• Aucun résultat trouvé

Chapitre 2 Modèles spatialement explicites de l’utilisation des terres reposant sur les processus de décision des

B. Principaux enjeux et perspectives des méthodes de dissémination horizontale des décisions spatialement

2. Intérêts du raisonnement à partir de cas

2.1. Une modélisation sans connaissance complète du domaine

Le premier intérêt du RàPC est sa capacité à résoudre des problèmes sans théorie complète du

domaine, puisque les principales unités de connaissances manipulées par le système sont les cas, i.e.

des expériences particulières de résolution de problème (Riesbeck et Schank, 1989 ; Slade, 1991 ; Kolodner, 1992).

“Case-based reasoning is also useful when knowledge is incomplete and/or evidence is sparse. Logical systems have trouble dealing with either of these situations because they want to base their answers on what is well-known and sound. More traditional AI systems use certainty factors and other methods of inexact reasoning to counter these problems, all of which require considerable effort on the part of the computer and none of which seem intuitively very plausible. Case-based reasoning provides another method for dealing with incomplete knowledge. A case-based reasoner makes assumptions to fill in incomplete or missing knowledge based on what his experience tells him, and goes on from there. Solutions generated this way won't always be optimal, or even right, but if the reasoner is careful about evaluating proposed answers, the case-based methodology gives him a way to generate answers easily”, (Kolodner, 1992)

A ce titre, considérant que l’acquisition de cas est plus facile que l’acquisition de connaissances du domaine, le RàPC est souvent présenté comme une alternative intéressante aux systèmes experts, en particulier les systèmes à base de règles, nécessitant de très nombreuses règles, parfois difficiles à acquérir auprès des experts, pour garantir un large domaine de validité au système.

Le RàPC est également présenté comme une méthode adaptée à la modélisation de phénomènes

peu compris (Du et al., 2010), peu certains (Kaster et al., 2005) et/ou complexes (Mota et al., 2008).

Sur ce point, il est néanmoins parfois rappelé qu’il est toutefois nécessaire d’avoir de solides connaissances sur les cas ainsi que des connaissances du domaine, bien qu’incomplètes, pour à la

fois représenter les cas, les remémorer et les adapter (Osty et al., 2008).

2.2. Une modélisation sans montée en généricité des expériences particulières

Le deuxième intérêt du RàPC est sa capacité à résoudre des problèmes sans montée en généricité des expériences particulières observées, grâce à un raisonnement par analogie (cf. partie 2.4). A ce titre, le RàPC se distingue une nouvelle fois des systèmes experts, reposant sur un raisonnement déductif (Riesbeck et Schank, 1989 ; Slade, 1991 ; Kolodner, 1992).

Ainsi, tenant compte du fait que les experts utilisent davantage leurs expériences que des règles générales pour résoudre des problèmes, le RàPC a souvent été présenté comme étant un meilleur cadre de modélisation que les systèmes experts, pour reproduire les processus mêmes de résolution de problème des experts (Slade, 1991 ; Kolodner, 1992).

Enfin, le RàPC est aussi présenté comme une méthode adaptée pour résoudre des problèmes dont la théorie ou la montée en généricité des connaissances ne sont pas suffisantes pour les résoudre

(Aamodt et Plaza, 1994 ; Lopez de Mantaras et al., 2005), tels que les problèmes médicaux, les

problèmes de planification, d’architecture (Ram et Wiratunga, 2011 ; Agudo et Watson, 2012) et

90 Encadré 3.3 : exemples d’interactions avec l’utilisateur

Interactions concernant l’assistance de la machine dans la validation et la révision des différentes étapes du RàPC

Le système FRAKASpour FailuRe Analysis for domain Knowledge AcquiSition (Cordier, 2008) permet à

l’utilisateur d’intervenir à l’étape finale du cycle du RàPC en le laissant valider la pertinence de la solution apportée par le système (Cordier, 2008). Grâce à son interface graphique, ce système permet aussi à l’utilisateur de réviser cette solution par l’ajout de nouvelles connaissances aux étapes successives de remémoration et d’adaptation.

Figure c : interface graphique du système FRAKAS (Cordier, 2008)

Interactions concernant le chargement et la manipulation des connaissances du système

Le système CARMA pour CAse-based Rangeland grasshopper Management Advisor (Hastings et al.,

2002) permet à l’utilisateur d’être guidé dans l’identification du type de ravageur observé sur ses parcelles grâce à une interface graphique (cf. figure d).

91

2.3. Un système informatique apprenant

Le troisième intérêt du RàPC est sa capacité d’apprentissage par la mémorisation des nouveaux cas cibles résolus (cf. partie 1.2.5) et par la révision des solutions cibles inférées par le système (cf. partie 1.2.4). Ceci distingue une nouvelle fois le RàPC des systèmes experts, sans capacité d’apprentissage. Ainsi, l’apprentissage par incrémentation des cas cibles révisés dans la base du système (couplé à de solides connaissances) permet de résoudre des problèmes à partir d’un petit nombre de cas initiaux, tout en augmentant au fur et à mesure son domaine de validité et ses performances. Ceci explique que de nombreuses applications du RàPC reposent sur un petit nombre de cas sources.

L’apprentissage par révision des solutions cibles permet quant à lui d’ajouter dans le système de nouvelles connaissances de similarité et d’adaptation. Cet apprentissage permet ainsi d’améliorer ses

performances en anticipant les futurs échecs de résolution de problème (Cordier et al., 2006), tout

en enrichissant les connaissances du domaine initialement incomplètes (Kolodner, 1992).

Signalons, qu’à ces deux formes d’apprentissage intégrées dans le module même de raisonnement du RàPC peut aussi être couplé une autre forme d’apprentissage plus minoritaire, mais faisant l’objet de travaux récents, consistant en la réutilisation des connaissances déjà présentes dans le système

pour en inférer de nouvelles via des techniques d’apprentissage automatique (Cordier et al., 2006 ;

Cordier et Fuchs, 2006 ; Cordier, 2008).

2.4. Un système informatique interactif avec son utilisateur

L’apprentissage par révision peut soit s’appuyer sur le résultat de procédures automatiques réalisées par le système soit s’appuyer sur les connaissances mêmes de l’utilisateur du système (cf. partie 1.2.4). Cette dernière forme de révision est alors possible grâce à des systèmes partiellement

automatisés, laissant place à de possibles interactions avec l’utilisateur (Kolodner, 1992 ; Dutta et al.,

1997).

Plus globalement, ces interactions avec l’utilisateur peuvent prendre deux formes principales dans les systèmes de RàPC : elles contribuent d’une part à assister la validation et la révision des étapes du RàPC et permettent d’autre part l’assistance de l’utilisateur dans le chargement et la manipulation des connaissances du système (cf. encadré 3.3).

Dans le premier cas, les interactions avec l’utilisateur permettent d’apprendre à mieux résoudre les problèmes à partir de connaissances révisées durant sa phase de production (cf. partie précédente). Dans le deuxième cas, les interactions permettent de guider l’utilisateur dans l’explicitation de ces connaissances, telles que la description d’un problème cible. Ceci présente l’avantage de permettre au système de résoudre des problèmes peu ou mal structurés du fait d’une connaissance incertaine de l’utilisateur.

Ainsi, l’intérêt des interactions du système avec l’utilisateur explique que la majorité des systèmes de RàPC soient automatisés jusqu’à l’étape d’adaptation pour que l’utilisateur valide et révise lui-même les solutions cibles inférées par le système. Cela explique aussi le développement d’interfaces

92

Références Nom du système Domaine d’application Intérêts des travaux présentés

Holt et Benwell , 1996

Holt et Benwell, 1999 ZONATION Classification des sols

Présentation des intérêts du RàPC couplé à une analyse spatiale Mota et al., 2008 - Identification des processus

de déforestation au Brésil

Utilisation du RàPC à partir d’images satellitaires

Du et al., 2010 et 2012 -

Modélisation du

changement d’usage des sols

Utilisation du RàPC à partir des bases de données géographiques

Avesani et al., 2000 CHARADE Lutte contre les incendies de forêts

Développement d’un système RàPC interactif

Kaster et al., 2005 WOODSS Conseils en fertilisation des cultures

Utilisation du RàPC à partir des bases de données géographiques

Bosch et al., 1997 - Conseils dans la conduite de prairies

Démarche participative de modélisation des décisions des agriculteurs relatives à la conduite de prairies Le Ber et al., 2003 Metzger, 2005 Osty et al., 2008 ROSA Diagnostic de l’organisation des territoires d’exploitations agricoles

Modélisations des décisions des agriculteurs relatives à l’organisation spatio-fonctionnelle du territoire Hastings et al., 2002,

2009 et 2010 CARMA

Lutte contre les invasions de sauterelle

Démarche d’application du RàPC d’une zone géographique à une autre Tableau 3.4 : exemples d’applications possibles du RàPC en agronomie et en géographie

Figure 3.9 : processus d’enrichissement continu des connaissances existantes et nouvelles pour la gestion durable des pâturages (Bosch et al., 1997)

93