Systèmes développés dans un système de représentation des connaissances

Trois autres systèmes ont été développés à l’aide des systèmes de représentation des connaissances. Ce sont les applications académiques comme CREEK, PATDEX, PAD’IM et MAIC mais souvent développées dans l’objectif de les faire commercialiser par la suite.

CREEK

Parmi les premiers systèmes de diagnostic technique développés en Europe au début des années 90 figure le système CREEK présenté dans [Aamodt, 2004]. L’auteur s’est inspiré des systèmes de diagnostic médical PROTOS et CASEY mais a appliqué son système sur le diagnostic des pannes de voiture. L’architecture de CREEK est basée sur un modèle – intégrateur de résolution de problèmes et d’apprentissage (cf. fig. 3.12). Un modèle général définit tous les

concepts – du diagnostic (symptômes), de l’apprentissage (généralisation des défaillances), du domaine (voiture) et du raisonnement (cas) à l’aide de la même structure de représentation. Les connaissances sont représentées à l’aide d’un système de représentation des connaissances basé sur des réseaux sémantiques et développé à l’occasion de la conception de CREEK.

Figure 3.12. L’architecture fonctionnelle de CREEK [Aamodt, 2004]

Dans ce modèle structurel le cas est représenté par une liste de descripteurs (concepts), constitués par des triplets entité-relation-valeur ou des sous concepts. La recherche des cas similaires est basée sur la similarité sémantique qui prend en compte la connaissance générale du domaine et qui permet d’orienter la recherche vers les cas adaptables au nouveau problème. Il utilise des explications pour justifier la pertinence, la cohérence et la facilité de réutilisation des cas dans un nouveau contexte.

Ces explications sont ensuite exploitées par l’adaptation si des modifications s'avèrent nécessaires. Le système dans la phase d’adaptation se souvient de la trace du raisonnement et l’utilise pour l’apprentissage des nouveaux cas et pour la généralisation des attributs de cas.

PATDEX

Un autre système PATDEX dédié au diagnostic technique des machines complexes a été développé par Richter [Richter, 1991] à l’Université de Kaiserslautern (cf. fig. 3.15). Il a été intégré dans un système MOLTKE développé dans cette même université proposant des modèles de connaissances dans les systèmes experts pour les CNC (Computerized Numerical Control), machines à contrôle numérique. Le principe de PATDEX est basé sur l’intégration du raisonnement à partir de cas utilisant la méthode des K plus proches voisins et les arbres de décision.

Figure 3.13. La méthodologie du projet INRECA [Richter, 1991]

C’est un système conversationnel parce que la description du cas cible se fait en excluant progressivement des cas après chaque nouvelle estimation de la similarité entre le cas cible et les cas sources. Les mesures de similarité utilisées tiennent compte de l’incertitude et de l’incomplétude de l’information dans la description du cas cible.

Dans la phase d’adaptation, le système utilise les graphes d’expériences et les compare avec les cas similaires trouvés à l’aide des mesures de similarité. Il s’agit d’apprentissage analogique où la connaissance du domaine est exploitée. La maintenance de la base de cas est assurée par le système MOLTKE. Ce système a été à la base des projets INRECA I et II qui ont apporté plusieurs contributions. Il s’agit du développement d’un langage orienté objet CASUEL pour la représentation des cas, d’une méthodologie de construction des systèmes qui a initié la création d'outils de développement des systèmes de RàPC (par exemple Kaidara) et l’implémentation de nombreuses applications industrielles décrites dans [Bergmann, 2001].

PAD’IM

Le système PAD’IM présenté dans [Mille, 1995] a eu pour objectif de faciliter la conception des systèmes de supervision dans le milieu industriel. Le système aide l’opérateur à choisir un nouvel environnement (différents tableaux de bord affichés sur les écrans de contrôle) après un changement de situation (cf. fig. 3.14). Nous comptons ce système parmi les modèles structurels. Les fonctionnalités de PAD’IM ont été implantées à l’aide de l’outil de développement Rocade [Fuchs, 1997].

Rocade est un système de représentation des connaissances par objet dont les fonctionnalités ont été spécialisées pour le raisonnement à partir de cas. La connaissance dans Rocade est décrite

sous forme de triplets – objet, attribut, facette - regroupés en classes. Les classes et les objets peuvent être structurés hiérarchiquement ce qui permet d’exploiter plusieurs mécanismes d’inférence, à savoir l’héritage multiple, l’inférence de valeur et la classification. Les similarités dans le système Rocade sont conceptuelles.

Figure 3.14. Deux facettes de système PAD’IM [Fuchs, 1997]

Dans le système PAD’IM, un cas est un épisode de supervision généralement composé d’un descriptif du problème et de la solution à proposer. Il est décrit en termes d’objets de supervision et de connaissances mobilisées. Pour les différentes phases de raisonnement, des connaissances générales sont nécessaires telles que les objets de supervision (composants, entités topologiques, produit industriel, etc.), les tableaux de bord, les actions de l’opérateur. Pendant l’élaboration du cas, un descriptif est créé en collectant les informations et l’opérateur désigne un objet focal de supervision.

Dans la phase de remémoration, une recherche indexée dans la mémoire de cas est faite en deux phases. La première permet de sélectionner un sous-ensemble de cas dont le contexte général est compatible avec celui de la situation courante. La deuxième évalue la ressemblance des épisodes discriminés à l’aide de deux mesures de similarité, une similarité conceptuelle et une dissimilarité événementielle. L’algorithme des K plus proches voisins est utilisé pour la recherche du cas le plus proche, qui est ensuite adapté en substituant les objets jouant des rôles semblables et en commentant la présence d’objets non similaires.

L’adaptation substitutionnelle est nécessaire pour chaque cas parce qu’une situation ne se reproduit jamais. Nous n’avons pas trouvé d’informations sur la maintenabilité de ce système et donc nous ne pouvons pas discuter l’aspect de la maintenance de la base de cas.

MAIC

MAIC [Pieri et al., 2001] est un système de maintenance traitant les aspects techniques et économiques sur l’étude et le choix de matériaux de construction (cf. fig. 3.15) pour le design et la maintenance d’équipements chimiques. Ce système utilise trois bases de données concernant les informations sur la corrosion, les matériaux et les coûts, et une base de cas concernant la

maintenance. Comme dans les autres systèmes structurels, un cas est représenté sous forme d’une liste d'attributs qui peuvent être de deux types : quantitatif et qualitatif.

Figure 3.15. L’architecture de MAIC [Pieri et al., 2001]

Dans la phase de remémoration, les mesures de similarités sont basées sur le calcul de distance. Le système est développé dans OPTRANS – l’environnement de développement pour les systèmes d’aide à la décision basé sur un nombre limité de classes d’objet contenant les connaissances. Cet environnement couple le raisonnement à partir de cas, le raisonnement inductif et la simulation. Dans un premier temps, le système fait de la prévision de défaillances possibles causées par la corrosion. Dans un deuxième temps, il propose les mesures de protection afin d’éviter la corrosion et, finalement, il assure le support pour la maintenance.

Le raisonnement à partir de cas fonctionne comme le moteur de recherche des cas similaires dans la base de cas et ne supporte pas d’adaptation. Le système contient plusieurs fonctions basées sur la connaissance pour supporter l’évaluation économique de la solution techniquement acceptable.