Le raisonnement à partir de cas (RàPC)

1.6.1 Principes du RàPC

Le RàPC est un paradigme de résolution de problèmes par analogie qui utilise des expériences passées, les cas sources, pour résoudre un nouveau problème, le problème cible [Schank et Abelson, 1977].

Dans un système de RàPC, un cas source est classiquement une paire (srce, sol(srce)) contenue dans une base de cas où srce est un problème et sol(srce) est une solution connue associée au problème. La résolution d'un problème cible, noté cible, consiste à réutiliser la solu-tion sol(srce) d'un cas source pour trouver la solusolu-tion du problème cible, noté sol(cible), et construire un nouveau cas (cible, sol(cible)). La résolution du problème cible se fait classique-ment en deux phases principales. La première phase est la remémoration, qui consiste à trouver le ou les(s) problème(s) source(s), chacun noté srce, le ou les plus similaire(s) au problème cible cible. La deuxième phase est l'adaptation qui consiste à adapter la solution sol(srce) de chaque srce pour trouver sol(cible), la solution de cible.

La base de connaissances d'un système de RàPC est habituellement composée de quatre conteneurs de connaissances [Richter, 1995] :

 la base de cas d'où proviennent les cas sources ;

 les connaissances du domaine qui sont les connaissances générales du domaine spécique et qui sont utilisées durant toutes les phases du raisonnement ;

 les connaissances de similarité permettant de calculer la similarité entre cas sources et problème cible durant la phase de remémoration ;

 les connaissances d'adaptation permettant d'adapter la solution d'un cas source pour ob-tenir la solution du problème cible.

En RàPC, un cas source peut être représenté selon divers formalismes [Bergmann et al., 2005]. Parmi les plus connus, les représentations par des couples attributs-valeurs [Aha et al., 1991], les représentations orientées objet [Bergmann, 2002], les représentations textuelles [Lenz et Burkhard, 1996,Weber et al., 2005] et les représentations logiques [Plaza, 1995,Cordier et al., 2014]. Dans le cas des représentations logiques, formalisme utilisé par le système de RàPC Taaable [Cordier et al., 2014], les cas de la base de cas ainsi que les connaissances d'adaptation sont décrites grâce aux connaissances du domaine.

Certains systèmes de RàPC utilisent une approche particulière pour la phase de remémo-ration : la remémoremémo-ration guidée par l'adaptation introduit par Smyth [Smyth, 1996]. L'étape de remémoration repose sur les connaissances d'adaptation pour calculer la similarité entre les cas sources et le cas cible. Ainsi, pour un cas source donné, moins l' eort d'adaptation  est important, plus le cas source est similaire au problème cible.

En plus de la phase de remémoration et d'adaptation, d'autres phases facultatives peuvent être utilisées dans un système de RàPC. Certains auteurs tels que [Mille, 1998, Aha et Gupta, 2002], dénissent la phase d'élaboration qui précède la phase de remémoration. Cette phase permet de construire un problème cible, dont le format est adapté au système de RàPC, grâce aux connaissances du domaine. De plus, dans certains systèmes de RàPC, plusieurs cas sources sont retrouvés et ainsi plusieurs solutions peuvent être proposées. Une phase de sélection peut être intégrée après la phase de remémoration ou après la phase d'adaptation [Weber-Lee et al., 1996].

Par ailleurs, Aamodt et Plaza [Aamodt et Plaza, 1994] citent d'autres phases comme la phase de révision (reuse) et la phase de mémorisation qui sont essentielles dans certains systèmes de RàPC, comme par exemple dans le système CHEF [Hammond, 1990]. La phase de révision correspond aux phases de tests et de réparation. Lorsqu'une solution a été créée après la phase d'adaptation, la phase de test permet de vérier que la solution proposée est satisfaisante pour l'utilisateur. Si la phase de test signale un échec, la phase de réparation permet de modier la solution et par la même occasion, de fournir des explications de l'échec qui pourront être stockées avec les connaissances du domaine. La phase de révision est réitérée tant qu'une solution satisfaisante n'est pas trouvée. Si une solution satisfaisante est trouvée, la solution peut être retenue et le nouveau cas (cible,sol(cible)) est stocké dans la base de cas : ceci correspond à la phase de mémorisation.

1.6.2 Problème d'utilité et qualité des réponses d'un système de RàPC

Le problème de l'utilité [Smyth, 1996] est un problème fondamental en RàPC. Il est déni par la volonté de satisfaire des critères opposés : la qualité des réponses retournées par le système et l'ecacité du système.

La qualité des réponses retournées par un système de RàPC est directement liée aux conte-neurs de connaissances, et notamment à la base de cas. La qualité de la base de cas est dépendante de sa taille mais aussi du taux de recouvrement des cas de la base de cas [Smyth et Keane, 1995]. Le taux de recouvrement des cas de la base de cas est calculé à partir du nombre de cas cible que chaque cas peut résoudre.

L'ecacité du système de RàPC correspond au temps moyen de résolution du problème cible. Deux facteurs sont mis en concurrence pour diminuer le temps de résolution : (1) le temps de remémoration pour une taille de base de cas donnée et (2) le temps d'adaptation pour la même taille de base de cas [Smyth, 1996]. Lors de la construction d'un système de RàPC, le choix doit être fait pour privilégier l'un ou l'autre des critères de qualité ou d'ecacité.

Une autre caractéristique du RàPC impactant la qualité des réponses est que le RàPC est un raisonnement hypothétique qui génère des réponses qui peuvent être incorrectes. En eet, à la diérence d'un raisonnement déductif qui ne peut pas générer de conclusions incorrectes si ses prémisses sont correctes, le RàPC peut générer des réponses incorrectes même si les connaissances utilisées sont correctes.

1.6.3 Acquisition des connaissances en RàPC

En RàPC, l'acquisition des connaissances à travers les diérentes phases de raisonnement du RàPC est un enjeu majeur. Durant la phase de révision, les explications concernant l'échec de la construction de la solution du problème cible peuvent être sauvegardées dans la base de connaissances. Durant la phase de mémorisation, si la solution du cas cible créée est satisfaisante, la paire (cible,sol(cible)) est retenue dans la base de cas et le cas cible pourra ensuite servir de cas source lors de la résolution d'un nouveau problème. La phase principale d'acquisition de connaissances se déroule durant la création de la base de connaissances du système de RàPC. Classiquement cette phase d'acquisition est réalisée grâce un expert du domaine permettant d'as-surer la validité des connaissances acquises. Cependant d'autres alternatives d'acquisition existent pour remplacer ou suppléer l'expert, et c'est un des enjeux de cette thèse d'examiner certaines de ces alternatives. Certains systèmes utilisent des techniques de fouilles de textes [Ceausu et Desprès, 2005] ou d'extraction de connaissances provenant du web [Gaillard et al., 2011]. Une autre possibilité est d'utiliser une communauté en ligne permettant l'édition collaborative des connaissances [Gaillard et al., 2013a].

1.6.4 Les systèmes de RàPC utilisant des métaconnaissances

Les métaconnaissances sont déjà utilisées en RàPC, principalement pour la maintenance de la base de cas et pour les systèmes de recommandations fondés sur des méthodes de RàPC. [Quijano-Sánchez et al., 2012] proposent un système de recommandations de lms destiné à un groupe d'utilisateurs en fonction des lms vus par le passé par les membres du groupe mais aussi en fonction des lms vus par d'autres groupes. Le système calcule la similarité entre groupes qui dépend de la similarité des membres, et de la conance entre groupes fondée sur des critères tels que l'âge, le genre, etc. [Saaya et al., 2011] intègrent la conance en plus de la provenance dans un modèle de recherche collaborative sur le Web. Le modèle combine les méthodes du RàPC et des réseaux pair-à-pair. Durant la recherche d'un n÷ud, les résultats précédemment sélectionnés par des n÷uds dans le même réseau de conance avec une requête similaire sont promus. Dans ce travail, un cas est un couple (requête, page web) et la provenance d'un cas est un indicateur de qualité du résultat. Ce système fonctionne comme un système de recommandations où les utilisateurs se voient proposer des solutions personnalisées. Néanmoins, les indicateurs de qualité portent seulement sur les cas de la base de cas qui ont déjà été retournés lors d'un épisode de recherche.

Les métaconnaissances sont aussi utilisées pour la maintenance de la base de cas. Pour main-tenir les performances d'un système de RàPC en stabilisant la taille de base de cas, [Smyth et Keane, 1995] ont proposé de modéliser les compétences des cas selon leur taux de recouvrement et leur richesse. Habituellement, les retours utilisateurs dans le système permettent de juger la qualité d'un nouveau cas et de réparer une adaptation qui a échoué [Dividino et al., 2009]. En revanche, certains auteurs pensent que les retours utilisateurs sont insusants en raison d'obser-vations de retours manquant, et en raison du fait que les métaconnaissances sont plus pertinentes pour améliorer les réponses du système. [Leake et Whitehead, 2007] montrent les limites des

sys-tèmes de RàPC dans lesquels les retours permettent de guider la maintenance de la base de cas et impacter les futurs réponses du système. Par exemple, la réparation est propagée à travers les cas générés provenant d'un cas initial et la qualité d'un cas est calculée grâce à la longueur de la chaîne d'adaptation. En revanche, la provenance n'est pas intégrée dans le processus de raisonnement et les cas initiaux sont considérés comme étant de qualité équivalente.

[Richards, 2009] a étudié les supports de décision à partir d'une base de connaissances consti-tuée par des experts mais aussi par des connaissances collectées à partir d'outils collaboratifs. Elle propose une approche d'ingénierie collaborative de connaissances mixant les méthodes de RàPC et les méthodes de systèmes à base de règles pour permettre aux utilisateurs de gérer de façon collaborative la base de connaissances dans le temps. Cette approche permet aussi de représenter la abilité des connaissances de la base de connaissances.

D'après notre revue de la littérature, seule la conance est utilisée dans le moteur des systèmes de RàPC an de personnaliser les réponses retournées par le système de RàPC. La provenance, la qualité et la abilité sont seulement utilisées pour maintenir la base de cas et fournir des explications sur les réponses du système.

1.6.5 Les systèmes de RàPC utilisant la notion de typicalité

La typicalité est une notion qui a déjà été utilisée dans les systèmes de RàPC. [Weber-Lee et al., 1996] utilisent la typicalité pour sélectionner le meilleur cas dans l'ensemble des cas les plus similaires remémorés. La mesure de la valeur la plus typique (Most Typical Value) introduite par [Friedman et al., 1995] est utilisée pour déterminer le meilleur cas.

Tandis que [Weber-Lee et al., 1996] utilisent une mesure de la typicalité dans le but de remé-morer le meilleur cas, Protos [Bareiss et al., 1990], un système d'apprentissage à partir d'exemples, utilise la typicalité des connaissances comme une partie des connaissances du domaine. Dans Pro-tos, un exemple est un cas. Les connaissances du domaine et les cas sont représentés dans une seule structure : une structure de catégories. La structure de catégories est un réseau sémantique dans lequel les n÷uds sont des propriétés ou des exemples qui sont les cas retenus, et les arcs sont des explications acquises par des experts lorsqu'une classication a échoué. Protos classie un nouveau problème décrit par des propriétés en cherchant le cas le plus similaire en deux étapes majeures. La première étape consiste à remémorer la catégorie la plus similaire, la dernière, consiste à choisir le meilleur cas en fonction des arcs décrivant les prototypes et les diérences entre cas.

Certains systèmes de RàPC dans le domaine médical utilisent des cas prototypiques pour organiser la base de cas et guider l'étape de remémoration, par exemple, [Schmidt et Gierl, 1996] pour le diagnostic de syndromes dysmorphiques et [Bellazzi et al., 1998] pour le diagnostic et le traitement du diabète. Dans les systèmes de RàPC du domaine médical, les cas sont souvent représentés par une longue liste de symptômes. Par exemple, dans [Schmidt et Gierl, 1996], un cas représentant un patient atteint de syndromes dysmorphiques est décrit par 40 à 130 symp-tômes. Cependant, un diagnostic peut être représenté par un ensemble de symptômes typiques, par exemple, les symptômes les plus fréquents ou les plus fortement ressentis. Ainsi, ces systèmes permettent la construction de cas prototypiques décrits par des symptômes typiques. Ces cas pro-totypiques sont construits par des experts ou par des processus semi-automatiques sur la base de cas. La construction de cas prototypiques permet de réduire le nombre de symptômes décrits par rapport aux cas non prototypiques. L'étape de remémoration déclenchée par la description d'un nouveau patient se fait alors seulement sur les cas prototypiques, réduisant l'espace de recherche. Pour calculer la similarité entre un nouveau patient et un cas prototypique, [Schmidt et Gierl, 1996] utilisent deux mesures : la mesure de [Rosch et Mervis, 1975a] où la similarité dépend du

nombre de symptômes du nouveau patient correspondant aux symptômes d'un cas prototypique et la mesure de [Tversky, 1977] qui prend, en plus, en compte le nombre de symptômes du cas prototypique qui ne sont pas des symptômes du nouveau patient.