Représentation des connaissances et Web sémantique ......Syst eme informatique fonctionnant avec...
Transcript of 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
Systemes de connaissances
Systemes de connaissances
2/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
3/100 Repr. K & IA T Hamon
Systemes de connaissances
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
4/100 Repr. K & IA T Hamon
Systemes de connaissances
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...
5/100 Repr. K & IA T Hamon
Systemes de connaissances
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
6/100 Repr. K & IA T Hamon
Systemes de connaissances
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
7/100 Repr. K & IA T Hamon
Systemes de connaissances
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
8/100 Repr. K & IA T Hamon
Systemes de connaissances
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)
9/100 Repr. K & IA T Hamon
Systemes de connaissances
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 Repr. K & IA T Hamon
Systemes de connaissances
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)
11/100 Repr. K & IA T Hamon
Systemes de connaissances
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
12/100 Repr. K & IA T Hamon
Systemes de connaissances
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
13/100 Repr. K & IA T Hamon
Systemes de connaissances
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
14/100 Repr. K & IA T Hamon
Systemes de connaissances
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
15/100 Repr. K & IA T Hamon
Systemes de connaissances
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
16/100 Repr. K & IA T Hamon
Systemes de connaissances
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
17/100 Repr. K & IA T Hamon
Systemes de connaissances
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
18/100 Repr. K & IA T Hamon
Systemes de connaissances
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
19/100 Repr. K & IA T Hamon
Systemes de connaissances
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
20/100 Repr. K & IA T Hamon
Systemes de connaissances
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
21/100 Repr. K & IA T Hamon
Systemes de connaissances
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
22/100 Repr. K & IA T Hamon
Systemes de connaissances
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
23/100 Repr. K & IA T Hamon
Systemes de connaissances
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
24/100 Repr. K & IA T Hamon
Systemes de connaissances
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
25/100 Repr. K & IA T Hamon
Systemes de connaissances
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
26/100 Repr. K & IA T Hamon
Systemes de connaissances
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
27/100 Repr. K & IA T Hamon
Systemes de connaissances
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
28/100 Repr. K & IA T Hamon
Systemes de connaissances
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
29/100 Repr. K & IA T Hamon
Systemes de connaissances
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
30/100 Repr. K & IA T Hamon
Systemes de connaissances
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
31/100 Repr. K & IA T Hamon
Systemes de connaissances
Deduction vs Induction
32/100 Repr. K & IA T Hamon
Systemes de connaissances
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
33/100 Repr. K & IA T Hamon
Systemes de connaissances
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
34/100 Repr. K & IA T Hamon
Systemes de connaissances
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 )
35/100 Repr. K & IA T Hamon
Systemes de connaissances
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
36/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
37/100 Repr. K & IA T Hamon
Systemes de connaissances
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
38/100 Repr. K & IA T Hamon
Systemes de connaissances
Architecture d’un systeme expert
39/100 Repr. K & IA T Hamon
Systemes de connaissances
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
40/100 Repr. K & IA T Hamon
Systemes de connaissances
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
41/100 Repr. K & IA T Hamon
Systemes de connaissances
Cycle de vie
42/100 Repr. K & IA T Hamon
Systemes de connaissances
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)
43/100 Repr. K & IA T Hamon
Systemes de connaissances
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
44/100 Repr. K & IA T Hamon
Systemes de connaissances
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
45/100 Repr. K & IA T Hamon
Systemes de connaissances
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
46/100 Repr. K & IA T Hamon
Systemes de connaissances
DENDRAL
47/100 Repr. K & IA T Hamon
Systemes de connaissances
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
48/100 Repr. K & IA T Hamon
Systemes de connaissances
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
49/100 Repr. K & IA T Hamon
Systemes de connaissances
PROSPECTOR
50/100 Repr. K & IA T Hamon
Systemes de connaissances
PROSPECTOR
51/100 Repr. K & IA T Hamon
Systemes de connaissances
MYCIN
52/100 Repr. K & IA T Hamon
Systemes de connaissances
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
53/100 Repr. K & IA T Hamon
Systemes de connaissances
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
54/100 Repr. K & IA T Hamon
Systemes de connaissances
Architecture de MYCIN
55/100 Repr. K & IA T Hamon
Systemes de connaissances
MYCIN : Base de connaissances
56/100 Repr. K & IA T Hamon
Systemes 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
57/100 Repr. K & IA T Hamon
Systemes de connaissances
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 ?
58/100 Repr. K & IA T Hamon
Systemes de connaissances
Les performances de MYCIN
59/100 Repr. K & IA T Hamon
Systemes de connaissances
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
60/100 Repr. K & IA T Hamon
Systemes de connaissances
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
61/100 Repr. K & IA T Hamon
Systemes de connaissances
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
62/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
63/100 Repr. K & IA T Hamon
Systemes de connaissances
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�
64/100 Repr. K & IA T Hamon
Systemes de connaissances
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
65/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
66/100 Repr. K & IA T Hamon
Systemes de connaissances
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 Repr. K & IA T Hamon
Systemes de connaissances
Architecture d’un systeme expert
Deux parties independantes :
une base de connaissances
un moteur d’inferences
Deux elements supplementaires possibles
Meta-regles
Agendas
68/100 Repr. K & IA T Hamon
Systemes de connaissances
Architecture d’un systeme expert
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
69/100 Repr. K & IA T Hamon
Systemes de connaissances
Architecture d’un systeme expert
Moteur d’inferences
les algorithmes gerant cette connaissance
capable
de raisonner a partir des informations contenues dans la basede connaissancede faire des deductions
70/100 Repr. K & IA T Hamon
Systemes de connaissances
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
71/100 Repr. K & IA T Hamon
Systemes de connaissances
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
72/100 Repr. K & IA T Hamon
Systemes de connaissances
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
73/100 Repr. K & IA T Hamon
Systemes de connaissances
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
74/100 Repr. K & IA T Hamon
Systemes de connaissances
Le cycle de production
75/100 Repr. K & IA T Hamon
Systemes de connaissances
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
76/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
77/100 Repr. K & IA T Hamon
Systemes de connaissances
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
78/100 Repr. K & IA T Hamon
Systemes de connaissances
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
79/100 Repr. K & IA T Hamon
Systemes de connaissances
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
80/100 Repr. K & IA T Hamon
Systemes de connaissances
Chaınage avant
81/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
82/100 Repr. K & IA T Hamon
Systemes de connaissances
Chaınage avant : exemple
83/100 Repr. K & IA T Hamon
Systemes de connaissances
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.
84/100 Repr. K & IA T Hamon
Systemes de connaissances
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
85/100 Repr. K & IA T Hamon
Systemes de connaissances
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
86/100 Repr. K & IA T Hamon
Systemes de connaissances
L’execution du chaınage arriere
87/100 Repr. K & IA T Hamon
Systemes de connaissances
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
88/100 Repr. K & IA T Hamon
Systemes de connaissances
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
89/100 Repr. K & IA T Hamon
Systemes de connaissances
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
90/100 Repr. K & IA T Hamon
Systemes de connaissances
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
91/100 Repr. K & IA T Hamon
Systemes de connaissances
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
Systemes de connaissances
Exemple
93/100 Repr. K & IA T Hamon
Systemes de connaissances
Les differents regimes de controle
Le raisonnement du moteur d’inferences est une succession decycle de base
Monotone versus non monotone
Revocable versus irrevocable
94/100 Repr. K & IA T Hamon
Systemes de connaissances
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
95/100 Repr. K & IA T Hamon
Systemes de connaissances
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
96/100 Repr. K & IA T Hamon
Systemes de connaissances
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)
97/100 Repr. K & IA T Hamon
Systemes de connaissances
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
98/100 Repr. K & IA T Hamon
Systemes de connaissances
Sources des transparents
Transparents de Sylvie Despres
Transparents de J-C Routier
Transparents de A. Mille
99/100 Repr. K & IA T Hamon
Systemes de connaissances
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
100/100 Repr. K & IA T Hamon