4.5 Modélisation des connaissances sur l’utilisation du code M
4.5.6 Comparaison à d’autres travaux sur la formalisation de connais-
Dans les sections précédentes, nous avons présenté une modélisation de connais- sances sur l’utilisation d’un code de calcul. À ce titre, nous nous sommes intéressés
C 4 M
cutables. Nous n’avons donc pas considéré les connaissancescontenues dans ce code de
calcul. Cette section vise à présenter des recherches complémentaires à celles présentées ici, et qui concernent de manière plus générale la représentation de connaissances liées à un code de calcul. Ces recherches sont ainsi orientées sur la capitalisation de connais- sances sur un code de calcul au sein d’une entreprise. Elles utilisent ainsi des méthodes issues du domaine de la gestion des connaissances28 (voir par exemple Ermine, 2003).
M
La gestion des connaissances au sein d’une entreprise a fait l’objet de nombreuses recherches depuis le début des années 1990, pour permettre à l’entreprise d’expliciter et de mémoriser ses savoir-faire. Dans cette optique, plusieurs générations de méthodes ont été développées en France : la méthode M29(Ermineet al., 1996) a ainsi évolué
pour laisser la place à la méthode M30(Barthelméet al., 1998).
M est une((méthode d’analyse préalable à la mise en place d’un système opéra- tionnel de gestion des connaissances))Ermine (2003, p. 122). Cette méthode est basée sur l’explicitation de connaissances – recueillies principalement à partir d’entretiens – sous forme demodèles de connaissances. Chacun de ces modèles permet d’expliciter un
type précis de connaissances sous forme d’un ou plusieurs diagrammes.
La compilation de ces modèles constitue unlivre de connaissances matérialisant les
connaissances jusqu’alors tacites sur le système considéré. Ce système peut être une structure industrielle, comme on peut le voir au travers des différentes applications des méthodes MKSM et M dans de grandes entreprises françaises, mais aussi un
((simple))objet comme un code de calcul.
Application à des codes de calcul
Dans un travail de thèse, Picard (2002) a utilisé la méthode M pour la capita- lisation de connaissances sur des codes de calcul, au sein d’EDF et du Commissariat à l’Énergie Atomique (CEA-DAM). Il a ainsi élaboré une méthode opérationnelle pour réaliser cette capitalisation en adaptant la méthode M aux connaissances sur les logiciels de calcul scientifique (Picardet al., 1999a,b).
Étude d’un code de calcul au macroscope
La méthode M se base sur les différentes visions d’un système apportées par unmacroscope (voir Ermine, 1996). Le système est ainsi étudié selon les trois31 points
de vue du triangle sémiotique utilisé par Le Moigne (1990) : information, contexte et signification. L’adaptation de ce macroscope à l’étude des codes de calcul par Picard et al. (1999a) est présentée sur la figure 4.21.
Méthode de construction d’un livre de connaissance sur un code
À l’aide des différents points de vue de ce macroscope, Picard (2002) a pu proposer de nouveaux modèles de connaissances de la méthode M spécifiques à l’étude de
28. Le terme anglais estKnowledge Management. 29. PourMethodology for Knowledge System Management.
30. Pour Méthode d’Analyse et de Structuration des Connaissances.
31. Nous ne rentrerons pas ici dans le détail des points de vueontologique, phénoménologique et génétique décomposant chacun des points de vue principaux. Le lecteur intéressé est invité à se rapporter à l’ouvrage d’Ermine (1996).
4.5 M ’ M 3KpQRPqQHV H[SpULPHQWDX[ QXPpULTXHV $FWLYLWpV 'pYHORSSHPHQW ([SORLWDWLRQ ([SpULPHQWDWLRQ 7kFKHV 8WLOLVDWLRQG¶XQFRGH ,QWHUSUpWDWLRQGHGRQQpHV H[SpULPHQWDOHV &RQFHSWV &DVGHVLPXODWLRQ 'LVSRVLWLI ([SpULHQFH &DOFXODWHXU +LVWRULTXH +LVWRULTXHGHODVLPXODWLRQ +LVWRULTXHG¶XQFRGH &RGHVGHFDOFXO 2SWLRQV 9HUVLRQV 'RFXPHQW GH FRQFHSWLRQ'RFXPHQWGH FRQFHSWLRQ 3XEOLFDWLRQV VFLHQWLILTXHV 3XEOLFDWLRQV VFLHQWLILTXHV 3XEOLFDWLRQ VFLHQWLILTXH 6WDQGDUGVGHFDOFXO (YROXWLRQGHV VWDQGDUGVGHFDOFXO 6WDQGDUG GHFDOFXO
F. 4.21 –Macroscope MKSM adapté aux codes de calcul, d’après Picard et al. (1999a). A chaque sommet du triangle central correspond un point de vue : le sommet supérieur représente le point de vue information, le sommet inférieur gauche représente le point de vue contexte et le sommet inférieur droit le point de vue signification.
codes de calcul. Tous ces modèles permettent destructurer les connaissances liées à un
code de calcul à partir d’entretiens avec les concepteurs et les utilisateurs de ce code, et de les exprimer sous forme de diagrammes spécialisés. Un livre de connaissances sur un code se compose ainsi de cinq parties : un historique de simulation numérique, une présentation générale du code de calcul, l’évolution des versions et les choix de conception, la présentation générale d’une option du code, et enfin l’exploitation du code.
La dernière partie d’un livre de connaissances concernant l’exploitation du code nous intéresse particulièrement, puisqu’elle vise à présenter le contexte des études dans lesquelles est employée la simulation numérique. Malheureusement, Picard (2002) pro- pose seulement des éléments prospectifs sur ces aspects32 et n’a pu mettre en œuvre
cette partie du livre de connaissances au travers de ses cas d’étude. Nous n’avons donc pas pu nous inspirer de ces travaux pour réaliser notre modélisation des connaissances liées au calage de modèles numériques.
Commentaires
L’approche décrite dans les paragraphes précédents permet d’avoir une vision plus globale de la gestion opérationnelle des connaissances sur un code. Cette gestion peut ainsi débuter par une capitalisation dans un livre de connaissances. Cette première étape peut permettre soit de coupler le code de calcul à un système d’aide à la décision existant (voir par exemple Picardet al., 1997), soit d’utiliser un système informatique
approprié pour les mettre en œuvre de manière opérationnelle (Moisan et Ermine,
32. Il propose d’utiliser le modèle de l’historique de la méthode M pour((placer en regard des dif- férentes versions d’un code les différents “cas de simulation” valides (ou non)))et((donner une traçabilité de la qualification des modèles de simulation)).
C 4 M
2000). Un tel système peut ainsi être un système à base de connaissances pour lepilo- tage de programmes. Nous utiliserons dans le chapitre suivant des outils d’intelligence
artificielle basés sur des techniques de pilotage de programmes pour construire notre premier prototype de système d’assistance au calage.
4.6
Conclusions
Ce chapitre a permis de construire une formalisation cohérente des connaissances inventoriées et analysées tout au long des chapitres de la partie I, sous une forme es- sentiellement graphique à l’aide du formalisme UML. Nous disposons à présent d’une modélisation des connaissancesdescriptives et inférentielles mises en œuvre au cours de
la tâche de calage de modèles hydrauliques.
Cette modélisation constitue à elle seule un résultat important de cette thèse, puis- qu’elle permet de transmettre aisément un savoir-faire qui s’acquiert actuellement uni- quement au prix de longues années d’expérience. Elle constitue donc une véritable
capitalisation de connaissances sur trois sujets complémentaires :
– le calage d’un modèle numérique dans un cadre générique, par l’intermédiaire de
l’ontologie OV et la formalisation du paradigme actuel de calage. Ces élé- ments peuvent ainsi être aisément spécialisés pour construire une formalisation du calage de modèles numériques dans d’autres domaines ;
– le calage d’un modèle hydraulique unidimensionnel, avec l’ontologie OH et
les connaissances du niveau précédent. Cette partie constitue les bases d’un((code de bonnes pratiques))pour le calage de modèles hydrauliques ;
– l’utilisation du code M, par la représentation des fichiers et de leurs liens avec
l’ontologie OH et par l’insertion de l’exécution des programmes dans le paradigme pour le calage de modèles numériques. Nous proposons ainsi une al- ternative à la partie du traditionnel manuel de l’utilisateur concernant le dérou- lement d’une simulation.
Cette modélisation de connaissances fournit ainsi toutes les spécifications pour la
construction d’un système d’assistance au calage de modèles hydrauliques. Nous pré- sentons dans le chapitre suivant l’implémentation de ces connaissances au sein de pro- totypes d’un tel système.
Chapitre 5
Implémentation d’un système
opérationnel
(( Fifth-generation modelling [...] can be characterised as a fusion of earlier work in the area of Computational Hydraulics (CH) and work in the area
commonly referred to nowadays as Artificial Intelligence (AI): Fifth-generation modelling= (CH)∪ (AI) ))
Michael Barry A1
C
est consacré à l’implémentation au sein d’un système informatique des connaissances modélisées dans le chapitre précédent. Cette implémentation vise à mettre en œuvre de manièreopérationnelle le((code de bonnes pratiques))pour le calage de modèles hydrauliques développé dans le chapitre 4. Elle doit constituer une intégra- tion de raisonnements symboliques – les connaissances descriptives et inférentielles – et numériques – le code de calcul. Après avoir présenté les différentes voies envisageables pour cette intégration, nous nous intéressons plus spécifiquement aux techniques depilotage de programmes développées à l’INRIA. Nous utilisons ensuite ces techniques
pour la réalisation d’un premier prototype de système d’assistance au calage de modèles hydrauliques. Les grandes lignes de ce prototype ont fait l’objet d’un article dans le
Journal of Hydroinformatics (Vidal et al., 2005). Enfin, nous abordons le développe-
ment d’outils d’intelligence artificielle dédiés à la problématique spécifique de calage de modèles numériques. Ces techniques sont mises en place pour faciliter le dévelop- pement de systèmes à base de connaissances pour le calage de modèles numériques, indépendamment du domaine considéré.
5.1
Intégration symbolique/numérique
L’intelligence artificielle et la simulation numérique tendent toutes deux à proposer des solutions pour l’aide à la décision, suivant des approches différentes mais complé- mentaires. Alors que la simulation numérique apporte des informations foncièrement
1.Hydroinformatics – Information Technology and the Aquatic Environment. Avebury Technical, Alder- schot, U.K., p. 28.
5.1 I /
quantitatives, l’intelligence artificielle s’attache à des aspects plus qualitatifs pour la ré- solution de problèmes similaires (Doukidis et Angelides, 1994).
Nous tentons dans ces travaux de tirer parti de la complémentarité de ces deux approches pour l’aide à la résolution de la tâche de calage de modèles numériques. Cette section vise à présenter notre approche de l’intégration de ces deux domaines au niveau conceptuel. L’intégration au niveau technique sera abordée dans la section 5.2.