résolution des conflitsAppliquer la règle choisie (exécution)Modifier (éventuellement) l'ensemble des règles applicables

Fin faireFin

Pas d’indication sur comment choisir une règle applicableC’est à ce niveau que la métaconnaissance du domaineintervient et permet de définir une stratégie de choix

78/100


Chaînage avant : remarquesAlgorithme

Peut être très pénalisant pour certaines basesS’arrête toujours

Si utilisation de règles avec conclusions pouvant être des faits négatifsPour tout fait F, il peut se produire 4 situations :

F ∈ BF : le fait est établi¬ F ∈ BF : la négation du fait est établieni F, ni ¬ F ne sont dans BF : le système ne déduit rien à propos du fait.C’est une troisième valeur de vérité qui apparaît naturellement et dontl’interprétation peut être diverse selon les casF et ¬ F ∈ BF : la base est incohérente. On peut prévoir un faitBase_incohérente et une méta-règle de la forme : si il existe un fait quiappartient, ainsi que sa négation, à BF alors Base_incohérente

Le fait à établir peut ne pas être connu.Une étape de saturation de la base de connaissances consiste alors àdéduire tous les faits déductibles

79/100


Exemple

Les faitsF1 : animal a des plumesF2 : animal a un long couF3 : animal a de longues pattesLes règlesREGLE r1

SI animal vole ET animal pond des oeufsALORS animal est un oiseau

REGLE r2SI animal a des plumes ALORS animal est un oiseau

REGLE r3SI animal est un oiseau ET animal a un long cou

ET animal a de longues pattesALORS animal est une autruche

80/100


Chaînage avant

81/100


Chaînage avant : exemple

Soit BF = B,C, Fait = H et

BR composée des règles :

R1 : Si B et D et E alors FR2 : Si G et D alors AR3 : Si C et F alors AR4 : Si B alors XR5 : Si D alors ER6 : Si X et A alors HR7 : Si C alors DR8 : Si X et C alors AR9 : Si X et B alors D

L’algorithme précédent appliqué à ces paramètres prouve que H sedéduit de la base de connaissances.

82/100


Chaînage avant : exempleB CIntial facts

B C XR4

B C DR7First cycle

of deduction

B CX D

R7B CX A

R8B CX D

R9B CD X

R4B CD E

R5

Second cycleof deduction

B CX D

E

R5B CX DA

R8B CX D

R9B CX AH

R6Third cycleof deduction

B C XD E F

R1Forth cycleof deduction

B C XD E F

A

R3Fifth cycle

of deduction

B C XD E FA H

R6Sixth cycleof deduction

83/100


Chaînage arrièrePrincipe

Le moteur recherche les règles concluant sur le but à vérifier, ets’assure que ces règles sont déclenchablesLa règle est déclenchable si ses prémisses sont vérifiéesSi parmi les règles sélectionnées, une règle est déclenchable, alors lebut est vérifiéSi ce n’est pas le cas, alors les prémisses à vérifier deviennent denouveaux buts, appelés sous-buts, et le processus est réitéré

Principales conditions d’arrêtL’ensemble des sous-buts est vide (succès)= tous les sous-buts ont été vérifiés et le problème est résoluImpasse ou échec :Soit un des sous - buts n’est pas vérifiable avec la règle courante etil faut choisir une nouvelle règle pour le vérifier, et si cela n’est paspossible, alors il y a échec.

84/100


Chaînage arrière

DébutPhase de filtrageSi l'ensemble des règles sélectionnées est vide

Alors questionner l'utilisateurSinon

Tant que (le but n'est pas résolu ET qu'il reste des règlessélectionnées) Faire

Phase de choixAjouter les sous-buts (partie gauche de la règle choisie)Si un sous-but n'est pas résolu

Alors mettre le sous-but en but à résoudreFin faire

Fin

85/100


Chaînage arrière : exemple

Décrit par un arbre dont les noeuds sont étiquetés soit par un fait,soit par un des deux mots et, ouBF = B,C,DFait = H

BR composée des règles :

R1 : Si B et D et E alors FR2 : Si G et D alors AR3 : Si C et F alors AR4 : Si B alors XR5 : Si D alors ER6 : Si X et A alors HR7 : Si C alors DR8 : Si X et C alors AR9 : Si X et B alors D

86/100


Chaînage arrière : exempleH

and

X Aor

Bin FB and and useless

Gfailure

uselessC

in FBF

and

Bin FB

D E

or

Cin FB

useless Din FB

87/100


Chaînage arrière : remarquesL’algorithme de chaînage arrière peut boucler

Si les faits déjà examinés ne peuvent pas être mémorisés (parexemple parce qu’ils sont trop nombreux)

Enrichir de l’algorithme de chaînage arrièreTenir compte du caractère demandable ou non d’un faitDans ce cas, lorsqu’un fait demandable n’a pas encore étéétabli, le système le demandera à l’utilisateur avant d’essayerde le déduire d’autres faits connus

Mais pour que ce mécanisme soit efficace(ce qui implique entre autres qu’il n’agace pas l’utilisateur enposant des questions stupides)il faut que le moteur d’inférences soit capable de déterminerquelles sont les questions pertinentes Et ce problème est loind’être simple

88/100


Exemple

Considérons par exemple la base de règles suivanteSi B et C alors ASi D et E alors ASi F et G alors ASi I et J alors GSi J alors non E

On suppose que les faits B, D, F et I sont les seuls faitsdemandables

89/100


ExempleLa mémoire de travail est initialisée avec l’information J qui est vraiLa question posée au système est :

A est-il vrai ?Quelles sont les questions pertinentes à poser à l’utilisateur ?

B est-il vrai ? n’est pas un question pertinenteEn effet, aucune règle ne conclut sur le fait C qui n’est pas non plusdemandable. Comme le fait B ne peut être utilisé que conjointement à C,la valeur de vérité de B n’apportera aucune information sur celle de Ala question D est-il vrai ? n’est pas non plus pertinenteEn effet, comme on sait que J est vrai, que cela implique que E est fauxet que D n’est utilisé que conjointement à E, la valeur de vérité de D estinutile pour connaître celle de Ala question F est-il vrai ? est pertinenteEn effet, le fait G est encore déductible. Mais si la réponse à cettequestion est NON, la question I est-il vrai ? n’est plus pertinente car lavaleur de G ne sert plus à rien

90/100


Chaînage mixte

L’algorithme de chaînage mixte combine les algorithmes deChaînage avantChaînage arrière

PrincipeDonnées : F (à déduire)DEBUT

TANT QUE (F n'est pas déduit mais peut encore l'être) FAIRESaturer la base de faits par chaînage AVANT (c'est-à-dire,

déduire tout ce qui peut être déduit)Chercher quels sont les faits encore éventuellement déductiblesDéterminer une question pertinente à poser à l'utilisateur et

ajouter sa réponse à la base de faitsFIN DU TANT QUE

FIN

91/100


ExempleFaitsF1 : animal a des plumesF2 : animal a un long couF3 : animal a de longues pattes

RèglesR1SI animal vole ET animal pond des oeufs

ALORS animal est un oiseauR2SI animal a des plumes ALORS animal est un oiseauR3SI animal est un oiseau

ET animal a un long couET animal a de longues pattes

ALORS animal est une autruche

92/100


Example

Initial goal Selectionof rule r3

3 new goals Selection of new rulesor direct checking

Is the animalan ostrich?

Is the animalan bird?

Has the animala long neck?

Has the animallong legs?

ANDr3

AND

Does the animalfly?

Has the animalfeathers?

r1OR

r2

failure

ok

ok

ok

93/100


Les différents régimes de contrôle

Le raisonnement du moteur d’inférences est une succession decycle de base

Monotone versus non monotoneRévocable versus irrévocable

94/100


Régime de contrôle : monotone

Le moteur ne fait qu’ajouter des faits à la base de faitsPas de retrait de connaissancesTout est affirmé rien n’est remis en cause ultérieurement

La plupart des diagnostics médicaux appellent unfonctionnement monotone

En effet, à moins d’une maladie foudroyante les symptômes dupatient avant la consultation du médecin sont les mêmesqu’après la consultation

95/100


Régime de contrôle : non monotoneLe moteur peut, par exemple en cas de retour arrière,retrancher de la base des faits qui pourraient se révélercontradictoiresExemple

« Les métaux à température normale sont solides sauf lemercure ».

Les métaux sont solides par défaut.Un raisonnement d’aide au diagnostic dans lequel toutesconclusions peuvent être remise en cause est un raisonnementnon monotoneDans un système non monotone, le raisonnement estintimement lié à l’ordre d’application des règles

96/100


Le régime de contrôle : révocable

Possibilité de revenir sur la valeur des faits, pour permettre lechaînage arrièreOn doit pouvoir maintenir un arbre des états dépendant del’ordre des règles appliquées.La recherche peut s’orienter en largeur ou bien en profondeur,selon que l’on considère l’ensemble des règles qui peuvents’appliquer à un moment donné, ou sinon, l’ensemble desrègles que l’on peut appliquer successivement depuis unesituation donnée.Utile pour établir des plans d’actions (robot) réclamant desactions irréversibles (percer un trou)

97/100


Le régime de contrôle : irrévocableLes faits obtenus changent l’état courant de manière définitive

Pas de retour en arrière possible (système de ”backtrack”)Chaque règle ne peut s’appliquer qu’une seule fois.

Par conséquentLes concepts de recherche en largeur ou en profondeur ne sontpas pertinents dans ce régime, car on ne stocke pas l’espace derecherche, seulement l’état courant de la base de faits

Le régime irrévocable convient quandLa plupart des chemins mènent à la solution (c’est le cas de lalogique monotone), ce qui est rareEn pratique, on a souvent affaire à des systèmes qui doiventêtre modélisés en logique non monotone

98/100


Sources des transparents

Transparents de Sylvie DesprésTransparents de J-C RoutierTransparents de A. Mille

99/100


Conclusion

Systèmes utilisant des connaissancesRaisonnement symbolique et déclarativité des connaissances

Séparation des connaissances des traitementsPlusieurs types de raisonnement

Gestion de différents types de connaissances et dereprésentationsDifférentes méthodes de résolution de problèmes

100/100

modélisation et représentation des connaissances systèmes ......système informatique...

Documents