Ces recherches se sont concentr´ees sur les m´ethodes de raisonnement bas´ees sur la
connaissance et l’apprentissage. Les domaines pr´esent´es ici ne sont pas cloisonn´es et
certaines m´ethodes ´etudi´ees appartiennent `a plusieurs domaines. Ces m´ethodes sont
compar´ees par rapport aux crit`eres ´enonc´es. Une m´ethode est alors s´electionn´ee, afin de
mettre en place un syst`eme `a base de connaissances.
2.3.1 Crit`eres d’analyses
Pour assurer une aide `a la d´ecision la plus efficace possible, il est n´ecessaire d’identifier
une solution assurant les fonctions d´etaill´ees ci-dessous.
1. Un raisonnement explicite. L’objectif de ce syst`eme est de fournir une aide `a la
d´ecision et ne pr´etend pas remplacer l’utilisateur. Le moteur d’inf´erences ne doit
pas se comporter comme une boˆıte noire. Les propositions du syst`eme doivent ˆetre
accompagn´ees d’explications compr´ehensibles permettant une appropriation de ces
conclusions et la cr´eation de nouvelles connaissances.
2. Une capacit´e d’apprentissage. Le syst`eme doit pouvoir supporter l’enrichissement
progressif de la base de connaissances. Les connaissances existantes concernant la
configuration du processus de PEN sont parfois floues ou tacites. Une capacit´e
d’apprentissage automatique `a partir des donn´ees capitalis´ees permettra d’enrichir le
raisonnement et le faire ´evoluer au cours du temps. Dans un but de d´ecouverte de
nouvelles connaissances, il est n´ecessaire de se baser sur les donn´ees r´ecolt´ees et de
r´ealiser un raisonnement empirique, au moins en partie.
3. Le support des connaissances expertes. Les connaissances explicites, mˆeme
incertaines, sont essentielles et ne peuvent pas ˆetre ignor´ees. Les connaissances
expertes doivent ˆetre int´egr´ees au sein du moteur d’inf´erences. Toutefois, le moteur
d’inf´erences doit pouvoir se passer de telles connaissances si elles sont manquantes.
4. Le support des donn´ees discr`etes et continues. Comme identifi´e dans le
cha-pitre 1, la majorit´e des donn´ees d´efinissant une configuration sont des donn´ees
discr`etes. Par exemple, le choix d’un type de mod`ele empirique se fait au sein d’un
ensemble fini et discret de m´ethodes existantes E = [R´eseaux de neurones, Polynˆomes,
Krigeage,etc.]. D’autres donn´ees peuvent ˆetre continues, comme certains param`etres
de certaines m´ethodes (ex : seuil de convergence d’un algorithme d’optimisation) ou
les valeurs des indicateurs de performance d’une configuration donn´ee. Le moteur
d’inf´erence doit pouvoir supporter les deux types de donn´ees.
5. Le support des m´ethodes `a comportement al´eatoire. Certaines m´ethodes
utilis´ees lors d’un processus dePENpeuvent avoir un comportement al´eatoire et donc
difficilement pr´evisible. On peut citer par exemple les algorithmes ´evolutionnaires,
utilis´es notamment pour un enrichissement adaptatif d’unPEN. La maˆıtrise de ce
type de m´ethode est li´ee `a des connaissances tacites.
6. Une performance pr´edictive suffisante. Le moteur d’inf´erences doit, d’une part,
proposer des configurations dans un temps raisonnable, et d’autre part, faire des
pr´edictions correctes de configuration.
Une revue des d´eveloppements concernant les syst`emes experts [Shu-Hsien Liao 05,
Sahin 12] ont permis d’identifier les principales m´ethodes existantes : les syst`emes experts,
les syst`emes `a base de r´eseaux de neurones, les r´eseaux bay´esiens, le raisonnement `a base
de cas, les arbres de d´ecisions et les syst`emes hybrides. Dans la suite, chacune de ces
m´ethodes est analys´ee suivant les crit`eres num´erot´ees d´efinis pr´ec´edemment.
2.3.2 M´ethodes de r´eutilisation
Les syst`emes experts
Les syst`emes experts rassemblent une base de r`egles logiques sur lesquelles sont effectu´es
des raisonnements. Le d´ebut des ann´ees 1990 ont vu l’´emergence de plusieurs d´
eveloppe-ments sous la forme de syst`emes experts pour la mise en place d’une d´emarche de plans
d’exp´eriences.
DEXPERT [Lorenzen 92] est un syst`eme expert, dont le raisonnement est bas´e sur
un ensemble pr´e-d´efini de r`egles logiques. L’objectif de ce syst`eme expert est de guider
l’utilisateur dans sa d´emarche exp´erimentale. Il pr´esente une interface homme/machine
adaptable suivant le profil de l’utilisateur, permettant de proposer des plans d’exp´eriences
plus efficaces pour un objectif donn´e tout en expliquant son raisonnement. DEXPERT
couvre une partie des concepts d´ej`a d´etaill´es pr´ec´edemment. Les objectifs d’analyse de
sensibilit´e et de robustesse, d’optimisation et de production de mod`eles empiriques sont
consid´er´es. Toutefois, les m´ethodes utilis´ees pour atteindre chacun de ces objectifs sont
peu nombreuses. Par exemple :
— les types de plan d’exp´eriences sont limit´es aux types classiques (plan factoriels,
plans de Plackett-Burman, plans de Box-Behnken, etc.) ;
— seuls les mod`eles empiriques polynˆomiaux sont consid´er´es, et seule l’erreur de pr´ecision
est calcul´ee ;
— l’optimisation est r´ealis´ee par une heuristique simple pour rep´erer le minimum de la
fonction polynˆomiale cr´e´ee.
DEXPERT se base essentiellement sur les mod`eles polynomiaux estim´es pour comparer
les plans d’exp´eriences entre eux. Ce syst`eme peut proposer des pistes d’am´elioration
du plan, en modifiant par exemple, son type, le nombre de facteurs pris en compte ou
la d´efinition de ces facteurs. La base de connaissances structure les donn´ees suivant une
architecture orient´ee objet. Les ´evolutions d’un plan r´ealis´ees au cours de l’utilisation de
DEXPERT sont repr´esent´ees par un arbre, permettant ainsi une tra¸cabilit´e des d´ecisions.
Ces donn´ees restent locales et ne sont pas partageables entre diff´erents utilisateurs. Cette
base de connaissances est utilis´ee essentiellement pour repr´esenter les donn´ees. Ce syst`eme
expert r´epond `a la mˆeme probl´ematique que celle de ces travaux de recherche. Ce d´
evelop-pement reste limit´e au contexte des plans d’exp´eriences physiques, pr´esentant peu de choix
de m´ethodes, dans un cadre non-collaboratif. Il ne pr´esente pas de capacit´e d’´evolution
automatique et ne peut se baser que sur des connaissances certaines et explicites pouvant
ˆ
Dans le document
Système à base de connaissances pour le processus de plan d'expériences numériques
(Page 87-90)