Plan Les systèmes multi-agents De la conception à la ...
Transcript of Plan Les systèmes multi-agents De la conception à la ...
1
Les systèmes multi-agentsDe la conception à la programmation
Laboratoire IBISC & Départ. GEIIUniversité & IUT d’Evry
Plan
• Définitions du terme « agent »• Conception et implémentation de sma
– Des acteurs aux agents– Programmation orientée agents (AOP)– Plate-formes de développement de systèmes multi-agents
(S.M.A)• IAD
– Raisonnement distribué– Intégration de connaissances hétérogènes– Notion d’ontologies
Intelligence Artificielle Distribuée (I.A.D)
• Les problèmes sont physiquement distribués• Les problèmes sont fonctionnellement distribués
– multi savoir‐faire /multi expertises– Hétérogénéïté des savoirs
• Les réseaux de communication imposent une vision distribuée– Internet, Bases de données mondiales, Web Sémantique– Penser global agir local
• La complexité impose une vision locale• Nécessité dʼadaptation (locale)
– Changer un central téléphonique ne met pas en péril le réseaumondial
Comment gérer les distribution ?
1. Les tableau noirs (blackboards)• Contrôle centralisé• Partage d’information
2. Les acteurs• Contrôle décentralisé• Envoi de messages
2
«un ensemble d’agents qui interagissent dansun environnement commun et quiparticipent à une dynamiqued’organisation » ([Demazeau Ferber 98])
Définitions du terme agent
Un agent établit un ensemble de conditions sur les relations entredes objets et des processus.
(1) Un processus (ou un processeur) est associé à chaque objet pourle rendre actif (et/ou proactif). Exemples :
Dans les systèmes basés sur les acteurs([Hewitt 77], [Briot 89]), ceprocessus exécute le comportement de l'objet.
Dans les règles de production, les processus correspondent auxdiverses règles que l’objet doit activer [Barthelemy & al. 88].
(2) Tout objet est doté d'une architecture lui permettant de modéliserdes connaissances dans son domaine de compétence ainsi que desconnaissances lui permettant d’interagir avec d’autres objets etson environnement.
(3) Chaque objet doit prendre ses décisions localement, c’est-à-dire,sans l’intervention d’un objet centralisateur (proacivité).
Définitions du terme agent (suite)
Définition de système Multi-Agents
Systèmes dans lesquels des agentsartificiels opèrentcollectivement et de façondécentralisée pour accomplirune tâche
• Agent = entité autonome,proactive, réactive, sociale
• SMA = système hétérogène,ouvert, dynamique, (auto)-organisé
• Notions importantes =concurrence, coopération,communication, coordination,collaboration, interaction
Organisation
Agents
Systèmesd’interaction
Emergence defonctionnalités Contraintes et
objectifs sociaux
Programmation concurrente basée sur les acteurs (1)
• Un objet (passif) envoie un message et attend laréponse pour entamer une autre tâche, alors qu’unacteur envoi un message et continue son activité,qui peut être, par exemple, envoyer un autremessage.
• Un acteur est un objet actif qui communique avecles autres acteurs (ses accointances) par envoi demessage asynchrone.
3
• Destinés aux machines parallèles.• Il existe plusieurs modèles (comportements)
d’acteurs : ABCL, Agha• De nombreux langages :
Plasma (Hewitt 77)Act1(Lieberman 81)Act2 (Theriault 81)Pract/Acore (Manning 87)
Programmation concurrente basée sur les acteurs (2) Modèle d’acteurs
Comportement de base d’un acteur :
1. Lire un message2. Exécuter le comportement associé au message3. Aller en 1.
Le système Actalk (Briot 89)
• Les acteurs sont des instances de la classe Actorqui permet l’encapsulation d’objets standardssmalltalk 80.
• Un acteur est caractérisé par un comportementet une boîte à lettres. Le comportement estexécuté par l’objet standard qui est encapsulé.
Actalk (suite)
Actor {mailBox, behavior} ActorBehavior {aself}
ObjectMinimalObject
ABCLActor ExtendedActorExtendedActorBehavior
ABCLActorBehavior
4
Actalk (suite)
mailBox
behavior replacementBehavior
Concept de comportement de remplacement
ABCLActor
Actor {mailBox, behavior} ActorBehavior {aself}
ObjectMinimalObject
ExtendedActor ExtendedActorBehaviorABCLActorBehavior
A counter Behavior
Counter {contents}
Instance de
Sous classe de
Exemple : un compteur acteur
Plate formes basées sur les acteursAgents dérivés d’acteurs
• Extension d’acteurs pour implémenter des agents• Un agent=un acteur• Spécification du comportement de l’acteur pour
l’adapter au comportement souhaité pour un agent
Exemple : le système Mocah
Actor ActorBehaviour Classes de Actalk
ActeurAgent AgentBehaviour Classes de Mocah
Hérite deHérite de
Les classes de Mocah à partir des classes d’Actalk.
5
Programmation orientée agentsProgrammation de systèmes multi-agents
Langages d’agents
1) D’exécution des agents en mode concurrent (asynchrone)2) Permettant l’envoie de messages entre les agents3) Architecture et/ou comportements génériques des agents4) Protocoles de communication (différents moyens de
considérer la communication)5) Interface de visualisation de l’exécution et/ou de déploiement6) Méthodologie de conception
• Une méthode simple pour l’implémentation d’unsma est par exemple : MAGE. Simuler unscheduler d’agents. Maintenir une liste d’agents etdonner la main aux agents tour à tour en leurpermettant d’exécuter un cycle. La granulation ducycle /et/ou le nombre de cycles est à définir.Dans le cas de MAGE, un agent déclenche unerègle de production à chaque fois qu’il a la main.Pas debuggage, ni de conception globale du sma.L’utilisateur est totalement libre
• Shoam est le premier à parler de la nécessitéd’avoir des langages de programmationspécifiques pour les agents, avec Agent0, donnerdétails, sur le langage, au tableau
AgentTool• Basé sur une méthodologie MaSE
1) Identifier les buts2) Appliquer les cas d’utilisation3) Raffiner les buts4) Créer les classes d’agents5) Construire les conversations6) Assembler les classes d’agents7) Implémenter effectivement les méthodes
• Déploiement des agents au sein de l’environnement• Génération automatique du code des conversations
Quelques plate-formes multi-agents célèbres
6
AgentBuilder : environnement de programmation complet• Modélisation OMT• Identification d’ontologie avec OMT• Modèle BDI pour modéliser le comportement des agents• Langage AGENT0 pour coder le comportement des agents• Langage de communication : KQML• Exécution des agents à partir du système• Possibilité de générer des .class
Quelques plate-formes multi-agents célèbres (suite)
DECAF : environnement de développement de plans• Pas de méthodologie pour la conception• Utilitaires pour décrire des plans• Mécanismes de coordination de tâches• Application d’heuristiques pour ordonnancer les tâches• Les heuristiques sont construite via une interface• Éditeur d’agents pour le « débuggage »
Quelques plate-formes multi-agents célèbres (suite)
Jack• Éditeur gestionnaire de projet• Langage de programmation (JAL)• Un compilateur• Agents basés sur le modèle BDI• Pas de déploiement
Quelques plate-formes multi-agents célèbres (suite)
JAFMAS :• un ensemble de protocoles de communication et
d’interaction entre agents• Méthodes de coordination et de vérification de
cohérence• Méthodologie en cinq phases :
1) Identifier les agents2) Identifier les conversations3) Identifier les règles de conversation4) Analyse le modèle des conversations5) Implémentation.
Quelques plate-formes multi-agents célèbres (suite)
7
Jive :• Éditeur graphique• Possibilité de travail en groupe sur un même projet• Création des conversations avec les réseaux de Pétri et le
langage COOLMadKit :• Éditeur pour le déploiement et la gestion de plusieurs
S.M.A• Utilitaire pour simulations
Quelques plate-formes multi-agents célèbres (suite)
Zeus• Trois couches :1) Agent=entité
autonome+raisonnement+croyances+ressources+préférences.
2) Organisation : relations entre les agents3) Modes de communication, protocoles, coordination• Plusieurs éditeurs : ontologies, description des
tâches, organisation, définition des agents,coordination, faits et variables.
Quelques plate-formes multi-agents célèbres (suite)
Jade : propriétés• Répond aux norme FIPA97• Pas de méthodologie spécifiée• Classes génériques pour manipulation d’ontologies• Possible mobilité des agents (migration des agents)
Quelques plate-formes multi-agents célèbres (suite)
Jade : description et utilisation
•Lancement d’un agent avec la méthode (setUp ())
•Un agent peut contenir un ou plusieurs comportements
•Un comportement peut être :
–Un lancement du moteur d’inférence (JESS)
–Toute autre méthode Java•Interface graphique pour l’enregistrement et la gestion des agents•Possibilité de visualiser les conversations•Communication par le langage ACL (FIPA)
Quelques plate-formes multi-agents célèbres (suite)
8
• Jade : architecture globale
1. AMS : Agent Management System2. ACC: Agent Communication Chanel3. DF : director facilitator (service pages jaunes)
Sites web des plate formes
AgentBuilder http://www.agentBuilder.com/AgentTool http://en.afit.af.mil/ai/agentool.htm.Brainstorm/J http://www.exa.unicen.edu.ar/~azunino/brainstormj.htmDECAF http://www.eecis.udel.edu/~decaf/Jack http://www.agentsoftware.com.au/shared/products/index.htmlJade http://sharon.cselt.it/project/jade/JAFMAS http://www.eces.uc.edu/~abaker/JAFMAS/Home.htmlJiVE http://www. eces.uc.edu/~abaker/JiVE/index.htmlMadKit http://www.madkit.orgZeus http://www.labs.bt.com/projects/agents/zeus/
Méthodologies de développement de SMA
• On initialise les accointances des acteurs• Dans le cas d’acteurs, on spécifie les
différents comportements associés auxmessages échangés
Phases concernées par la méthodologie :– Analyse– Développement– Implémentation– Déploiement
Méthodologies de développement de SMA (suite)
9
• Différentes phases de développement d’un s.m.a.• MaSE• Aalaadin ou AGR• RETSINA• Dmars• OAA• DESIRE• Gaia• Tropos• Kaos• Cassiopé
Méthodologies de développement de SMA (suite) Modes de raisonnement en Intelligence Artificielle
Un raisonnement est souvent un entrelacement de plusieurs types de raisonnement connus
Raisonnement plausible
Raisonnement non monotone
Raisonnement par défautRaisonnement qualitatif
Systèmes experts
Modus Ponens etModus Tollens
La coopération dans les SMA
La communication et la coopérationsont étroitement liées, l’envoi demessages étant le résultat dedécisions de coopération
• Coopérer, c’est adopter une attitude (Cesta and Miceli)
Etat interne
Niveau d’énergie
danger Faim Normal
0
Seuilinférieur
20 60 100
SeuilSupérieur
Relation entre niveau d’énergie et états internes des agents.
Solitaire : les agents s’ignorent.Parasite : l’unique but est de chercher de la nourriture ou de manger la nourriture envoyée par les autres agents.Egoïste : demande de l’aide ou recherche de la nourriture.Social : plusieurs types de buts en fonction de leur état interne, rechercher de la nourriture, fournir de l’aide ou demande de l’aide).
10
• Coopérer, cʼest conceptualiser (Gasser,Adler et Simoudis )– concepts manipulés :
• engagements,• les intentions et les buts
– Instanciation des concepts en fonction delʼapplication envisagée
• Coopérer c’est s’engager (« commitment »)– Qui fait quoi– Liens d’autorité entre les agents
L’engagement revêt différentes formes– L’engagement interne : une relation entre un agent et une action
(Bouron, Cohen & Levesque)– L’engagement collectif : engagement interne d’un groupe
d’agents– L’engagement social : « un agent x possède un engagement
social envers un agent y s’il s’engage à réaliser une action a(engagement interne) et si y est intéressé par l’action a. Lerésultat de a est un but pour l’agent y ; c’est pour cela que ypossède également comme but que l’agent x doit effectuer a.L’agent y possède alors des droits de regards sur l’agent x, ilpeut vérifier s’il a bien effectué a, exiger sa réalisation,protester s’il n’est pas satisfait…
• Coopérer, cʼest partager des résultats etdes tâches (Davis et Smith, Rochowiak)
• Deux modes de coopération– Partage de tâche : problème à traiter est
décomposable en sous tâches pouvant être réalisées defaçon indépendante
– Partage de résultats : doter chaque agent demoyen(s) lui permettant de partager des résultats.
• Coopérer, cʼest calculer (Sunju Park,Levi, Stirling)– Définition de montants de rétribution pour
la réalisation de tâches– Maximisation de profits individuels– Définition de niveaux de satisfaction
locaux (solution obtenue dés que tous lesniveaux sont atteints)
– Utilité épistémique : valeur de fausseté etde vérité de chaque proposition cognitive
11
• Coopérer, cʼest coordonner des plans,plan partiel global : PGP (Durfee, Lesser)
– Définition dʼun plan global et de plans locaux– Échange de plans partiels entre agents– Les agents ajustent leurs activités en
fonctions des plans des autres, et proposentdes modifications des plans
– Possibilité dʼinférer les buts des autres àpartir de leurs actions en vue dʼaméliorer lacoordination globale (réseau probabiliste dereconnaissance de plans)
Le protocole réseau contractuel
• Le protocole réseau contractuel ("ContractNet" en anglais) a été une des premièresapproches utilisées dans les systèmes multi-agents pour résoudre le problème d'allocationdes tâches (Davis et Smith, 1983).
• deux rôles: gestionnaire et contractant• Décomposition des tâches en sous-tâches
Le protocole réseau contractuel (suite)
12
Applications des SMA
• Intelligence ambiante• Simulation de systèmes complexes• Résolution de problèmes distribués• Commerce électronique• Modélisation biologique• Web services• Diagnostic de pannes• Travail collaboratif• Apprentissage collectif
Résolution de problèmes et s.m.a
problème
Analyse etconception
Algorithme derésolution du problème
domaine
Modélisationagents
•Agents et,•intéractions entre les agents
Instance duproblème
Données
Résolution
exécution
Approche classique Approche à base de s.m.a
Solution(s)
Types d’agents/types d’applications?
• Deux types d’architecture d’agents– Agents réactifs– Agents cognitifs
Types d’agents/types d’applications? (suite)
• Agents réactifs– un agent ne possède pas de représentation explicite (ni
d'eux-mêmes, ni des autres, ni de leur environnement)– un agent n’effectue pas de raisonnement abstrait (nécessite
des représentations)– l’intelligence (l'organisation) est une propriété émergente;
l'organisation des agents entre eux n’est qu’un effet induitde leur activité et de leurs interactions : elle n’est explicitéeà aucun niveau dans le système, ce n’est pas une donnée duproblème
13
Types d’agents/types d’applications? (suite)
Ethologie• Insectes sociaux, autres animaux sociaux
– fourmis, termites, abeilles, guêpes– loups, rats, primates, oiseaux, poissons
• Exemple : les fonctions collectives des fourmis LasiusNiger– régulation de la température du nid– formation collective de ponts par les ouvrières– construction et protection des nids– tri du couvain et des items de nourriture– coopération dans le transport d'objets trop lourds– choix des chemins les plus courts entre nid et sources de nourriture– choix des sources de nourriture les plus riches au détriment des autres
Types d’agents/types d’applications? (suite)Exemples de fonctions collectives
Types d’agents/types d’applications? (suite)Le fourragement Collectif
• "Benchmark" très populaireen IAD et Vie Artificielle
• Exploration et exploitationcollective d'unenvironnement inconnu etdynamique, par des robotsou agents simulés
• Beaucoup de techniquesenvisageables (inspirées laplupart du temps desfourmis)
Les robots fourrageurs
Robots
Base
Minerai
Pb = Collecte d'échantillonsde minerai dans unenvironnement inconnu
2. Ramassage 3. Retour
4. Recherche aléatoire 1. Recherche aléatoire
Les robots les plussimples
Types d’agents/types d’applications? (suite)
14
Questions conceptuelles
• Nombre et densité d'agents– Certains phénomènes ne surviennent qu'en
présence d'un nombre ou densité d'agents donné :effet de "seuil" ou "masse critique"
• Exemples– construction des arches par les termites– ponts chez les fourmis– choix du plus court chemin
Questions conceptuelles (2)
• Choisir un modèle de communication– propagation par l'environnement
• champs de potentiel• communication non-intentionnelle• instantanée ou non• pérenne ou non
– message point à point– message "broadcasté"
Questions conceptuelles (3)
• Choisir un modèle de comportement– Pourquoi un comportement se déclenche
• Perceptions ? Buts externes ?• Buts internes ? Motivations ?• Combinaison des deux ?
– Comment un comportement se déclenche• Interactions entre perceptions et motivations (activation,
planification)• Interactions entre comportements (sélection)• Inné ? Acquis ?
Modèles : Architecture de Subsumption
• Brooks 86 - Behavior Language 90• Modèle semi-hiérarchique de sélection
d'actions
Niveau 0Déplacement aléatoire
Niveau 1Construction de carte
Niveau 2Exploration
Niveau 3Evitement obstacles
Capteurs EffecteursNiveau 0
Actionner pince
15
Modèles : Architecture de Subsumption
évitement d’obstacles
suivi de piste
mouvement exploratoire
mouvement de retour
mouvement aléatoire
Agents cognitifsExemple architecture BDI
Le contrôle BDI (Michael Wooldrige)
Algorithme de contrôle d'agent BDI//B0, D0 et I0 les croyances, désirs et intentions initiales de l'agent1 B =B02 D =D03 I = I04 répéter 4.1 obtenir nouvelles perceptions p 4.2 B = revc(B, p) 4.3 I = options(D, I) 4.4 D = des(B, D ,I) 4.5 I = filtre(B, D, I) 4.6 PE = plan(B, I) 4.7 exécuter(PE) jusqu'à ce que l'agent soit arrêté
Notion d’engagement (commitment) d'un agent envers une intention
Algorithme de contrôle d'agent BDI avec obligation limitée
1 B = B02 D = D03 I = I04 répéter 4.1 obtenir nouvelles perceptions p 4.2 B = revc(B, p) 4.3 I = options(D, I) 4.4 D = des(B, D ,I) 4.5 I = filtre(B, D, I) 4.6 PE = plan(B, I) 4.7 tant que (PE<>{} et nonaccompli’I,B) et possible(I,B)) répéter
- x =exécuter(x); PE = reste(PE) - obtenir nouvelles perceptions p - B = revc(B, p) fin tant que jusqu'à ce que l'agent soit arrêtéfin
16
Algorithme de contrôle d'agent BDI avec obligation ouverte1 // initialisations4 répéter 4.1 obtenir nouvelles perceptions p 4.2 B = revc(B, p) 4.3 I = options(D, I) 4.4 D = des(B, D ,I) 4.5 I = filtre(B, D, I) 4.6 PE =plan(B, I) 4.7 tant que (PE<>{} et nonaccompli(I, B) et possible(I, B)) répéter - x = première(PE); exécuter(x); PE = reste(PE) - obtenir nouvelles perceptions p - B = revc(B, p) - D = des(B, D ,I) - I = filtre(B, D, I) - PE = plan(B, I) fin tant que jusqu'à ce que l'agent soit arrêté
Approches d’intégration de méthodes hétérogènes
• Minsky et Papert ([Minsky & Papert 74])« L’évolution des stratégies d'utilisation des
connaissances est fortement corrélée à labonne exploitation de la diversité des moyensd'expression, d'identification et d'utilisationdes connaissances. »
Approches d’intégration de méthodes hétérogènes (suite)
• Le cadre proposé :" doit permettre une interaction entre ces
différents types de connaissances de façon àavoir une compréhension complète dudomaine à résoudre..." de manière qu'ilpuisse "contrôler le choix de segments deconnaissances pertinents..." ou "déciderquand une approche particulière doit êtreinterrompue en faveur d'une autre..." ([Bublin& Kashyap 88] pages 18-25).
Objectif
• Conception d’un système permettant decombiner plusieurs modes de raisonnementlors de la résolution d’un problème
• Ce système doit être capable d’adapterdynamiquement sa manière d’intégrer lesmodes de raisonnement en fonction de soncontexte d’utilisation
17
Raisonnement multi-modèles
Systèmes Multi-Agents
C.B.R Amdec Comport ...
Mocah : Modélisation de lacoopération entre agents
hétérogènes
Intégrationcentralisée
Intégration distribuée
Jacquard
MDX2 Dynamis...
Modèles de raisonnement
Modèles de raisonnement pour le diagnostic
ExhaustivitéRéduit le risque d'explosioncombinatoireManque de rapiditéManque de fiabilité
Une Amdec(cause)
Raisonnement basé sur lesmodes de défaillance, deleur effet et criticité(Amdec)
RapiditéDiversité des problèmes traitésManque de fiabilité
Bibliothèque deCas
Raisonnement basé sur lescas (CBR)
Fiabilité de ses solutionsRisque d'une explosioncombinatoireManque d'exhaustivité
Comportementsdes composants(suspect)
Raisonnementcomportemental(Comport)
Caractéristiques desméthodes
Connaissancesmanipulées
Modèle de raisonnement
Agents coopératifs
Raisonnementà partir de cas
RaisonnementComportemental
Connaissancesde coopération
Raisonnement basésur les Amdec
Connaissancesde coopération
Connaissancesde coopération
Agent Comport
Agent CBRAgent Amdec
Caractéristiques de Mocah
• Identification de concepts communs• Modélisation de l’expertise à un niveau
conceptuel• Modélisation homogène du domaine et de la
coopération
18
Une identification de concepts communs
réalisé
e pa
r
génè
re
Méthode Données
Tâche
rend utilisable
utilise
rend candidate
modifie
Décomposition des connaissances selon trois dimensions
Exemples de tâches de diagnostic Exemples de tâches de coopération
19
NiveauSuperviseur
Connaissances sursoi
Connaissancessur
Les autres
MoteurTâches du domaine
Tâches de coopération
Agenda
Architecture interne d'un agent coopératif
Raisonnementcomportemental Raisonnement à
partir de cas
Raisonnement à partird'Amdec
Diagnostic de pannes de l'essuie-vitre
Initialisation d'un problème à résoudre
diagnostiquerdiagnostiquerdiagnostiquer
Enoncé global à résoudre
nonOk lave-vitretype Vehicule R19
Rapidité=2Fiabilité=7
Représentationslocales
Agendas
Boîtes à lettres
CBR Amdec Comport
nonOk lave-vitreCmd M145 ontype Vehicule R19Nbr d'apparitions 4Rapidité 2Fiabilité 7
nonOk lave-vitretype Vehicule R19Nbr d'apparitions 4
Rapidité=2Fiabilité=7
nonOk lave-vitretype Vehicule R19
Cmd M145 onRapidité=2Fiabilité=7
Extraits d'un scénario de coopération
CBR
Amdec
Comport
diagnostiquergénererHyp
diagnostiquergénererHyp
diagnostiquerDemandeInfo
diagnostiquergénererHyp
diagnostiquergénererHyp
diagnostiquer
DemandeInfo
Demande
diagnostiquergénererHypdiscriminerinformerAccoint
integreMess
diagnostiquergénererHyp
diagnostiquerintegrerMess
Demande
DemandeInfo
diagnostiquergénererHypvérifierHyp
DemandeInfoInformation
diagnostiquervérifierHypintegreMess
diagnostiquervérifierHypdiscriminer
DemandeInfo
informAccoint
Information
Demande
T1 T2 T3 T4 T5 T15 T16 T25
diagnostiquer diagnostiquerdiagnostiquergénererHyp
Résultat
Solution
pompe H.Sréservoir d'eau vide
Information
20
Résultats et observations
• Amélioration des caractéristiquesindividuelles des modèles de raisonnement
• Organisation dynamique de la résolution• Apparition d'un agent Pivot
• Observation de la coopération entre agents• Évaluation de la résolution collective = évaluation de l'activité
de coopération• Expérimentation de stratégies de coopération et de modèles de
raisonnement• Une modélisation d'expertises de coopération• Un environnement de programmation agent
Problématiques
Ontolgies
• Définitions• Application/intérêts
– Classification/web/langage naturel– intégration de modèles de raisonnement
• Ontologies et SMA
Définitions
An ontology is an explicit specification of aconceptualization. Ontologies definedomain concepts, their properties and therelationships between them, and thusprovide a domain language that ismeaningful to both humans and machines.They are formal theories supportingknowledge sharing and reuse.
21
Définitions (suite)
• En philosophie, l'ontologie (du grec oν, oντος,participe présent du verbe être) est l'étude de l'êtreen tant qu'être, c'est-à-dire l'étude des propriétésgénérales de ce qui existe.
• La scolastique considéra cette étude comme unepartie de la métaphysique, en tant qu'elle définitles transcendentia, les déterminations communesà tous les êtres (ce qu'on appellera plus tardmétaphysique générale, par opposition à lathéologie, dite métaphysique spéciale).
Wikipédia
• En informatique, une ontologie est un ensemblestructuré de concepts. Les concepts sont organisésdans un graphe dont les relations peuvent être :– des relations sémantiques ;– des relations de composition et d'héritage (au
sens objet)• L'objectif premier d'une ontologie est de modéliser
un ensemble de connaissances dans un domainedonné.
Conclusion
• L’I.A.D est un domaine de recherche récent• De nombreux axes non encore explorés• Plate formes explorent souvent un aspect de
l’IAD
Sources
• http://turing.cs.pub.ro/auf2/html/chapters/chapters.html (accédée le 18 janvier 2010)
• Cours Guillaume Hutzler