Architecture multicouches de l’approche proposée CMAAC-ERP

proposée « CMAAC-ERP » pour la tâche clustering basée « K-means » et ce à partir d’une grande base de données ERP centrale.

D’ailleurs, l’algorithme K-Means est considéré comme l’un des meilleurs algorithmes dédiés à la tâche de segmentations de données dans le but d’extraire des clusters de données

Début

Initialisation de k classes

Calcul de Centroid

Calcul de distance entre objet et Centroid

Groupement selon la distance minimale Groupes stables ? Fin Non Oui

homogènes. Néanmoins, il peut prendre un temps considérable lors de l’exécution de ses traitements du clustering de données, surtout avec la croissance de la quantité de données avec l’usage quotidienne.

Dans ce cadre, nous proposons notre approche à base d’agents « CMAAC-ERP » [221] pour le clustering de données ERP dont le but est de soutenir la prise de décision dans le système ERP. La puissance de notre approche « CMAAC-ERP » provient de l’utilisation du système multi-agents dont ses caractéristiques intrinsèques sont la collaboration la distribution, la flexibilité, l’évolutivité et l’efficacité. L’approche « CMAAC-ERP » assure la répartition des tâches effectuées par l'algorithme k-Means sur plusieurs agents coopérants et autonomes pour une extraction efficace des connaissances cachées dans la base de données ERP.

Les principaux objectifs de « CMAAC-ERP » reposent sur deux dimensions principales : la première est l’intégration de la plateforme ERP avec une nouvelle couche de découverte des connaissances basée sur la tâche du clustering. La deuxième est l'enrichissement de cette couche par l’utilisation du système multi-agent pour distribuer la complexité de l'algorithme k-Means sur plusieurs agents coopérants. Cela vise à réduire le temps global d’exécution nécessaire à la tâche de la segmentation de données ERP. Par conséquence, notre approche permet un regroupement efficace des enregistrements de données ERP en groupes de données similaires formant des clusters de données ERP homogènes dont le but est de servir les managers de l’entreprise à prendre des meilleures décisions en temps opportun.

L’approche « CMAAC-ERP » est fondée sur une architecture multicouches à base d’agents où chaque couche possède ses propres fonctionnalités ayant des responsabilités précises. Chaque agent du système possède également une compétence particulière et un sous ensemble de connaissances du domaine, qu’il utilise pour résoudre une partie du problème de clustering de données ERP. L'architecture multicouche proposée est illustrée dans la Figure IV 3.

Notre architecture proposée en Figure IV-3 est composée de trois couches telles que : la couche d’interface utilisateur, la couche ERP et la couche de découvertes de connaissances. Dans ce qui suit, nous décrivons les trois couches ainsi que les relations établies entre eux.

IV.2.5. Couche Interface Utilisateur

Elle comporte deux types d’interfaces, une première pour les utilisateurs du système ERP et une deuxième pour l’utilisateur Data miner. Le rôle de l’interface ERP est de capturer les besoins des utilisateurs ERP et de répondre le mieux possible pour réaliser une tâche bien précise de système ERP. L'agent d'interface utilisateur DM représente un point d’entrée vers la couche de la découverte de connaissances. Il interagit avec l’utilisateur Data miner pour l'assister lors de la formulation de sa requête de Data Mining telle que la saisie de nombre du k clusters souhaité, qui est nécessaire pour le lancement de l’opération du clustering de données ERP. Un autre rôle très important dans cette couche est la présentation des résultats de clustering de données ERP en face de l’utilisateur Data Miner dans le but de l’aide à la décision.

IV.2.6. Couche ERP :

La deuxième couche de notre architecture est consacrée à la modélisation du système ERP, qui est composé d’un ensemble de domaines métiers et une grande base de données ERP centrale, ayant une variété des données collectées à partir de n'importe quel domaine métier. Elle assure la communication et le partage des informations entre les différents

Figure IV-3 : Architecture générale du clustering de données basée agent pour l’ERP

System Users ERP I N T E R F A C E E R P Domaine Comptabilité/Fi nance Domaine production Domaine Ressources humaines Domaine Achat/ Appro Domaine Vente/Commer ce Couche d’interface utilisateur Base données ERP Vers l’aide à la décision Agent Facilitator Data Base Oriented Mining Algorithme K-Means basé agents

Couche de découverte de connaissances Couche ERP

(DBOM)

Clusters découverts

Expert

Users DM Number of k clusters

Agent de données Evaluation and interpretation Agent Interface DM Sélection de données Nettoyage de données Transformation de données

domaines tels que le domaine Achat/Appro, le domaine Vente/Commercial, le domaine Comptabilité/Finance…etc. Ainsi, la base de données ERP de cette couche représente une source de données central et partagée pour la couche de découvertes de connaissances afin d’entamer le processus du clustering de données ERP.

IV.2.7. Couche de découvertes de connaissances.

Elle est constituée d’un ensemble d’étapes successives pour la tâche du clustering de données ERP, dans le but de découvrir de nouvelles connaissances utiles et inconnues cachées dans la base de données ERP. Ces connaissances découvertes sont utilisées pour assister les utilisateurs DM à prendre les bonnes décisions au bon moment. Dans cette couche, les étapes suivies pour clustering de données ERP sont décrites comme suit :

1. Sélection de données ERP : la première étape consiste à sélectionner les attributs utiles à partir de la base de données ERP pour une tâche spécifique du clustering.

2. Nettoyage de données ERP : le principal but de cette étape est la normalisation des données ERP sélectionnées par l’élimination des bruits telles que les opérations de correction des erreurs, suppression des enregistrements en double et suppression des valeurs aberrantes (valeurs inhabituelles ou exceptionnelles). 3. Transformation de données ERP : Elle permet de transformer la structure de

données ERP sélectionnées et nettoyées pour être adéquate à la tâche du clustering de données ERP. Les données transformées sont stockées dans une Base de Données Orientée Mining (DBOM).

4. Algorithme K-Means basé agents : Cette étape est consacré à la modélisation de la tâche du clustering de données ERP basée K-Means par l’approche du système Multi-Agents, que nous détaillerons dans la section suivante.

5. Evaluation et interprétation : Elle utilise des techniques de visualisation de données (histogramme, camembert, arbre, visualisation 3D) pour la découverte des modèles de données utiles. L’évaluation de ces modèles est intéressante en se basant sur des mesures données.