Approches proposées dans la littérature

La littérature propose un nombre important d’approches de RàPC qui intègrent et utilisent les ontologies de différentes manières. Pour bien faire émerger aussi bien les invariants que les différences, nous allons étudier ces travaux pour prendre en compte les systèmes déjà proposés. Les différentes approches vont être présentées dans un ordre chronologique.

Travaux d’Aamodt

Aamodt (Aamodt A., 1991) a proposé une approche qualifiée de « knowledge-intensive ». Cette approche se base sur la base de cas et d’autres types de connaissances liées au domaine d’application. Aamodt (Aamodt A., 2004) présente également une comparaison entre les approches knowledge-intensive, à titre d’exemple le système Creek de (Aamodt, 1991). Les ontologies sont utilisées dans les systèmes knowledge-intensive pour structurer les connaissances. L’architecture de Creek se base sur un modèle structurel de RàPC ayant

une tâche de synthèse, il propose un couplage assez fort entre les connaissances des cas et

celles du domaine. Creek contient trois types de connaissances décrites par un réseau sémantique (Aamodt A., 2004) (Figure 3.1) :

- une ontologie générique ; - une ontologie de domaine ; - les cas antérieurs ;

Les connaissances des cas sont ainsi plus riches, car les descripteurs des cas correspondent à des nœuds (concepts ou instances) du réseau sémantique.

Figure 3.1 Les types des connaissances dans Creek (Aamodt A., 2004)

Travaux de Dìaz-Agudo et Gonzàlez-Calero

Dìaz-Agudo et Gonzàlez-Calero (Dìaz-Agudo B. et Gonzàlez-Calero P.A., 2000) à leur tour ont présenté dans CBROnto, un système de RàPC qui utilise une ontologie de

tâche/méthode qui fournit le vocabulaire nécessaire pour décrire les éléments impliqués

dans les processus de raisonnement. Le système CBROnto présente un avantage car il permet d’intégrer le processus de raisonnement sur les connaissances d’un domaine sous forme d’une ontologie. Dìaz-Agudo et Calero (Dìaz-Agudo B. et Gonzàlez-Calero P.A., 2002) ont proposé une architecture indépendante du domaine, basée sur CBROnto, qui permet l’intégration d’ontologies dans les applications de RàPC se basant sur un modèle Conversationnel et ayant une tâche de classification. L’objectif consiste à élaborer des systèmes qui combinent des connaissances spécifiques aux cas avec des modèles génériques des connaissances du domaine. La figure 3.2 illustre la communication entre les différentes parties de cette architecture.

Figure 3.2. Système de RàPC utilisant CBROnto (Dìaz-Agudo B. et Gonzàlez-Calero P.A., 2000).

Fuchs et Mille (Fuchs B. et Mille A., 2005) ont proposé quatre modèles de connaissances dans les systèmes de RàPC (se basant sur modèle structurel et une tache de synthèse) (Figure 3.3) :

Figure 3.3. Modèles conceptuels (Fuchs B. et Mille A., 2005).

- Le modèle conceptuel du domaine décrivant les concepts utilisés pour décrire l’ontologie du domaine indépendamment du raisonnement ;

- Le modèle de cas qui sépare le cas en problème, solution, et trace de raisonnement ;

- Les modèles de tâches qui décrivent toutes les tâches de raisonnement (élaboration, remémoration, adaptation, etc.). Ces modèles sont représentés à l’aide de deux formalismes :

o Un formalisme de spécification de tâches permettant la description des connaissances traitées en entrée et en sortie de chaque tâche séparément ; o Un formalisme de décomposition de tâches permettant la décomposition hiérarchique des tâches pour décrire le processus de raisonnement de manière détaillée ;

- Les modèles supports du raisonnement qui décrivent les connaissances nécessaires à la réalisation des inférences dans chaque tâche de raisonnement.

Travaux de Recio Garcìa et ses collègues

Recio Garcìa et ses collègues (Recio-Garcìa J.A. et al, 2006) à leur tour, préconisent différentes utilisations de l’ontologie au sein d’un système de RàPC. La figure 3.4 présente ces différentes utilisations.

Figure 3.4. Les différents usages de l’ontologie selon (Recio-Garcìa J.A. et al, 2006).

Les travaux de (Recio-Garcìa J.A. et al, 2006), (Dìaz-Agudo B. et al, 2007) ont conduit à la réalisation de jColibri, un Framework orienté objet écrit en Java pour la construction de systèmes de RàPC. Ce Framework s’est basé sur l’architecture CBROnto. Il a impliqué plusieurs algorithmes pour gérer la base de cas, la base de données, etc. Différents supports de stockage de cas (fichiers text/xml, ontologie, etc.) accessibles via des connecteurs spécifiques ont été proposés à cet effet (Figure 3.5). Le modèle de RàPC adopté est à la fois

conversationnel et structurel et ayant une tâche de synthèse. La technique d'adaptation

utilisée dans CBRonto est transformationnelle (voir section 2.3.5.3).

Figure 3.5. Connecteurs de jColibri (Recio-Garcìa J.A. et al, 2006) (Dìaz-Agudo B. et al, 2007).

Gómez-Gauchía et ses co-auteurs (Gómez-Gauchía H. et al, 2006) ont défini l’ontologie CCBROnto (Conversational CBROnto) comme une extension de CBROnto. Cette ontologie est destinée à la conception d’un système de RàPC conversationnel. Quatre modèles permettant d’organiser la base de cas ont été proposés par CCBROnto comme suit : Le modèle de domaine ; le modèle de cas ; le modèle de question (décrivant les types de questions possibles durant une session de conversation) ; le modèle d’utilisateur (permettant de personnaliser le système au profil des utilisateurs) (Figure 3.6).

Figure 3.6. Les différents modèles de Gómez-Gauchía (Gómez-Gauchía et al, 2006).

Travaux de Chen

Chen (Chen K., 2008) a travaillé sur la conception et le développement d’une mémoire pour des agents assistants personnels (PA). Cette mémoire utilise un mécanisme de RàPC. Le modèle de RàPC adopté est textuel et ayant une tâche de synthèse et ayant la technique hiérarchique comme technique d’adaptation (voir section 2.3.5.3). Ce mécanisme a été testé en développant l’agent MemoPA (Chen K. et Barthès J.B., 2007) dans la plate-forme OMAS (Open Multi-Agent System). Un des modules clés de MemoPA est l’ontologie (Figure 3.7).

Figure 3.7. Partie de la mémoire de l’agent MemoPA (Chen K. et Barthès J.B., 2007).

L’ontologie est utilisée pour :

- Identifier les concepts qui peuvent apparaître dans les messages envoyés par d’autres agents ou par l’utilisateur ;

- Choisir un agent de service qui puisse répondre à la demande de l’utilisateur.

Travaux de Hadj-M’tir

Les travaux de (Hadj-M’tir R., 2010) réalisés au sein de RIADI (Laboratoire de Recherche en Génies Documentiel et Logiciel) à l’ENSI Tunis et LIRIS (Laboratoire d’InfoRmatique en Images et Systèmes d’Information) à l’INSA, ont permis de proposer une démarche de réutilisation des situations d’apprentissage dans les Systèmes de E-Learning.

L’approche proposée s’est basée conjointement sur le RàPC et les ontologies. Le RàPC permettant de s’appuyer sur une mémoire collective de situations d’apprentissage antérieures, pour offrir à l’apprenant courant la meilleure expérience adaptée à ses attentes, déjà validée par d’autres apprenants ayant des profils similaires d’apprentissage en prenant en compte les évaluations des situations antérieures d’un groupe d’apprenants. La modélisation ontologique des différentes connaissances manipulées par le système (profil de l’apprenant, le domaine, situation d’apprentissage) a été utilisée dans le but de garantir une réutilisation optimale des situations d’apprentissage.

Cette approche s’est concrétisée en développant un prototype baptisé PELSYS, pour “Personalized E-Learning SYStem”, basé sur une architecture client-serveur permettant aux différents acteurs du système depuis un simple navigateur Web de se connecter et spécifier les connaissances du modèle du domaine, le profil de l’apprenant et les informations décrivant une stratégie d’apprentissage. PELSYS recourt à une approche de réutilisation basée sur le RàPC. Le modèle de RàPC adopté est conversationnel et ayant une tâche de

synthèse. Il propose à cet effet une récapitulation des situations d’apprentissage afin de

pouvoir les réutiliser.

Autre travaux

Valmi Dufour-Lussier (Valmi D.L. et al., 2010) a étudié l’impact de raffinement de

l’ontologie du domaine sur le processus de remémoration d’un système de RàPC. En

effet, l’enrichissement d’une ontologie améliore la remémoration et, plus globalement, la réponse finale du système. L’ontologie existante est enrichie en ajoutant automatiquement de nouveaux concepts qui vont affiner l’organisation initiale des concepts. Les nouveaux concepts introduits résultent d’un processus de fouille de données (l’analyse de concepts formels (ACF)) sur des données complémentaires relatives aux concepts de l’ontologie, collectées explicitement pour le processus de fouille. Les concepts formels créés par la fouille sont intégrés à l’ontologie, permettant ainsi de généraliser le problème cible de façon plus fine qu’avant cet ajout.

De leurs côtés, Essam A. et AbdEl-Badeeh (Essam A. et AbdEl-Badeeh M.S., 2010) ont proposé une approche qui se base sur l’utilisation conjointe de RàPC et une ontologie de

domaine de cancérologie. L’objectif est de proposer un modèle de classification des

cancers des seins pour décider s’il s’agit d’un cancer bénigne ou maligne. Une maquette baptisée « myCBR » basée sur le Framework jColibri fut proposée. Le système de RàPC utilisé est supposé conversationnel basé sur la tâche de classification. L’éditeur protégé est utilisé également pour construire l’ontologie de domaine.

Martin Kowalski et ses co-auteurs (Kowalski M. et al., 2012) ont proposé à leur tour, un système de RàPC baptisé « SCM Project Recommender » qui est piloté par une ontologie. Ce système permet de mesurer la similitude entre les collections de connaissances, qui sont écrites en langage naturel. Il permet la réutilisation des connaissances dans un contexte

complexe, en particulier les projets logistiques internationaux. L’outil prototype développé est basé de même que les travaux de (Essam A. and AbdEl-Badeeh M.S., 2010) sur le Framework jColibri.