Avant d’utiliser la plate-forme, l’ensemble des analyses expertes d’ATLAS est supposé réalisé afin de fournir toutes les informations nécessaires aux algorithmes d’apprentissage, d’inférence et d’optimisation mis en œuvre au sein de la plate-forme. La figure 4.1 illustre les principales opérations successivement réalisées avant le lancement du processus d’optimisation, à savoir la construction du graphe de projet, puis du réseau bayésien associé. Ces opérations permettent de gérer la saisie des connaissances « a priori » pour l’utilisation par la plate-forme. L’hypothèse de base permettant la réutilisation est l’existence de similarités entre les projets réalisés (tâches, choix, options, alternatives, etc.).
Figure 4.1. Principales opérations réalisées dans la plate-forme de validation
La plate-forme utilise un fichier de référence, appelé fichier « bibliothèque », correspondant à une unité de connaissances (entreprise ou atelier virtuel), où l’on va venir puiser les connaissances de référence sur les objets manipulés. Tous les éléments utilisés dans une bibliothèque possèdent un identifiant unique.
L’expertise préalable d’un projet doit permettre d’identifier les objectifs du projet, ici en termes de durée et de coût puis, parallèlement, les alternatives de conception, les tâches à réaliser pour obtenir le produit et leurs différentes options de réalisation. Ce premier ensemble de données constitue le socle minimum nécessaire à l’algorithme évolutionnaire classique illustré par la première partie de la bibliothèque sur la figure 4.1. On y retrouve les objets suivants :
- projet : cet objet correspond aux données spécifiques à chaque projet, c’est-à-dire
les valeurs choisies pour la cible et le facteur de perte pour chaque objectif (coût et délai), les ressources disponibles pour ce projet (liste des ressources disponibles pour réaliser les tâches avec leur capacité initiale), une liste des nœuds OU et une liste des nœuds Tâche, ainsi que la structure du graphe (liste des voisins de chaque nœud).
- nœud Tâche : un nœud Tâche (décision de conduite) correspond au choix entre
différentes options de réalisation dans le graphe de Projet. Chaque objet nœud tâche est donc lié à une liste d’objets de type « option »,
- nœud OU : un nœud OU (décision de conception) correspond au choix entre
différentes alternatives pour un système ou composant. Chaque objet nœud OU est donc lié à une liste d’objets de type « alternative »
La méthode que nous proposons nécessite de compléter cette description avec les concepts liés à chaque alternative ou option et avec la description des variables d’environnement. La bibliothèque est complétée par les objets suivants :
- variables environnementales : chaque variable environnementale saisie par
l’utilisateur est référencée par son nom, un certain nombre d’états potentiels pour la variable (probabilités de chaque état de la variable) et enfin une liste des concepts ou décisions auxquels la variable est reliée,
- alternative : une alternative est associée à une liste d’attributs influant sur les
performances de l’alternative (coût et délai) ; les performances de l’option sont la somme des influences des attributs attachés.
- option : une option est associée à une liste d’attributs influant sur les
performances de cette option (coût et délai) ; de même les performances de l’option sont la somme des influences des attributs attachés.
Ces éléments constituent la base du processus de construction de la structure de concepts pour le réseau bayésien (présenté dans la section suivante). Dans la démarche proposée, le graphe de projet est créé à partir d’un ensemble d’objets sélectionnés dans la bibliothèque ou directement créés par l’utilisateur. Un grand nombre de données différentes est nécessaire pour tester l'algorithme évolutionnaire « guidé par les connaissances » proposé sur différents types de projets (forme de graphe, nombre de variables, rapport entre réutilisation et innovation, etc.). Ainsi, afin de pouvoir simuler différents projets, nous avons réalisé un générateur aléatoire de graphes à partir des objets sélectionnés par l’utilisateur dans la bibliothèque. L’utilisateur peut donc réutiliser des éléments existants qui sont inclus lors de la génération aléatoire. Le générateur est présenté dans la section 4.2.1.
Une fois le graphe de projet construit, une interface permet d’assister l’utilisateur pour la construction du réseau bayésien. A partir de la sélection des objets à utiliser dans la bibliothèque et de la forme du graphe, la plate-forme crée la structure, élément par élément, en interaction avec l’utilisateur. Les nœuds concepts potentiels (attributs, attributs généralisés, sous-critères ou critères) sont triés selon le métamodèle de pertinence (cf. §3.2.3.2) et proposés à l’utilisateur. Celui-ci peut valider les nœuds proposés, choisir/construire des nœuds et modifier à sa guise le réseau bayésien pour rendre compte de sa connaissance du projet.
Une fois toutes les connaissances « a priori » insérées, si le modèle obtenu a une complexité trop importante, la plate-forme propose à l’utilisateur des nœuds de généralisation fictifs permettant
de réduire au mieux la complexité du réseau. Le rapport entre le nombre de nœuds de généralisation fictifs et le nombre de nœuds issus de l’expertise permet de simuler différents niveaux de connaissance des experts. Plus le niveau d’expertise est faible, plus le rapport du nombre de nœuds de généralisation fictifs sur le nombre de nœuds de généralisation issus d’analyses « expertes » est grand.
Enfin, les paramètres du réseau sont acquis par apprentissage sur les exemples représentatifs (les cas) des projets précédents ou directement saisis pour les nouveaux éléments. Pour simuler une base de données réelle contenant des cas, nous utilisons soit des cas issus de précédentes optimisations, soit des cas directement fournis par un algorithme de recherche exhaustif permettant de rechercher les scénarios possibles dans un graphe de projet. Bien entendu, compte tenu de la complexité, ce second procédé ne peut être utilisé que pour des projets de taille réduite, mais s’avère cependant efficace pour fournir des cas et valider le principe de l'approche proposée. Les graphes de projets qui ont été utilisés avec cette seconde méthode comportent entre zéro et cinq nœuds OU, dix à trente tâches et jusqu’à soixante cinq mille scénarios différents possibles.
Le résultat de ces deux activités est fourni à l’optimisation, et se compose de trois fichiers : la bibliothèque, le fichier projet contenant le graphe et les données des tâches, et enfin le fichier contenant le réseau bayésien (fichier de Netica®).