Dans cette partie, nous nous proposons d’expliquer le mécanisme de mémorisation du RàPC et par extension celui de l’apprentissage (voir section 5.3.1.6). Ce mécanisme se décompose en plusieurs parties dont certaines visent uniquement à conserver la connaissance et d’autres « apprennent » certains mécanismes permettant l’estimation des états, principalement par analogie.
5.7.1
Mémorisation d’un état
La mémorisation16 d’un état est l’une des principales étapes lors de l’apprentissage. La mémorisation d’un état passe par deux étapes clés. La première, une fois que l’ensemble des définitions sont insérées dans le système, est de vérifier que cet état n’existe pas. On précise que cela suppose que dans la base de connaissance il existe un état avec exactement le même ensemble de définition. La seconde étape consiste à créer un état, ce qui en soi se résume à fournir un nouvel identifiant. Une fois cette identifiant connu, il ne reste plus qu’à enregistrer chaque définition. Comme expliqué déjà, une définition est représentée sous la forme suivante : def (E,L,A,Q1,Q2,U,B). E représente l’identifiant de l’état et le système permet d’avoir plusieurs valeurs de E dans la même définition. Par conséquent, deux cas se présentent lors de la sauvegarde d’une définition :
— Soit la même définition existe pour d’autre cas, alors le système se contente de rajouter à la liste E la valeur de l’identifiant du cas actuel
— Soit la définition n’existe pas et elle est créée
Ce mécanisme d’enregistrement possède l’avantage de réduire le nombre de définitions différentes dans cette dernière et aussi de mettre en correspondance directe plusieurs états qui possèdent la même définition (c’est-à- dire une relation de type def commune).
5.7.2
Apprentissage : création progressive d’une taxonomie
Une deuxième partie importante de l’alimentation de la base de connaissances est la création progressive de taxonomie permettant par la suite des mécanismes d’inférences et plus particulièrement de conceptualisation. En effet, comme nous l’avons déjà montré, une partie des définitions sont de la forme Sujet, relation, objet, par exemple Un chat est un mammifère. Néanmoins, pour que cet exemple soit exploitable, il est nécessaire que le concept un mammifère signifie quelque chose ou du moins qu’il soit relié à d’autres concepts. Comme nous l’avons présenté, un objet n’a de sens que par ses définitions et de même pour les concepts. Suite à ce constat, le mécanisme d’apprentissage proposé est le suivant : lors de la description d’un état, tout concept introduit doit être relié dans une taxonomie. Par exemple, on peut imaginer que mammifère soit relié au concept animaux dans une taxonomie. On pourrait ici se demander pourquoi cette taxonomie n’est pas, par défaut, implantée dans le système. En fait, nous avons choisi de procéder ainsi parce que nous pensons qu’il est inutile de conserver dans la base de connaissances des concepts qui n’ont pas d’utilité puisque aucune définition ne les appelle (seuls les concepts servant de nœud dans la taxonomie sont rajoutés). Par conséquent, cela permet la génération dynamique de taxonomie optimisée aux connaissances actuelles du système et rajoute une part d’indéterminisme dans le raisonnement. En effet, comme la création de la taxonomie est laissée libre à l’utilisateur, celui ci peut avoir une vision différente des relations entre concepts et par là même modifier le raisonnement de conceptualisation qui peut en découler.
16. Cette partie est importante car elle montre un autre avantage de la structuration de la connaissance proposée. Il s’agit bien d’un réseau où tous les éléments sont inter-connectés
5.7. MÉMORISATION DES ÉTATS
5.7.3
Indexation et similarité
Nous traitons ici du mécanisme d’indexation qui permet de générer la structure arborescente composée des définitions communes. Le mécanisme d’indexation est ici assez simple. La première étape consiste en la mémorisation d’un nouveau cas ainsi que de ses relations. Une fois cette étape franchie, l’indexation peut débuter. Dans un premier temps, il s’agit de sélectionner tous les cas ayant la même relation, puis de former des couples avec le cas encours d’indexation. Puis, pour chaque couple, un ensemble de def communs est généré. Cet ensemble se présente comme la description d’un état classique, sauf que son origine est précisée. Cette première étape permet la création d’une nouvelle couche de définitions communes (Fig. 5.16). Ensuite, il suffit de répéter la même opération avec les éléments de la couche supérieure et ainsi de suite pour un nombre limité de fois (Fig.5.17). Il est possible de simplifier la structure en ne créant qu’un nombre limité de couple (et non pas tous les couples possibles) et ce par une sélection aléatoire. Le résultat final obtenu est un ensemble de définitions communes hiérarchisées par degré de conceptualisation.
def E1 def E2 def E3 def c1_2 def c2_3
def c1_2__2_3
def X
Figure 5.16– Première phase d’indexation
def E1 def E2 def E3 def c1_2 def c2_3
def c1_2__2_3
def X
def cX_1 def cX_1
Figure 5.17– Seconde phase d’indexation
5.7.3.1 Création de niveaux d’abstraction et de conceptualisation
Une des conséquences de l’indexation (plus concrètement de la création de l’arborescence) est la génération de niveaux d’abstraction et de conceptualisation. Ce mécanisme se retrouve également lors de la phase de sélection et de regroupement des cas. L’abstraction est générée par le fait que certaines définitions sont ignorées au cours du processus. Par conséquent, il y a abstraction de certaines données qui sont jugées « inutiles ». Le maintien ou non de l’abstraction des def provient de la présence de certaines définitions dans tous les états et inversement si c’est uniquement dans certaines ou même dans seulement une. De ce fait, plus une définition est « rare », plus elle va disparaître rapidement dans les couches d’indexation supérieures et inversement. Ceci permet de ne conserver que les définitions qui semblent importantes dans les couches supérieures et d’éliminer celles qui ne semblent pas être représentatives. De même, la conceptualisation se produit lors de la génération de définition commune par le remplacement de certains concepts par des concepts d’ordres supérieurs dans leurs taxonomies (voir partie sur la fluidité Section5.8).
5.7.3.2 Création de filtre
Comme expliqué auparavant, l’indexation permet un filtrage dans la sélection des cas. D’une part par le fait que la présence de certaines définitions soit rendue obligatoire par la validation successive des ensembles de définitions communes. Ce qui entraîne que si le cas actuel ne les possède pas, alors l’exploration de cette
BASÉE SUR LE RAISONNEMENT À PARTIR DE CAS
partie est stoppée. D’une certaine manière, ce mécanisme renforce le poids de certaines définitions. D’autre part, ce filtre, en rendant obligatoire la présence de certains éléments, assure un bon appariement lors de la phase de regroupement. En effet, il est possible d’imaginer que si cette phase n’est pas réalisée, alors le mécanisme d’appariement, ne vérifiant pas par lui-même la cohérence des résultats, fournirait un couplage n’ayant aucun sens et non représentatif du problème.
5.7.3.3 Une mémorisation non déterminée : introduction de l’aléatoire
Un autre point important est l’introduction de l’aléatoire lors de la phase d’indexation et plus particulièrement lors du couplage des cas en vue de la formulation d’une définition commune. En effet, si une politique de couplage total est réalisée, alors le nombre de couplages devient de plus en plus important à chaque introduction d’un nouveau cas. Or, comme il a été mentionné, il est possible de ne choisir qu’un certain pourcentage ou nombre d’appariements par couche. Par cette méthode, une fonction aléatoire va sélectionner les cas ou ensemble de définition à apparier. Cette fonction aléatoire va entraîner un non-déterminisme dans la phase d’indexation qui va lui-même affecter l’efficacité du filtre et donc l’importance des définitions. De même, cela peut entraîner que certains cas soient ignorés alors que d’autres se voient renforcés. Cependant, on peut supposer que ce phénomène se voit lisser de par la nature même des phénomènes aléatoires (c’est-à-dire qu’il y a une répartition homogène de la sélection lors du croisement).
5.7.4
Mémorisation des mécanismes de transformation : 2 possibilités
Dans le système, il est aussi possible de modéliser des transformations, non pas sur le plan d’une relation, mais comme une suite d’opérations permettant de passer d’une étape à une autre. Par opération, on entend une modification de la structure de définition des états. Nous avons défini trois types d’opérations permettant la transformation d’un état :
— La suppression : il s’agit de supprimer une définition
— L’ajout : contrairement à la suppression, cette opération ajoute une définition à l’état — La modification : sur une définition existante, un des éléments est modifié
De plus, lors de la formulation de la liste d’opérations, il est possible de conditionner une opération par une contrainte sur la structure de l’état ou sur les éléments en stipulant la relation que doit posséder l’ancienne définition avec la nouvelle. Par exemple, si l’état initial comporte la définition suivant, def(E,a,pese,10, kg), une opération de modification pourra être la suivante :
— def(_,X,pese,V,U)
— relation(multiple(2),V,W), signifiant que W est le double de V
— modifier(def(_,X,pese,V,U),def(_,X,pese,W,U)), signifiant de remplacer la première définition par la sui- vante
La génération de ces listes d’opérations se fait généralement sur les transformations de plus bas niveau, celles qui dans le système ne sont pas décomposables. L’avantage de ce mécanisme est qu’il permet d’anticiper l’évo- lution d’un état lors d’une transformation, c’est-à-dire que le système essaye d’estimer le résultat de l’opération. Lors, de la résolution de notre problème (voir partie sur la décomposition), cela aura l’avantage de modifier chaque état représentant une situation intermédiaire et par la suite de propager cette modification au reste du raisonnement. Ainsi, la trajectoire de valorisation sera adaptée plus finement. Cependant, le bon fonctionnement de ce procédé dépend de l’exactitude de la liste d’opérations définies pour chaque transformation de bas niveau. Nous proposons deux moyens d’alimenter le système avec ces données :
— Par l’utilisateur : l’utilisateur va renseigner les listes d’opérations comme une partie intégrante d’un cas — La méthode automatique : cette méthode analyse la différence entre l’état final et l’état initial et va
déterminer les définitions à supprimer, celles qui sont ajoutées et celles qui sont modifiées en tentant de trouver les relations entre les éléments composant les définitions. Ces définitions peuvent être :
— Des relations de proportionnalité entre les valeurs numériques — Des relations entre concepts