1
Structuration des connaissances et des savoir-fairepour l’amélioration du système de production
Université Louis Pasteur de Strasbourg
Ecole Nationale Supérieure des Arts et Industries
de Strasbourg
LR SPLR SP
Laboratoire de Recherche en Productique de Strasbourg
Thierry ERBEJA
Soutenance de Thèse de doctoratStrasbourg, le 21décembre 2001
2
Plan de l’exposéPlan de l’exposé
1 Contexte et problématique
2 Limites des outils de Classification Automatique
3 Présentation de la méthode
4 Conclusion et perspectives
3
Contexte et problématique
Capitaliser un savoir-faire à partir de l’existant
Le domaine d’application : Les entreprises manufacturières
Objectif : Se recentrer sur son savoir-faire et le capitaliser
Le support du savoir-faire :Les homme et aussi les données accumulées par l’entreprise
La question : Comment exploiter les données de l’entreprise pour identifier les savoir-faire et améliorer le système de production ?
Moyen : La catégorisation
4
Contexte et problématique
Exemple : améliorer le processus de conception
Commande
Ensemble des plans = ensemble des cas traités par l’entreprise Les commandes se ressemblent souvent Pourtant à chaque commande on recommence le processus de conception
Capitaliser un savoir-faire à partir de l’existant
e Conception
Plan
5
Contexte et problématique
Exemple : Utiliser l’existant pour améliorer le processus de conception
Représentation
Réduire la diversité inutile et « standardiser »Capitaliser le savoir-faire Amélioration du processus de conception
Capitaliser un savoir-faire à partir de l’existant
6
Contexte et problématique
Démarche de catégorisation : difficultés et limites
Définir les objectifs de la catégorisation
Définir une représentation des objets
Classifier les objets
Valider les familles
XXXX - XX - XX XX XX - X - XX - X - X - X -
Forme
Fonction
Dimensions
Tolérances
Quantité
Brut Complexité
XXXX - XX - XX XX XX - X - XX - X - X - X -
Forme
Fonction
Dimensions
Tolérances
Matière Quantité
Brut Complexité
1
2
3
4
7
Contexte et problématique L’Analyse Typologique un outil pour les processus de catégorisation industriels ?
Connaissances supplémentaires
Analyse de la cohérence
Intégration dans le processus de
classification
Définir les objectifs de la catégorisation
Définir une représentation des objets
Classifier avec un outild’Analyse Typologique
Valider les familles
1
2
3
4 5
6
7
Experts de l’entreprise
Analyste
8
Contexte et problématique
Problématique
Comment accélérer le processus de catégorisation des données techniques pour la capitalisation des savoir-faire et l’amélioration du système de production ?
Pourquoi les méthodes d’Analyse Typologiques sont-elles inefficaces ?Peut-on expliquer le cycle de classification ?Peut-on s’en affranchir ?D’autres méthodes de Classification Automatique sont-elles plus efficaces ?
Utiliser un Outil de Classification Automatique
9
Limites des outils de Classification AutomatiqueUne méthode de classification élémentaire
Objectif de la catégorisation
Critère d’évaluation de la pertinence d’une classification
Chercher la partition qui optimise ce critère
Le critère des experts : en partie implicite
Les critères des méthodes d’Analyse Typologique ?
10
Limites des outils de Classification Automatique Principe des méthodes d’Analyse Typologiques
Algorithme de formation des groupes
Partition des données
a b c d
a 100 66 33 0
b 66 100 0 0
c 33 0 100 66
d 0 0 66 100
Ts
v1 v2 v3a 1 4 3b 1 5 3c 5 8 4d 3 8 4
Td
Tableau de données
Tableau de similarité
P*=max F(Ts, P)
11
Limites des outils de Classification Automatique Limites des méthodes d’Analyse Typologique
1 Le langage de représentation des objets
2 L’indice de similarité une fonction régulière des attributs
3 Des méthodes heuristiques pour former les groupes
4 Le réglages de nombreux paramètres
Des méthodes qui utilisent de nombreuses hypothèse : les biais de classificationDes biais de classification souvent implicites
Deux méthodes différentes donnent des résultats différents
Il n’existe pas de modèle analytique
12
Cas idéal : homgènes et isolés Cas difficile
isolées mais pas homogènes homogènes mais pas isolées
Limites des outils de Classification Automatique Limites des méthodes d’Analyse Typologique
Exemple de paramètre : la dualité homogénéité isolation
Classification logique et empirique
V2
V1 V1
V3 V3 V3 V3
a b c d
a 100 66 33 0
b 66 100 0 0
c 33 0 100 66
d 0 0 66 100
Ts
13
Limites des outils de Classification Automatique
L’hypothèse de similarité
Dans quelle mesure ces méthodes peuvent-elles découvrir des concepts du domaine ?
V1 V2 V3
a 1 3 5
b 1 3 6
c 1 3 2
V1 V2 V3 V1 V2 V3
w1 0 0 0 w1 0 1 0C1
w2 0 1 1 w2 0 1 1
w3 1 0 1 w3 1 0 1C2
w4 1 1 0 w4 0 0 1
Td1 Td2
1 Il existe une relation simple entre les propriétés qui définissent les concepts et les attributs descriptifs
V1 V2 V3
a 0 1 2
b 1 0 7
c -1 0 3
C = { w U tels que V1 = 1 et V2 = 3 } D = { w U tels que V1 2 + V2 2 = 1 }
2 L’information est redondante
14
Limites des outils de Classification Automatique
Interprétation du cycle de classification
Le cycle de classification admet essentiellement deux origines
Les biais de classificationLe principe de la classification empirique n’est pas celui utilisé par les expertsLes hypothèses, souvent implicites et liées au fonctionnement du système, sont étrangères aux experts
L’incomplétude des donnéesL’objectif ne permet pas de définir les critères de classificationLes experts ne sont pas experts de leur savoir-faire
C’est un processus double
D’extraction et d’affinement de connaissancesLes experts verbalisent et confrontent leur savoirIls progressent par essais erreurs
De formulation du savoir-faire sous une forme exploitable par les système d’Analyse Typologique
15
Limites des outils de Classification Automatique D’autres méthodes de Classification Automatiques
La Classification ConceptuelleCluster Un langage plus évolué et moins contraignant pour la représentation des objetsLa prise en compte de connaissances supplémentairesRegrouper les objets parce qu’ensemble ils forment une classe que l’on peut décrire CobwebUn algorithme efficaceOptimise un critère assimilable à une mesure de similarité.
Les réseaux de neuronesLes cartes de KohonenUne adaptation des méthodes de réallocation utilisée en Analyse Typologique
Les algorithmes génétiques Des méthodes d’optimisation qui utilisent des critères issues de l’Analyse Typologique
16
Limites des outils de Classification AutomatiqueLes approches interactives
h = h + 1
h = 0
NON
FINOUI
Phase de calcul
Phase de dialogue
Construction de la proposition Ph
Evaluation de la proposition Ph
validation de la proposition Ph
Recueil d’informations supplémentaires
17
Limites des outils de Classification AutomatiqueLes approches interactives
Les approches de type boîte noireIntégrer dans le système de classification automatique un système expert qui va remplacer l’analyste
Les approches de type boîte en verreGuider la démarche de correction des erreursLe système doit pouvoir expliquer pourquoi il trouve un résultat
Essentiellement des approches qui aident les experts à s’adapter à l’outil
Une approche efficace des problèmes de catégorisation pour la capitalisation d’un savoir-faire à partir de l’existantinteractive1 Prendre en charge le cycle de classification2 Améliorer les étapes d’analyse et d’intégration des connaissances supplémentaires
18
Présentation de la méthode
Principe
Connaissances supplémentaires
Analyse de la cohérence
Intégration dans le processus de
classification
Définir les objectifs de la catégorisation
Définir une représentation des objets
Classifier avec un outild’Analyse Typologique
Valider les familles
1
2
3
4 5
6
7
Experts de l’entreprise
Analyste
19
Présentation de la méthode
Les règles de regroupement : la cohabitation
Les objets tels qued1 : L/D=0 et US=6 ou 8
d2 : US=1 ou 5 doivent cohabiter
Td L/D FE FI US FO
a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5
20
Présentation de la méthode
Les règles de regroupement : l’exclusion
Les objets tels que
d1 : L/D=0 et FE=1 ou 4
d2 : L/D=0 et FE=0ne doivent pas cohabiter
d3 : L/D=0 et FI=2 et FO=5
Td L/D FE FI US FO
a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5
21
Présentation de la méthode
Les règles de codification : regroupement de modalités
Si L/D=0 alorsles modalités FI=1 et FI=4
peuvent être groupées en une seule
FI=Npour comparer deux pièces
Contexte groupe 1 relation entre les deux groupes
groupe 2
Td L/D FE FI US FO
a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5
Td L/D FE FI US FO
a 0 1 5 6 5b 0 1 N 8 6c 0 4 N 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 N 8 6I 0 5 2 5 5J 0 5 2 7 5
22
Présentation de la méthode
Exemple de base de règle formalisée
Descriptions D
Lien l R1 ( L/D = { } ; NA )
R5 ( L/D=0 FE={1, 4} ; L/D=0 FE=0 ; L/D=0 FI= 2 FO=5 ; NA )
R6 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; A )
R7 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; F )
R8 ( L/D=0 FE=7 ; D )
R9 ( L/D=0 FO=6 ; A )
R10 ( L/D=0 FE=7 FO=6 ; A )
R11 ( L/D=0 FE#7 FO=6 ; A )
R12 ( L/D=0 US=6 ; A )
R13 ( L/D=0 FE=1 FI=1 US=0 FO=0 ; F )
R14 ( L/D=0 FE={1, 4} FI=1 US=0 FO=2 ; F )
R15 ( L/D=0 FE=4 FI=4 US=0 FO=0 ; D )
R16 ( L/D=0 FE=0 FI=0 US=0 ; A )
23
Présentation de la méthode
Evaluation des règles de codification
1 Mesure de l’utilité
2 Mesure de la redondance
3 Union et cohérence
Fc1 L/D FE FI
a - N1 -
b - - -
c - N1 -
d - N1 -
e - - -
Fc2 L/D FE FI
a - - -
b - N2 -
c - N2 -
d - - -
e - - -
Fce L/D FE FI
a - N1 -
b - N2 -
c - -
d - N1 -
e - - -
=
4 Syntaxe des règles de regroupement
24
Présentation de la méthode
Fonction d’appartenance des règles de regroupement
Ar1 a b c d e f g h i j
a - - - - - - - - - -
b - 1 1 - - 1 1 - 1 -
c - 1 1 - - 1 1 - 1 -
d - - - - - - - - - -
e - - - - - - - - - -
f - 1 1 - - 1 1 - 1 -
g - 1 1 - - 1 1 - 1 -
h - - - - - - - - - -i - 1 1 - - 1 1 1 -
j - - - - - - - - - -
R1 ( p1, p2, p3 ; A) avec
ext( p1 ) = { b, c }ext( p2 ) = {f, g }ext( p3 ) = { i }
25
Présentation de la méthode
Fonction d’appartenance des règles d’exclusion
Ar2 a b c d e f g h i j
a - - - - - - - - - -
b - - - - - - 0 0 0 -
c - - - - - - 0 0 0 -
d - - - - - - 0 0 0 -
e - - - - - - - - - -
f - - - - - - - - - -
g - 0 0 0 - - - - - -
h - 0 0 0 - - - - - -i - 0 0 0 - - - - - -
j - - - - - - - - - -
R2 ( p1, p2 ; A) avec ext( p1 ) = { b, c, d }ext( p2 ) = {g, h ,i }
26
Présentation de la méthode
Evaluation de la base de règles de regroupement
1 Utilité
2 Redondance
3 Union et incohérences directes
a b c d e
a - 0 0 - 0
b 0 - 0 0 0
c 0 0 - - -
d - 0 - - 0
e 0 0 - 0 -
Ar1 a b c d e
a 1 1 - 1 -
b 1 1 - 1 -
c - - - 1 -
d 1 1 1 1 -
e - - - - -
Ar2
=
a b c d e
a 1 0 1 0
b 1 0
0
c 0 0 - 1 -
d 1 1 1 0
e 0 0 - 0 -
U
27
a b c d
a 1 1 1 0
b 1 1
1
0 c 1 1
1 0
d 0 0 0 1
Présentation de la méthode
Evaluation de la base de règles de regroupement
4 Compatibilité avec la structure de partition
a b c d
a 1 1 - 0
b 1 1
- 0 c - - - -
d 0 0 - 1
a b c d
a 1 1 0 0
b 1 1
0 0 c 0 0 1 1
d 0 0 1 1
U1
compatible
P1 P2
a b c d
a 1 0 - 1
b 1 - - -
c 0 - 0 1
d 0 - - 1
U2
NON compatibleFermeture réflexiveFermeture symétriqueFermeture transitive
28
Présentation de la méthode
Stratégie d’analyse de la fonction d’appartenance experte
Ae 1 2 3 4 5 6 7 8 9 10
1 1 1 0 0 0 0 0 0 0 0
2 1 1 0 0 0 0 0 0 0 0
3 0 0 1 - - 0 0 0 0 0
4 0 0 - 1 - 0 0 0 0 0
5 0 0 - - 1 0 0 0 0 0
6 0 0 0 0 0 1 1 - - 0
7 0 0 0 0 0 1 1 - - 0
8 0 0 0 0 0 - - 1 1 -
9 0 0 0 0 0 - - 1 1 -
10 0 0 0 0 0 0 0 - - 1
29
Présentation de la méthode
Cohérence des règles de regroupement et de codification
a b c d
a 25 50
b 25 78
c 50 56
d 78 56
Ts a b c d
a 60 45
b 60 78
c 45 56
d 78 56
Tse a b c d
a +35 -5
b +35 0
c -5 0
d 0 0
Ts
- =
a b c d
a 1 0
b 1 -
c 0 -
d - -
Ac
a b c d
a 0 0
b 0 1
c 0 -
d 1 -
Ae
=
a b c d
a 0
b 1
c 0 -
d 1 -
CRC
30
Présentation de la méthodeIntégration de l’information issue des règlesdans le processus de classification automatique
a b c d
a 60 45 25
b 60 37 78
c 45 37 56
d 25 78 56
Tsea b c d
a 1 0 0 -
b 0 1 - 1
c 0 - 1 -
d - 1 - -
Ae a b c d
a 100 0 0 25
b 0 100 37 100
c 0 37 100 56
d 25 100 56 100
Tsec
=
ise Ae isec
s 0 = Smin
s 1 = Smax
s - = s
31
Conclusion et perspectives
Implémentation d’un logiciel prototype
Une première validation sur un cas industriel
Avons nous répondus aux objectifs ?
Analyse des limites des outils d’Analyse Typologique. Définition des caractéristiques d’un outil de Classification Automatique efficace dans le contexte de la catégorisation pour la structuration des savoir-faire à partir de l’existant. Définition d’une méthode adaptée aux processus de catégorisation pour la structuration des savoir-faire à partir de l’existant.
Conclusion
Intérêt de la démarcheOrientée vers les utilisateurs, la méthode tente de s’adapte aux experts et non l’inverse. Une réponse au problème du choix de la similarité en Analyse Typologique. Une réponse à l’absence de guide méthodologique pour l’intégration des connaissances supplémentaires dans un processus d’Analyse Typologique
LimitesToutes les connaissances supplémentaires ne sont pas formalisées.Un formalisme contraignant de représentation des objets.Difficultés pour identifier les règles à l’origine des incohérences indirectes
32
Améliorer l’expressivité du formalisme de représentation des connaissances
Etendre l’expérimentation à d’autres domaines
.
Travailler en intention au niveau des règles
Définir des outils de suivi du cycle de classification pour améliorer la convergence
Aborder les problèmes de classement
Etude de la structure de l’espace des fonctions d’appartenance.
Conclusion et perspectives
Perpectives
Top Related