Représentation des connaissances et Web sémantique ......Syst eme informatique fonctionnant avec...

Systemes de connaissances

Representation des connaissanceset Web semantique

Systemes de connaissancesMaster SDL – Universite d’Orleans

https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/

Thierry [email protected]

LIMSI-CNRS &Institut Galilee - Universite Paris 13

Septembre – decembre 2019

1/100 Repr. K & IA T Hamon

https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/

[email protected]


Introduction

Objectif affiche :remplacer les experts humains d’un domaine ou les aider dansleurs expertises

Domaines d’application : nombreux et varies

Principe :On dispose de connaissances sur un domaine et d’un moteurd’inferences. A partir d’informations contextuelles factuelles,on infere de nouvelles connaissances sur le probleme considere.



Introduction

Probleme considere

defini a partir d’un etat initialpour atteindre un etat finalen passant par un ensemble d’etats intermediaires

a explorera partir desquels il faut faire des choix en fonction deconnaissances plus ou moins disponibles ou completes

Trop de possibilites pour pouvoir choisir au hasard sous peinede ne pas resoudre le probleme



Problematique des SBC

(Stefik 1995)

Comment proceder pour qu’un systeme informatiques’appuyant sur des connaissances puisse resoudre desproblemes dans un domaine donne

Tache principale d’un SBCExploiter les connaissances d’un domaine pour aider aresoudre un type de probleme

Type de probleme :

classificationreconnaissancediagnosticconfigurationplanification...



Types de systeme de connaissances

Systeme expert (SE)Systeme informatique permettant de resoudre les problemes

dans un domaine d’application determinea l’aide d’une base de connaissances etablie a partir del’expertise humaine

Systeme a base de connaissances (SBC)

Systeme informatique fonctionnant avec une base deconnaissances sur un sujet donne

SE et SBC

Les SE peuvent etre consideres comme un cas particulier desSBC

Tout systeme informatique utilise de la connaissanceMais dans un systeme a base de connaissances, celle-ci estrepresentee de facon explicite



Introduction

Un systeme expert est compose de :

la base de connaissances :base de faits :

code la connaissance sur l’etude en coursEvolution de son etat en cours d’expertise (memoire de travail)

base de regles :

code la connaissance sur le domaineFixe pour plusieurs expertisesRegle : SI condition ALORS action

le moteur d’inferences :composes des algorithmes utilises pour la deduction :

chaınage avantchaınage arrierecalcul des faits deductiblescalcul de questionchaınage mixte



Caracteristiques

les connaissances sur le domaine peuvent etre representees demaniere

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

independance entre moteur d’inferences et base deconnaissances systemes experts essentiels→ separation du procedural et du declaratif

justification du raisonnement

recherche sur un but precis ou pas

donnees monotones ou pas

interrogation de l’utilisateur



Breve histoire des systemes de connaissances

avant 1965 : Moteur de recherche generaux (GPS)

1975 : Premiere generation de systemes a base de regles(MYCIN, XCON)

1985 : Emergence des methodes d’acquisition desconnaissances (SBC)

1995 : Maturite des methodes d’acquisition des connaissances(Common KADS)

2005 : Ingenierie des ontologies (Ontologies, Web Semantique)



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


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


Quelques systemes experts

Specifiques

Dendral (1965) : determination de composes chimiques apartir de donnees spectrometriquesMycin (1970) expertise en bacteriologie (diagnostic ettraitement)Prospector (1978) evaluation geologique de sites (probabilitede presence de gisements)

Generateurs

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



Principe de realisation

Trouver un expert ou plusieurs (c’est plus fiable) sur ledomaine vise par l’expertise

Choisir un generateur de systemes experts etdeterminer les contraintes sur la representation desconnaissances (variables ? valeurs floues ? etc.) en fonction despossibilites

Interroger l’expert en lui demandant d’exprimer les valeurscles de ses analyses et les regles d’inferences (realise parl’ingenieur cogniticien)

Construire la base de regles



Resolution de problemes

Pour resoudre un probleme

un etre humain raisonne sur des concepts abstraits modelisantles objets de l’univers du probleme,

en tire des conclusions

qu’il interprete ensuite dans cet univers informatique

Simulation d’un tel comportement pour un systeme



Resolution de problemes

Par un systeme informatique :

Abstraction associant des structures aux elements du domaineet du probleme considere

Representation des structures en machine sous formed’expressions symboliques a l’aide d’un langage derepresentation des connaissances

Combinaison des expressions symboliques pour produire, parapplications de regles d’inference, de nouvelles expressions

Interpretation des expressions symboliques dans l’univers duprobleme considere et apport d’elements de solution auprobleme considere



Principes generaux

DeclarativiteSeparation connaissances / mecanismes d’exploitation(controle)

BC (faits + regles) / moteurConnaissances declaratives / connaissances procedurales

Hautes capacites de performance, du niveau de l’expert

Raisonnement symbolique



Principes generaux

Souplesse et modulariteConception aiseeAdaptation a l’utilisateur – Evolutivite

IntelligibiliteCapacite a expliquer le raisonnement produit (via des traces)

Pourquoi ? Comment ? Pourquoi pas ?Justification de resultats intermediaires

Representation lisible par une personne du domaine



Separation des connaissances des traitements

Distinction entre

Connaissance declarative

Mecanismes d’exploitation des connaissances permettantd’inferer de nouvelles connaissances

Remarque importante :

Un langage de programmation n’est pas un systeme a base deconnaissances

Les programmes utilisent conjointement les donnees etmecanismes charges de les exploiter



Raisonnement

Processus cognitif permettant

d’obtenir de nouveaux resultats

de verifier la realite d’un fait

en faisant appel soit a des

differentes � lois �

experiences

quel que soit le domaine d’application



Objectif des raisonnements

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

Prise de decisionTest d’une argumentationConduite d’une demonstration de theoreme, de la”confirmation” d’une hypothese

On dit que

l’individu effectue des inferencesle mecanisme d’elaboration de ces inferences s’appelleraisonnement



Types de raisonnement

Inductif

etablit ce qui est, en generalisant d’un echantillon a une classeentiere de phenomenespart d’un ou de plusieurs faits particuliers pour en tirer unprincipe, une loi, une idee generalel’induction generalise

Deductif

part d’une idee generale, d’un principe, d’une loi pour en tirerune consequence particuliereprocede par necessite (la conclusion est necessairementpresente dans les premisses)la deduction infere une conclusion a partir d’une premissesupposee vraie



Types de raisonnement

Abductif

porte sur ce qui peut etredesigne une forme de raisonnement qui permet d’expliquer unphenomene ou une observation a partir de certains faits,evenement 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 hypothese pour affirmer qu’elle estprobablement la cause de A1, A2, A3, etc. en particulierL’abduction infere la plausibilite d’une hypothese a partir d’unconstat

Analogique

Consiste en la mise en correspondance d’une situationanterieure et d’une situation nouvelle qui lui ressemble, afin dededuire la nature ou des aspects de cette situation nouvelle



Abduction - Exemple

Heuristique

Si A donc B

or, B est vrai

-------------------

Donc, A devient plus croyable

Raisonnement de Christophe Colomb sur l’enonce (Polya, 1989)

La terre doit etre proche puisqu’on voit des oiseaux

Ce raisonnement fait appel

Premierement, a un constat d’observation� On voit des oiseaux �

puis a un savoir commun� Si on est pres d’une terre, alors on voit des oiseaux �

d’ou l’hypothese plausible :

� La terre doit etre proche �

→ son enonciation accompagnee de sa justification



Induction Deduction AbductionConsiderons un sac qui contient des haricots et quelques haricotsautour du sac.(Pierce)

Plusieurs situations sont envisageables

Induction

Supposons qu’un certain nombre de haricots qui ont ete tires de ce sacsoient tous blancsDonc, par generalisation inductive, � tous les haricots du sac sont blancs�

Deduction

Supposons que l’on sache que tous les haricots dans ce sac sont blancs ;or, je tire un haricot du sac ;Par deduction, je puis affirmer que � cet haricot est (necessairement)blanc �

Abduction

Supposons que je sache que tous les haricots dans ce sac sont blancs ;or, voici un haricot blanc a cote du sac, qui est perce ;par abduction, je peux en inferer que � cet haricot vient du sac � est uneproposition plausible



Induction, Deduction, Abduction

Induction Deduction Abduction(modus ponens)

` ce n-ieme 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 tir e du sac

` Ceci est un haricot blanc

hline ` ∀x[haricot(x) ⇒blanc(x)]

` Ceci est blanc il est plausible que ce haricotvienne du sac



Induction, Deduction, Abduction

Induction Deduction Abduction(modus ponens)

` pi & qi ` p ⇒ q ` p ⇒ qpour i = 1, . . . , n ` p ` q

` p ⇒ q ` q plausible(p)

Induction : Trouver un loi par generalisation de correlationparticuliere

Deduction : Deduire une conclusion a partir de la loi et d’uneproposition consideree comme vraie

Abduction : Poser la plausibilite d’une hypothese a partird’une loi et de constats



Modus Ponens

p → qpq

Exemples :

S’il pleut je n’irai pas marcher au parc

Il pleut

Je n’irai pas marcher au parc

S’il ne pleut pas j’irai marcher au parc

Il ne pleut pas

J’irai marcher au parc



Syllogisme

Validite 6= Verite

Un syllogisme bien forme ne garantit pas la veracite de laconclusionExemples :

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

Donc les chats pondent des oeufs



Syllogisme

Raisonnement non valide mais avec une conclusion vraieLes chats sont des mammiferesLes chiens sont des mammiferesLes chiens ont des poils

Donc les chats ont des poils

Si on remplace chats par dauphins, le raisonnement n’est pasvalide : les poils ne sont pas une caracteristique des mammiferes.

Raisonnement valide avec une conclusion vraieLes mammiferes sont des animauxLes chats sont des mammiferes.

Donc les chats sont des animaux



Modus Tollens

p → q¬q¬p

Exemple :

S’il pleut je n’irai pas marcher

Je vais marcher au parc

Il ne pleut pas

Si Alex travaille serieusement, il reussira son examen

Il n’a pas reussi son examen

Alex n’a pas travaille serieusement



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 element de l’ensemble



Raisonnement par induction

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

J’en ”induis” la loi generale 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 precedemment etablie qui s’averera fausse



Deduction vs Induction



Raisonnement par abduction

Q est vraieP → Q est vraieP plausible

Le raisonnement par abduction n’aboutit pas a une verite,mais apporte une hypothese probable qu’il y a lieu d’ex-plorer et de verifier



Raisonnement par abduction

Face a une serie de symptomes

(A1, A2, A3, etc.)

le medecin peut diagnostiquer une maladie

(B)

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



Raisonnement par analogie

Procede a une comparaison avant d’aboutir a une conclusion

Les A’ sont a B’ ce que sont les A sont a BA’ est similaire a A equivalent B’ est similaire a B

Exemple :

relation entre silice (SiO2) et silicium (Si)

similaire a

relation entre dioxyde de carbone (CO2) et carbone (C )



Raisonnement par analogie

Exemple (Benjamin Franklin)

La foudre et l’etincelle electrique se ressemblent, elles ont lameme couleur, la meme odeur, le meme comportement sur lescorps organises.

L’etincelle electrique est attiree par les pointes.

Franklin a suppose que la foudre etait une decharge electriqueet que la foudre etait attiree par les pointes comme le courantelectrique, ce qui conduisit a l’invention du paratonnerre



Raisonnement de sens commun

Fonde sur l’experience de l’expert, sur la notion de bonjugement plus que sur la logique

Introduction des heuristiques

Exemple : Archimede (Eureka)

Une heuristique est une regle qu’on a interet a utiliser en general,

parce qu’on sait qu’elle conduit souvent a la solution, bien qu’on

n’ait aucune certitude sur sa validite dans tous les cas.



Raisonnement de sens commun

Heuristique

En informatique, l’heuristique est une methode de resolutionde problemes, non fondee sur un modele formel et quin’aboutit pas necessairement a une solution.

Elle procede par evaluations successives et hypothesesprovisoires



Architecture d’un systeme expert




Base de reglesModele de la connaissance de l’expert du domaine consideresous forme de regles codees dans le langage utilise par lesysteme

Base de faitsInformations connues sur le probleme traite



Regles de production

Si condition alors conclusion (ou action)

Si le spectre possede 2 pics aux masses m1 et m2 tels que

m1 + m2 = m + 28

et m1 - 28 est un pic eleve

et m2 - 28 est un pic eleve

et au moins m1 ou m2 est eleve

alors la molecule contient un groupe CetoneQuand les conclusions sont :

des faits, le systeme est dit analytiquedes actions, systeme est dit synthetique



Cycle de vie



Distribution des roles

InformaticienConstruction du moteur d’inferences et de l’interfaceutilisateur

Ingenieur de la connaissance (cogniticien)Consultation des experts du domaine, ressources textuelles,BD, etc.Conception, construction et debogage de la BC

Experts du domaineConnaissance du domaine en terme de relation entre faits etevenements (pas de connaissance procedurale)

UtilisateurInformation sur le probleme individuel a resoudre mais pas surle domaine (il ne connaıt pas quelles informations sont utiles)



DENDRAL 1965

Dendritic Algorithm (DENDRAL)

Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg (prixNobel en genetique) & Carl Djerassi Stanford University inCaliforniaPluridiscplinarite : informatique medecine et chimie

Considere comme le premier SE car

Automatise le processus de prise de decision et la resolution deprobleme par les chimistes



DENDRAL 1965

Objectif

Identification d’un materiau a partir de spectrometrie de masseet de resonnance magnetique nucleaireAide aux chimistes organiques pour l’identification demolecules organiques inconnues, en analysant leurs spectres demasse et l’utilisation des connaissances en chimie

Ecrit en LISP



DENDRAL

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

Comporte deux sous-programmes

Heuristic Dendral : systeme de performanceProduit un ensemble de structures chimiques possibles pouvantetre responsables de la production des donneesMeta Dendral : systeme d’apprentissagePropose un ensemble de regles de spectrometrie de masse quicorrelent les caracteristiques de structure avec les processusproduisant le spectre de masse

Fonde sur

Paradigme : planifier, engendrer et testerAcquisition de connaissances



DENDRAL



Expert ConfigurerXCON 1982

Developper par DEC pour la configuration d’ordinateurs

Offre au client un large choix de composants lors de l’achatd’equipements informatiques, de sorte que le client parviennea un systeme sur mesure

En fonction de la demande du client, la configuration peutconduire au remplacement ou a l’ajout de composants

Probleme

Changements rapides des composantsConfiguration d’un ordinateur requierent des competences etdes efforts

Ecrit en OPS5

Utilisation du chaınage avant



PROSPECTOR

Developpe par Artificial Intelligence Center du StanfordResearch Institute pour le U.S. Geological Survey

R. Duda, P. E.Hart, N.J. Nilsson, R. Reboh, J. Slocum, andG. Sutherland and John Gasching (1974-1983)

Aide aux geologues pour l’exploration miniere

A predit l’existence d’un gisement de molybdene jusqu’alorsinconnu dans l’Etat de Washington



PROSPECTOR



MYCIN



MYCIN

Equipe de StanfordShortliffe 1975, 1976

Nom MYCIN :Suffixe commun a plusieurs agents antimicrobiens

Caracteristiques :Systeme d’aide a la decision

Domaine d’applicationMedecine : infections bacteriennes du sang

Taches (a partir de donnees incompletes)

Determiner l’importance de l’infectionDeterminer l’organisme responsableIdentifier les medicaments possiblesChoisir le meilleur traitement



MYCIN

Processus de selection d’une therapeutiqueDecomposition en 4 etapes

1 L’infection demande-t-elle un traitement ?

2 Si oui, determiner l’organisme (ou la liste) responsable

3 Selectionner des medicaments potentiellement utilisables

4 Selectionner le meilleur traitement pour le cas considere



Architecture de MYCIN



MYCIN : Base de connaissances



Deux regles de MYCIN

DiagnosticSi le site de la culture est le sang

et l’organisme est a gram negatifet l’organisme est de forme batonnetet le patient est un hote a risque

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

Traitement medicalSi l’organisme est bacteroıde

et le site de la culture etait sterilealors la therapie recommandee doit etre choisie parmi les

prescriptions suivantes :chloramphenicol, climdamycine, tetracycline,lindomycine, gentamycine



Les performances de MYCIN

Comment valider un SBC ? Quels criteres ?

par rapport a l’expertsavoir traiter 90 % des problemes ou aussi les problemes gravestaux de reussite absoluevaluation du raisonnement suivi et des resultats

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

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

MYCIN : meilleurs resultats sur les 10 prescriptions

Et pourtant MYCIN n’a jamais pu etre implemente de maniereoperationnelle : POURQUOI ?



Les performances de MYCIN



Limites de MYCIN

Une strategie de resolution implicite

Des capacites auto-explicatives assez pauvres

De grandes difficultes pour l’acquisition des connaissances

Le raisonnement est dependant de l’ordre des regles

Une maintenance de la BC assez difficile

Une degradation brusque des competences aux bornes dudomaine

Des connaissances de surface

Absence de genericite des systemes construits



Depasser les limites

Exprimer les connaissances strategiques

MYCIN → Neo MYCIN : meta-regles explicitant la strategieExemple :

Si une observation doit toujours etre expliquee et elle n’est pasexpliquee pour le � differentiel �

Alors evoquer des hypotheses qui peuvent l’expliquer

Chaque meta-regle decrit une sous-tacheEtablir le diagnostic

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

2 etablir espace des hypotheses→ (etablir differentiel, grouper et differencier, explorer etraffiner)

3 effectuer les analyses



Mieux modeliser le raisonnement

Connaissances strategiques

Expriment comment une tache va etre effectueeUtilisent des connaissances du domaine

Connaissances du domaine

Concepts manipules et leurs relations� Ce qui est vrai � dans le domaine pour la tache consideree

Modele conceptuelModele explicitant la maniere dont le systeme

Resout le problemeUtilise les connaissances

MC = Connaissances strategiques + Connaissances dudomaine



Le � knowledge level � de Newell - 1982

Un niveau au dessus du niveau symbolique

But = decrire un systeme informatiqueDifferencier connaissances et representationsDescription du comportement observe du systeme a l’aide deconnaissancesIndependamment de leur formalisation

Agent rationnel

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

Application a la construction de SBC

systeme = agent rationnel interagissant avec son environnementdescriptions plus structurees que ce que propose Newell.



Systemes experts de seconde generation

Deux caracteristiques essentielles

Caractere heterogene de ces systemes combinant

differents types de connaissancesdifferents types de representationsdifferentes methodes de resolution de problemes

Volonte de decrire et concevoir ces systemes a un meilleurniveau d’abstraction

le �knowledge level�



SE Whale Watcher

Determinez l’espece de baleine que vous avez observe lors devotre dernier voyage au Canada

Lien non accessible car devenu commercialhttp://www.aiinc.ca/demos/whale.shtml


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


SE en medecine

Systemes de rappels et d’alertes

Assistant Medical

permet, a partir d’un mot, d’un concept, d’une association desymptomes, de visualiser toutes les hypotheses diagnostiquespossibles, chacune documentee par une fiche accessible d’unsimple clic.

Outil d’aide au diagnostic d’Orphanet

Utilisation

en ligne, en acces direct et gratuit.Le moteur d’Orphanet permet, de son cote, une recherche demaladie rare par signes et symptomes.



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.




Deux parties independantes :

une base de connaissances

un moteur d’inferences

Deux elements supplementaires possibles

Meta-regles

Agendas




Base de connaissances

representant l’expertise du domaine

composee de

base de reglesmodelise la connaissance du domaine considereFixe, ne change pas au cours de l executionbase de faitsensemble de faits decrivant le probleme precis que l’on proposeau systeme de traiterevolue




Moteur d’inferences

les algorithmes gerant cette connaissance

capable

de raisonner a partir des informations contenues dans la basede connaissancede faire des deductions



La base de regles

Elle rassemble la connaissance et le savoir-faire de l’expert

Elle n’evolue donc pas au cours d’une session de travail

Une regle est de la forme :

Si <conjonction de conditions> alors <conclusion>

ou les conclusions sont de la forme <Fait> = <valeur>

Une base de regles

ensemble de reglessa signification logique est la conjonction de la signification logiquede chacune des reglesOn peut coder facilement

si A ou B alors C

ou si A alors B et C

Il n’en est pas de meme de

si A alors B ou C



Metaregle et metaconnaissance

Regle sur la maniere d’utiliser les regles

FinaliteGuider le moteur d’inferences sur

la strategie de resolutionla maintenance de la base

ExempleUne metaregle de MYCIN

si le patient est un hote a risque

et s’il existe des regles mentionnant des pseudo-monias

dans une premisse

et s’il existe des regles mentionnant des klebsiellas

dans une premisse

alors il est probable qu’il faille utiliser les premieres

avant les secondes



Agenda

Moyen pour gerer la notion de plans et de planification

Liste de taches que le systeme peut effectuer avec les raisonsqui poussent le systeme a penser qu’une tache donnee estinteressante

Le systeme peut donc choisir la tache la plus interessantepour poursuivre la resolution



Moteur d’inference

Mecanisme permettant d’inferer des connaissances nouvelles apartir de la base de connaissances du systeme

Partie creative du systeme a partir des faits et des regles ilengendre de nouveaux faits afin de realiser la resolutioneffective du probleme



Le cycle de production



Techniques de resolution : Chaınage

Chaınage avantExemple : demonstration classique (deductive)

Chaınage arriereExemple : mecanisme de resolution des clauses de Horn

Chaınage mixte

Regime de controle

IrrevocableArret des que l’ensemble des regles selectionnable est videRevocable - A tentativesUtilisation du retour arriere pour remettre en cause les reglesprecedemment declenchees

Monotonie

MonotoneAjout de faitsNon monotoneRetrancher des faits de la base



Chaınage avant

Mecanisme tres simplePour deduire un fait particulier, on declenche les regles dontles premisses sont connues jusqu’a ce que

le fait a deduire soit egalement connuou qu’aucune regle ne soit plus declenchable

Plus precisement

BF : une base de faitsBR : une base de regles (ne comportant que des faits booleenspositifs)F : le fait que l’on cherche a etablirL’algorithme calcule si F peut etre deduit ou non de la base deconnaissances.



Algorithme du chaınage avant

Donnee : BF, BR, F

Debut

Phase de filtrage => Determination des regles applicables

Tant que (ensemble de regles applicables n’est pas vide ET que le

probleme n’est pas resolu) Faire

Phase de choix => Resolution des conflits

Appliquer la regle choisie (execution)

Modifier (eventuellement) l’ensemble des regles applicables

Fin faire

Fin

Pas d’indication sur comment choisir une regle applicable

C’est a ce niveau que la metaconnaissance du domaineintervient et permet de definir une strategie de choix



Chaınage avant : remarques

Algorithme

Peut etre tres penalisant pour certaines basesS’arrete toujours

Si utilisation de regles avec conclusions pouvant etre des faits negatifsPour tout fait F, il peut se produire 4 situations :

F ∈ BF : le fait est etabli¬ F ∈ BF : la negation du fait est etablieni F, ni ¬ F ne sont dans BF : le systeme ne deduit rien a propos du fait.C’est une troisieme valeur de verite qui apparaıt naturellement et dontl’interpretation peut etre diverse selon les casF et ¬ F ∈ BF : la base est incoherente. On peut prevoir un faitBase incoherente et une meta-regle de la forme : si il existe un fait quiappartient, ainsi que sa negation, a BF alors Base incoherente

Le fait a etablir peut ne pas etre connu.Une etape de saturation de la base de connaissances consiste alors adeduire tous les faits deductibles



Exemple

Les faits

F1 : animal a des plumes

F2 : animal a un long cou

F3 : animal a de longues pattes

Les regles

REGLE r1

SI animal vole ET animal pond des oeufs

ALORS animal est un oiseau

REGLE r2

SI animal a des plumes ALORS animal est un oiseau

REGLE r3

SI animal est un oiseau ET animal a un long cou

ET animal a de longues pattes

ALORS animal est une autruche



Chaınage avant



Chaınage avant : exemple

Soit BF = B,C, Fait = H et

BR composee des regles :

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 precedent applique a ces parametres prouve que H sededuit de la base de connaissances.



Chaınage avant : exemple



Chaınage arriere

Principe

Le moteur recherche les regles concluant sur le but a verifier, ets’assure que ces regles sont declenchablesLa regle est declenchable si ses premisses sont verifieesSi parmi les regles selectionnees, une regle est declenchable, alors lebut est verifieSi ce n’est pas le cas, alors les premisses a verifier deviennent denouveaux buts, appeles sous-buts, et le processus est reitere

Principales conditions d’arret

L’ensemble des sous-buts est vide (succes)= tous les sous-buts ont ete verifies et le probleme est resoluImpasse ou echec :Soit un des sous - buts n’est pas verifiable avec la regle courante etil faut choisir une nouvelle regle pour le verifier, et si cela n’est paspossible, alors il y a echec.



Chaınage arriere

Debut

Phase de filtrage

Si l’ensemble des regles selectionnees est vide

Alors questionner l’utilisateur

Sinon

Tant que (le but n’est pas resolu ET qu’il reste des regles

selectionnees) Faire

Phase de choix

Ajouter les sous-buts (partie gauche de la regle choisie)

Si un sous-but n’est pas resolu

Alors mettre le sous-but en but a resoudre

Fin faire

Fin



L’execution du chaınage arriere

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

BR composee des regles :

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’execution du chaınage arriere



Chaınage arriere : remarques

L’algorithme de chaınage arriere peut boucler

Si les faits deja examines ne peuvent pas etre memorises (parexemple parce qu’ils sont trop nombreux)

Enrichir de l’algorithme de chaınage arriere

Tenir compte du caractere demandable ou non d’un faitDans ce cas, lorsqu’un fait demandable n’a pas encore eteetabli, le systeme le demandera a l’utilisateur avant d’essayerde le deduire d’autres faits connus

Mais pour que ce mecanisme soit efficace

(ce qui implique entre autres qu’il n’agace pas l’utilisateur enposant des questions stupides)il faut que le moteur d’inferences soit capable de determinerquelles sont les questions pertinentes Et ce probleme est loind’etre simple



Exemple

Considerons par exemple la base de regles suivante

Si B et C alors A

Si D et E alors A

Si F et G alors A

Si I et J alors G

Si J alors non E

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



Exemple

La memoire de travail est initialisee avec l’information J qui est vrai

La question posee au systeme est :

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

B est-il vrai ? n’est pas un question pertinenteEn effet, aucune regle ne conclut sur le fait C qui n’est pas non plusdemandable. Comme le fait B ne peut etre utilise que conjointement a C,la valeur de verite de B n’apportera aucune information sur celle de A

la 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 utilise que conjointement a E, la valeur de verite de D estinutile pour connaıtre celle de A

la question F est-il vrai ? est pertinenteEn effet, le fait G est encore deductible. Mais si la reponse a cettequestion est NON, la question I est-il vrai ? n’est plus pertinente car lavaleur de G ne sert plus a rien



Chaınage mixte

L’algorithme de chaınage mixte combine les algorithmes de

Chaınage avantChaınage arriere

Principe

Donnees : F (a deduire)

DEBUT

TANT QUE (F n’est pas deduit mais peut encore l’etre) FAIRE

Saturer la base de faits par chaınage AVANT (c’est-a-dire,

deduire tout ce qui peut etre deduit)

Chercher quels sont les faits encore eventuellement deductibles

Determiner une question pertinente a poser a l’utilisateur et

ajouter sa reponse a la base de faits

FIN DU TANT QUE

FIN



Exemple

Faits

F1 : animal a des plumes

F2 : animal a un long cou

F3 : animal a de longues pattes

Regles

R1

SI animal vole ET animal pond des oeufs

ALORS animal est un oiseau

R2

SI animal a des plumes ALORS animal est un oiseau

R3

SI animal est un oiseau

ET animal a un long cou

ET animal a de longues pattes

ALORS animal est une autruche92/100 Repr. K & IA T Hamon


Exemple



Les differents regimes de controle

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

Monotone versus non monotone

Revocable versus irrevocable



Regime de controle : monotone

Le moteur ne fait qu’ajouter des faits a la base de faits

Pas de retrait de connaissancesTout est affirme rien n’est remis en cause ulterieurement

La plupart des diagnostics medicaux appellent unfonctionnement monotone

En effet, a moins d’une maladie foudroyante les symptomes dupatient avant la consultation du medecin sont les memesqu’apres la consultation



Regime de controle : non monotone

Le moteur peut, par exemple en cas de retour arriere,retrancher de la base des faits qui pourraient se revelercontradictoires

Exemple

� Les metaux a temperature normale sont solides sauf lemercure �.

Les metaux sont solides par defaut.

Un raisonnement d’aide au diagnostic dans lequel toutesconclusions peuvent etre remise en cause est un raisonnementnon monotone

Dans un systeme non monotone, le raisonnement estintimement lie a l’ordre d’application des regles



Le regime de controle : revocable

Possibilite de revenir sur la valeur des faits, pour permettre lechaınage arriere

On doit pouvoir maintenir un arbre des etats dependant del’ordre des regles appliquees.

La recherche peut s’orienter en largeur ou bien en profondeur,selon que l’on considere l’ensemble des regles qui peuvents’appliquer a un moment donne, ou sinon, l’ensemble desregles que l’on peut appliquer successivement depuis unesituation donnee.

Utile pour etablir des plans d’actions (robot) reclamant desactions irreversibles (percer un trou)



Le regime de controle : irrevocable

Les faits obtenus changent l’etat courant de maniere definitive

Pas de retour en arriere possible (systeme de ”backtrack”)Chaque regle ne peut s’appliquer qu’une seule fois.

Par consequent

Les concepts de recherche en largeur ou en profondeur ne sontpas pertinents dans ce regime, car on ne stocke pas l’espace derecherche, seulement l’etat courant de la base de faits

Le regime irrevocable convient quand

La plupart des chemins menent a la solution (c’est le cas de lalogique monotone), ce qui est rareEn pratique, on a souvent affaire a des systemes qui doiventetre modelises en logique non monotone



Sources des transparents

Transparents de Sylvie Despres

Transparents de J-C Routier

Transparents de A. Mille



Conclusion

Systemes utilisant des connaissances

Raisonnement symbolique et declarativite des connaissances

Separation des connaissances des traitementsPlusieurs types de raisonnement

Gestion de differents types de connaissances et derepresentations

Differentes methodes de resolution de problemes


Représentation des connaissances et Web sémantique ......Syst eme informatique fonctionnant avec...

Documents

Transcript of Représentation des connaissances et Web sémantique ......Syst eme informatique fonctionnant avec...