Formalisme de représentation des connaissances

Avant de décrire la démarche de construction du modèle, nous allons préciser le formalisme de représentation des connaissances. Lorsqu’ils sont construits à partir d’un apprentissage, cet avantage se transforme en défaut puisqu’il faut tout apprendre du problème (structure et paramètres). Les méthodes BOA se limitent à rechercher les liens entre les variables associées aux gènes.Le lien entre les décisions et les objectifs n'est alors traité qu’indirectement et globalement par sélection des cas pour l’apprentissage ou directement par classification (voir section 2.4.2.1). Ce dernier type de méthode conduit à un effet « boîte noire » entre les objectifs et les décisions associées. Dans notre étude, le lien entre les objectifs et les décisions est directement modélisé par un réseau bayésien correspondant à la représentation des connaissances a priori de l’expert.

En aide à la décision, les réseaux bayésiens sont utilisés dans de nombreux domaines d’application possédant chacun sa propre méthode de construction. De façon générale, la méthode de construction du réseau bayésien par un expert se compose des étapes suivantes :

-définir les objectifs de l'étude et le point de vue utilisé (décideur) ; par exemple, atteindre la performance requise en termes de disponibilité et de coût, etc.

-identifier l'ensemble des décisions, c’est-à-dire les choix entre les différentes actions ou propositions permettant de résoudre le problème ;

-lister l'ensemble des critères en termes de gain, perte ou utilité guidant le choix de l’action à mettre en œuvre et préciser les règles de mesure de ces critères,

-déterminer les facteurs externes (non contrôlables) et les facteurs internes (contrôlables) ayant une influence sur les critères,

-évaluer les probabilités et les conséquences associées à chaque décision : évaluation des états possibles et de l’impact de l’environnement sur les critères,

-estimer les conséquences pour les objectifs.

Dans l’approche proposée, cette démarche se traduit par la construction itérative d’un réseau bayésien. L’analyse d’une décision correspond à la création de nœuds intermédiaires issus de la démarche d’analyse ATLAS. Le schéma de gauche de la figure 3.6 présente le réseau résultant de l’analyse d’une décision. Quel que soit l’environnement, une décision est le choix entre différentes propositions (représentées par des rectangles gris dans le nœud décision) permettant de satisfaire les objectifs spécifiques de cette décision. Chaque proposition peut être décrite par ses attributs. L’ensemble des attributs d’une proposition n’est pas représenté dans le modèle. Seuls les attributs discriminants, c’est-à-dire les attributs permettant de distinguer les différentes propositions, sont retenus pour ne pas surcharger le modèle. La décision est alors assimilée à un choix entre différents niveaux pour un même attribut et/ou un choix entre les attributs différents entre les propositions.

Figure 3.6.Structure générique du modèle

L’influence des attributs peut également être décomposée et analysée. Les objectifs sont décomposés en différents critères, eux-mêmes décomposables en sous-critères. Chaque attribut peut être relié à un ensemble de critères spécifiques. Celui-ci peut également indiquer l’influence sur le processus de variables environnementales, qui sont représentées par un nœud dans le réseau. Nous désignons sous le terme commun de nœuds « concepts » les nœuds « attributs », les variables environnementales, les critères ou sous-critères. Ces nœuds sont des nœuds discrets dont le nombre d’états est défini par l’expert (les états des nœuds concepts ne sont pas représentés sur cette figure).

Ce réseau correspond à l’analyse d’une décision dans un contexte particulier. Imaginons qu’il existe un réseau idéal qui représente toutes les connaissances possibles reliant l’ensemble des décisions avec les objectifs, partant des caractéristiques élémentaires des propositions jusqu’à la jonction avec les objectifs. Ce modèle complet, illustré sur la partie droite de la figure 3.6 regroupe l’analyse des toutes les décisions présentes dans le graphe de projet. L’hypothèse faite est que l’on peut isoler, pour chaque décision, le ou les attributs des états permettant d’atteindre un objectif particulier, créer un nœud pour représenter cet attribut, puis rechercher parmi les autres décisions celles qui possèdent un état avec cet attribut et de les relier au nœud créé. Les attributs extraits peuvent être mis en relation les uns avec les autres, avec les objectifs ou avec des variables environnementales. L’apprentissage d’un tel réseau bayésien sera extrêmement long et difficile en supposant que l’on dispose de tous les nœuds concepts. Un processus d’apprentissage guidé par un expert est alors une solution extrêmement intéressante puisque chaque décision étudiée, représente un élément de la structure globale qui met en lumière certains concepts dans un contexte où ils sont pertinents. Le modèle global est acquis dans une démarche guidée par les cas, c’est-à-dire par les décisions analysées. L’expert spécifie les concepts en jeu et leurs relations. Les paramétes sont fournis par un rapide apprentissage paramètrique prenant en compte l’incertitude dans les données (bruits, données manquantes, etc.). Ce modèle est bien adapté pour la communication entre l'utilisateur et le système mais également pour les échanges entre les analystes et les preneurs de décisions puisqu’il représente la traduction d’une analyse conceptuelle.

Les arcs entre les nœuds décisions traduisent les liens de dépendance entre les décisions. Ils correspondent au fait que certaines décisions sont conditionnées par les décisions précédentes dans le graphe et constituent ce que nous appelons la connaissance structurelle. Le fait de choisir définitivement une alternative dans une relation de type « OU exclusif » entraîne l’inhibition des autres alternatives dans le contexte courant. Dans le réseau bayésien, un lien est ajouté entre chaque nœud représentant une décision de conception (nœud OU) et les nœuds décisions (tâches et nœuds OU) situées entre ce nœuds et le nœud de Fin OU (tous les nœuds sur chaque branche du nœud OU). Nous reviendrons sur cette connaissance structurelle en l'illustrant sur un exemple dans la section suivante.

Le réseau complet est composé exclusivement de nœuds discrets, ne comporte pas de cycle et les liens reliant les nœuds sont orienté des décisions vers les objectifs ou entre nœuds d’un même niveau. Ce type de structure est désigné par le terme de structure hétérarchique. Enfin, la complexité du modèle ne devra pas excéder une certaine limite en termes de taille des TCP (limite utilisée : deux cents milles lignes max.). Par rapport au modèle théorique, ce modèle capitalisant toutes les connaissances est moins complexe malgré le nombre important de nœuds. Nous avons défini un format de représentation pour une décision et les règles générales que doit vérifier le réseau d’un projet (structure hétérarchique orientée et bornée localement en complexité). Nous allons, dans la section suivante, étudier la notion de contexte et définir la démarche complète de construction du modèle contextualisé du projet courant.