Figure 3.2 – Architecture globale du syst` eme ` a base de connaissances propos´ e

Interface Homme-Machine (IHM) Objectifs, contraintes et configuration Processus de PEN Moteur d’inférences Réseau bayésien Base de connaissances Ontologie Configuration et performances Expérience Résultats Requêtes Données Configuration / diagnostic Requêtes Résultats du PEN Processus de simulation

Par le biais d’une interface, l’utilisateur sp´ecifie un nouveau processus de PEN. Deux

modes d’utilisation de ce syst`eme `a base de connaissances sont `a distinguer.

Dans le premier mode, l’utilisateur n’impose qu’une partie des ´el´ements de la

configura-tion, ou aucun, selon un contexte, un objectif et des contraintes donn´es(budget, pr´ecision

des r´esultats, ressources). Par exemple, il peut ne pas savoir combien d’exp´eriences seront

n´ecessaires pour obtenir un mod`ele de substitution pr´ecis et pr´edictif d’un mod`ele de

simulation par ´el´ements finis. Chaque exp´erience peut immobiliser les ressources de calcul

de son ´equipe. S’il sp´ecifie trop peu d’exp´eriences, le mod`ele de substitution ne pourra

pas se substituer au mod`ele initial et il sera n´ecessaire d’ex´ecuter un nouveauPEN pour

obtenir un mod`ele de substitution convenable. Si trop d’exp´eriences sont sp´ecifi´ees, des

ressources auront pu ˆetre utilis´ees inutilement, les prises de d´ecision en aval du processus

de PEN seront plus tardives, et le mod`ele de substitution s’expose au sur-apprentissage,

ce qui aboutira ´egalement `a de mauvais r´esultats.

Dans le second mode d’utilisation, l’utilisateur propose un processus complet, mais ne

connaˆıt pas ses performances. En reprenant le mˆeme exemple, il souhaite savoir si, avec la

configuration qu’il propose, le mod`ele de substitution sera `a mˆeme de remplacer le mod`ele

de simulation par ´el´ements finis.

Pour ces deux modes, l’utilisateur pose le probl`eme au syst`eme `a base de connaissance.

Suivant la situation initiale, les donn´ees issues de la base de connaissances sont extraites,

en correspondance avec le probl`eme auquel est confront´e l’utilisateur. Les configurations

de processus de PENutilis´ees pour des cas similaires (mˆeme type de mod`ele de simulation,

mˆeme objectif, mˆeme type de produit) sont extraites de la base de connaissances (structur´ee

par l’ontologie), accompagn´ees de leurs performances associ´ees. Par exemple, tous les

processus de PENutilis´es pour une mˆeme gamme de moteur, par rapport `a la simulation

du comportement thermo-m´ecanique, dans l’objectif de produire un mod`ele de substitution,

seront extraits. Tous les ´el´ements constituants chaque processus dePENpertinents, associ´es

au temps d’ex´ecution et aux valeurs des indicateurs de pr´ecision et de pr´edictivit´e du

mod`ele de substitution sont r´ecup´er´es.

Cet ensemble des donn´ees extraites est utilis´e pour l’apprentissage du r´eseau bay´esien. Un

sous-ensemble des donn´ees extraites est utilis´e pour l’apprentissage, et le reste permettra de

tester ses performances pr´edictives. En effet, apr`es l’apprentissage, le r´eseau bay´esien pr´edira

un r´esultat pour assister l’utilisateur dans ses choix. Dans le premier mode d’utilisation,

le r´eseau bay´esien pr´edira une configuration compl`ete adapt´ee. Dans le second mode,

il pr´edira la performance d’un processus de PEN compl`etement configur´e. Il est alors

obligatoire de quantifier le taux d’erreurs de pr´ediction du r´eseau bay´esien. Comme pour

les mod`eles de substitutions, des indicateurs de performance seront associ´es au r´eseau

bay´esien. Si les performances du processus de PEN d´efinie par l’utilisateur ne sont pas

satisfaisantes, le syst`eme passera automatiquement dans le premier mode d’utilisation, en

r´eutilisant le mˆeme r´eseau bay´esien, pour proposer des alternatives.

Parmi les propositions faites par le r´eseau bay´esien se trouveront les cas d´ej`a trait´es,

mais aussi des pr´edictions sur des configurations in´edites. L’utilisateur pourra, au choix,

rester sur une configuration connue, ou explorer de nouvelles solutions si elles s’av`erent

plus performantes. L’utilisateur ne fait pas ce choix au hasard. Par le biais de l’interface,

il a acc`es `a toutes les informations lui permettant de connaˆıtre le risque qu’il prend en

choisissant une nouvelle solution. Des mesures de probabilit´es que le r´eseau bay´esien a

d’avoir raison ou tort sont syst`ematiquement associ´ees aux pr´edictions. Suivant la gravit´e

d’une erreur (une pr´ediction peut ˆetre fausse mais ˆetre `a l’avantage de l’utilisateur, si

par exemple une configuration de processus de PEN est plus performantes que pr´evue),

l’utilisateur peut estimer le risque (probabilit´e * gravit´e). Il est ´egalement libre de choisir

une configuration propos´ee par le syst`eme et de la modifier, auquel cas le syst`eme pourra

repasser dans le second cas d’utilisation.

Lorsque l’utilisateur a valid´e son choix, le processus de PENest configur´e (le type de

plan, le nombre d’exp´eriences, le type de mod`ele de substitution, etc.). Il est ex´ecut´e, les

simulations sont lanc´ees et les r´esultats duPEN et des diff´erents analyses (production d’un

mod`ele de substitution, analyse de sensibilit´e, etc.) sont r´ecup´er´ees. L’ensemble, constitu´e

de la configuration et des r´esultats, est int´egr´e dans la base de connaissance pour l’enrichir.

Cet enrichissement est profitable qu’importe s’il s’agit d’un succ`es (´economie de temps,

excellentes performances du mod`ele de substitution, etc.) ou d’un ´echec.

Tous les essais des utilisateurs seront accessibles, grˆace `a l’ontologie, et les ´echecs et

succ`es de chaque collaborateur viendront am´eliorer la productivit´e de toute l’´equipe, ou

de toutes les ´equipes.

Les deux sections suivantes d´etaillent respectivement l’architecture de l’ontologie,

struc-turant la base de connaissances, et le fonctionnement du r´eseau bay´esien.

3.2 Ontologie du domaine des processus de plan

d’ex-p´eriences num´eriques

Cette section pr´esente l’ontologie propos´ee pour structurer la base de connaissances de

l’entreprise. Cette ontologie va ´egalement servir de base pour le partage et la compr´ehension

des connaissances capitalis´ees. Elle est con¸cue de fa¸con `a ˆetre compatible avec les ontologies

existantes, pour les compl´eter avec une description des concepts sp´ecifiques aux processus

de PEN.

3.2.1 Objectifs principaux

L’ontologie propos´ee est d´efinie pour combler le manque de description du domaine

s´emantique des PEN, constat´es au cours de l’´etat de l’art (cf.chapitre 2). Cette ontologie

r´epond aux objectifs suivants :

— supporter la capitalisation des connaissances relatives aux processus de PEN. Toutes

les donn´ees relatives aux processus de PEN doivent ˆetre collect´ees et capitalis´ees

avec une structuration s´emantique commune ;

— partager les connaissances entre les diff´erents utilisateurs. Les connaissances doivent

ˆ

etre compr´ehensibles par toutes les personnes impliqu´ees dans la r´ealisation et la

gestion des processus de PEN. Cette compr´ehension doit ˆetre identique pour tous ;

— compl´eter et lier les mod`eles de donn´ees et de connaissances existants. L’´etat de

l’art (cf. chapitre 2) a r´ev´el´e l’existence d’ontologies de domaine voisins `a celui des

processus de PEN. La r´eutilisation est un des objectifs premier d’une ontologie,

assurant la continuit´e des travaux en termes de formalisation de connaissances

commun´ement comprises.

3.2.2 Description de l’ontologie pour les processus de plan

d’ex-p´eriences num´eriques

Cette ontologie, nomm´ee ODE (Ontology for numerical Design of Experiments) d´ecrit

les concepts essentiels sp´ecifiques aux processus de PEN. ODE comporte, dans sa version

actuelle, 77 classes, 31 propri´et´es liant ces classes (hors propri´et´es de sous-classe) et 38

types de donn´ees diff´erents (Figure 3.3). Parmi ces 77 classes, trois classes principales

se distinguent : la classe de processus de PEN, la classe de PEN et la classe de PEN

adaptatif. Le langage utilis´e est le langage OWL2-DL (cf. chapitre 2). La Figure3.4illustre

les diff´erentes classes d´efinies sous Prot´eg´e

.