POST-TRAITEMENT DE L’ECD ASSOCIE A LA PHASE D’EXPLOITATION DU REx

en action par les utilisateurs du domaine des connaissances spécifiques (i.e. expériences) et des connaissances plus générales (i.e. règles) contenues dans la base de REx-ECD.

D’un point de vue général, la base de REx-ECD proposée est fournie principalement pour la consultation, la diffusion, le traitement ou l’intégration de connaissances traitées issues des processus industriels. Nous présentons dans la Figure II.14 les différentes utilisations potentielles de cette base de connaissances :

- tout d’abord, la base de REx-ECD peut servir de source d’information générale par un filtrage de l’information ;

- une autre utilisation, plus originale, consiste à utiliser celle-ci comme un support d’aide à la décision dans les processus industriels ;

- finalement, une autre exploitation de la base concerne l’utilisation des connaissances extraites pour améliorer les processus. Cette dernière utilisation implique notamment une validation a priori des connaissances par l’utilisateur du domaine et leur mise en action, selon le contexte et les besoins du domaine d’application.

Figure II.14. Exploitation possible de la base de REx-ECD (adaptée de (Béler, 2008))

Nous nous intéressons aux deux dernières utilisations abordées, i.e. aide à la décision, et validation et mise en œuvre des connaissances générées. Plus particulièrement, nous allons présenter une première exploitation possible de la base d’expériences formalisées comme un point essentiel d’aide à la décision dans la résolution de futurs problèmes (II.3.3.1). Nous allons ensuite aborder dans cette

Source d’information Aide à la décision _{des connaissances générées}Validation et mise en action

Livret d’expériences Scénarios Assistance dans les processus Aide à la résolution de problèmes Prévision,

anticipation Règles, modèles

Exploitation Base d’expériences

Base sese de dede dedeRExRExRExREx-x-ECD

Base de règles Source case Source case Source case Source case Source case

Source case Représentation et raisonnement

Paula Andrea Potes Ruiz

60

phase d’exploitation du REx notre principale contribution au processus d’ECD, notamment lors du post-traitement des connaissances extraites, qui implique l’interprétation, la visualisation et la validation des règles générées pour une future réutilisation (II.3.3.2).

II.3.3.1 Une première exploitation possible de la base d’expériences formalisées

Dans une première démarche REx décrite dans (Potes Ruiz et al., 2013), nous avons proposé une méthodologie basée sur le Raisonnement à Partir de Cas (RàPC) dans laquelle les GCs sont utilisés pour modéliser les expériences dans le cadre d’un RàPC collaboratif, en prenant en considération l’avis des experts4_{. Le principal objectif de cette méthodologie basée sur le retour d’expérience}

classique porte uniquement sur la réutilisation des expériences passées pour assister les utilisateurs finaux dans la résolution d’un nouveau problème. Bien que cette première expérience ait des motivations un peu différentes de celles de ce travail de thèse qui a une plus vaste portée, nous pensons intéressant d’en rappeler les aspects principaux dans la suite visant une future exploitation de la base d’expériences formalisées contenue dans la base de REx-ECD (Figure II.14).

Dans cette première étude, nous avons proposé l’utilisation étendue d’un RàPC en profitant des mécanismes de raisonnement des GCs afin d’identifier les expériences passées proches du cas à traiter. Le principal objectif était de retrouver dans la base d’expériences les expériences les plus proches du nouveau problème (en tenant compte de leur contexte et de leur analyse), et de mettre en œuvre une solution au problème à résoudre (après son adaptation éventuelle).

D’une manière générale, le cycle du RàPC collaboratif proposé dans (Potes Ruiz et al., 2013) est illustrées sur la Figure II.15. Soulignons que dans un contexte de RàPC, l’expérience s’exprime sous la forme de cas.

Les étapes du RàPC collaboratif sont :

1) Elaboration du cas cible (désigné aussi comme « cas courant » ou « nouveau cas ») qui implique la construction d’un nouveau cas en prenant comme base les connaissances du domaine (via le support ontologique) et le modèle générique de représentation d’une expérience (Figure II.8). 2) Recherche des cas sources (désignés aussi par « cas passés » ou « cas de la base ») proches ou

similaires. Une mesure de similarité sémantique a été ainsi définie pour sélectionner, parmi tous les cas sources de la base, les cas les plus proches. Cette mesure est nécessaire afin de représenter numériquement les informations de ressemblance entre les différentes expériences (Ruet, 2002).

3) Agrégation d’avis des experts qui consiste à agréger et exploiter ces cas identifiés (Potes Ruiz

et al., 2012). L’agrégation d’avis d’experts devient donc l’étape qui détermine comment les

solutions de l’ensemble des cas sélectionnés seront combinées dans la solution finale (Leake et Sooriamurthi, 2002).

4) Adaptation, qui consiste à construire la solution au problème du cas cible à partir de la solution trouvée sur les cas sources.

5) Révision, consistant à évaluer la pertinence de la solution suggérée pour le cas cible et à la modifier, si nécessaire, avant de la valider. Le cas révisé et validé devient une nouvelle expérience qui doit être capitalisée dans la base d’expériences.

6) Stockage, dernière étape du mécanisme, dans laquelle la nouvelle expérience est mémorisée. La nouvelle expérience obtenue est ainsi incorporée à la base d’expériences pour une réutilisation future.

Figure II.15. Une réutilisation possible de la base d’expériences formalisées

En dépit de l’intérêt initial manifesté sur ce sujet, nous avons décidé dans ce travail de thèse d’élargir la démarche classique de REx qui prend souvent en considération les techniques du RàPC pour adapter la connaissance contenue dans les expériences passées. La principale motivation de ce travail de thèse étant de générer des nouvelles connaissances plus générales que les expériences, nous allons nous concentrer par la suite sur l’analyse et l’exploitation possible des connaissances extraites (qui seront stockées dans la base de règles - Figure II.14) afin d’aider la prise de décision stratégique et d’améliorer un référentiel de connaissances globales des entreprises, ce qui ne relève pas des approches classiques de retour d’expérience compte tenu des volumes importants d’informations collectés quotidiennement à partir des processus industriels.

3

N Nouveau Nouveau ouv problème

Cas source concurrents Cas Cas cible Recherche Élaboration du cas cible Révision Adaptation Stockage Solution suggérée Solution confirmée Agrégation avis d’experts Base d’expériences Source Cas Cas cible 1 Source 2 3 4 5 6

Paula Andrea Potes Ruiz

62

II.3.3.2 Post-traitement des règles extraites pour une future réutilisation

La technique d’extraction de règles d’association en utilisant l’algorithme Apriori (fondé sur le support et la confiance) présente certains problèmes, tels que la tendance à découvrir un grand nombre de règles d’association ou le fait que toutes les règles découvertes ne sont pas pertinentes ou intéressantes pour les experts du domaine d’application.

Une évaluation et une validation des résultats générés par l’algorithme d’extraction a mis en avant la nécessité d’une phase de post-mining dans le processus général d’ECD, notamment afin d’améliorer la qualité de la connaissance extraite.

Cette dernière phase du processus d’ECD porte principalement sur l’interprétation, la visualisation des résultats obtenus, l’évaluation et la validation du point de vue de l’utilisateur expert du domaine. Celui-ci doit en effet pouvoir tester différentes hypothèses ou préférences afin de trier les résultats suivant ses besoins/attentes.

Nous insistons ici sur la contribution de l’utilisateur expert du domaine qui a, en effet, la responsabilité d’évaluer et de valider les nouvelles connaissances extraites, à l’aide des techniques de visualisation choisies qui l’assisteront dans le processus. Cette dernière problématique fait l’objet du Chapitre III.

II.4

BILAN

La démarche REx-ECD proposée, ainsi que ses outils de mise en œuvre, a été conçue principalement pour supporter la prise de décision. D’une part, nous avons présenté l’intérêt de la procédure proposée pour la conception d’une base d’expériences formalisées, qui sera potentiellement une aide lors de la résolution de problèmes spécifiques. D’autre part, nous avons présenté les principales étapes développées pour extraire de nouvelles connaissances sous la forme de règles, à partir des bases de données disponibles dans les entreprises, qui nécessitent d’abord un processus de prétraitement et de préparation des données avant l’application des algorithmes d’extraction. Nous nous sommes intéressés ainsi à la création de nouvelles connaissances à l’aide d’une démarche de REx et à leur utilité possible, ce qui aborde le principal objectif de notre travail.

Tout au long de cette démarche générale proposée, nous avons donné une place privilégiée aux Graphes Conceptuels (GCs), formalisme de représentation des connaissances choisi pour structurer les différents types de connaissances dans la base de REx-ECD.

Finalement, nous allons approfondir dans le Chapitre III la dernière problématique abordée (II.3.3.2), i.e. l’analyse et l’exploitation des règles d’association dans la démarche REx-ECD, dans laquelle les graphes conceptuels, utilisés en particulier pour la représentation des règles extraites et la visualisation de leurs relations, facilitent la compréhension et l’interprétation des nouvelles connaissances par un utilisateur non-expert en data mining. Nous proposerons une approche guidée, pratique et utile afin d’évaluer et de comparer les règles extraites avant leur validation en suivant pas-à-pas une méthodologie structurée.

III UNE DEMARCHE INTERACTIVE POUR LE POST-

TRAITEMENT DANS LE PROCESSUS D’ECD

III.1 ROLEDEL’EXPERTDUDOMAINEDANSLEPROCESSUSD’ECD ... 64