Systèmes experts
Historique Qu’est qu’un système expert ? Moteurs d’inférences Mode de chaînage Schémas de moteurs d’inférences Cohérence de la base de connaissances
1
Historique
L’apparition des SE au cours des années 70 correspond à une de évolution l’Intelligence Artificielle
objectifs
des
L’Universalité n’avait d’égale que l’impuissance à résoudre des problèmes dans des domaines particuliers.
2
Historique
De la recherche de techniques de résolution de problème générales, indépendantes du domaine considéré Vers l’étude des mécanismes mis en jeu par un expert humain pour résoudre un problème réel dans un champ d’activité bien précis.
3
Historique
Le projet pionnier en la matière : Dendral, lancé en 1965 par E. Feigenbaum et ses l’université de Stanford, collègues à destiné à aider le chimiste à trouver la structure d’un composé organique à partir de la donnée de son spectrogramme de masse et de sa formule chimique brute.
4
Historique
La nécessité de
la séparation connaissances explicite spécifiques d’un domaine de leurs mécanismes d’interprétation.
des
L’extraction
mécanismes des universels de raisonnement, que l’on pourrait réutiliser d’un domaine à l’autre.
5
Système expert: historique
L’idée fondamentale des Systèmes à Bases
de Connaissances et des SE
Naissance progressive de la notion de moteur un ensemble de connaissances et de faits pour résoudre un problème donné.
d’inférences
exploitant
6
Système expert: historique
La méthode a été affinée avec
l’expérience des systèmes tels que:
MYCIN (Shortliffe 1976) dans le domaine de la médecine (diagnostic de certaines maladies du sang),
MOLGEN (Stefik) destiné à la planification d’expériences en génétique moléculaire, PROSPECTOR (Duda et Hart 1979) en
géologie.
7
Système expert: historique
La méthodologie SE n’est cependant pas justifiée pour n’importe quel type de problème: ceux dont la solution polynomiale existe et le temps d’exécution est raisonnable.
8
Qu’est qu’un Système Expert?
Définition1: Des programmes conçus pour raisonner habilement à propos de tâches dont on pense qu’elles requièrent une expertise humaine considérable [Feigenbaum 83].
9
Qu’est qu’un Système Expert?
Définition2: Un système expert est un programme possédant une grande masse de connaissances dans un domaine spécialisé, ces connaissances provenant généralement d’un expert humain, capable d’atteindre les performances de l’expert dans ce domaine [Bonnet et al 86].
chevronné
et
10
Qu’est qu’un Système Expert?
de
logiciels
Définition3: Un système expert est un capables ensemble d’atteindre les performances d’un expert humain pour une tâche donnée, dans un domaine restreint et bien délimité, grâce l’exploitation d’un ensemble de à connaissances fournies explicitement et auprès acquises d’experts du domaine considéré [JPH89]
l’essentiel
pour
11
Qu’est qu’un Système Expert?
Définition
fonctionnelle: Un
système expert est un logiciel destiné à remplacer ou à assister l’homme dans des domaines où est reconnue une expertise humaine:
Insuffisamment structurée pour constituer une méthode de travail précise, sure, complète, directement transportable sur ordinateur, Sujette à l’expérience accumulée).
révisions ou compléments
(selon
12
Publicité
Objectif 1
Capturer aisément les unités du savoir faciliter l’expression la plus règles, par directe possible des rapport à leur forme d’émergence chez les experts.
13
Objectif 2
Exploiter l’ensemble des unités du
savoir-faire: Combiner et/ ou chaîner des groupes de règles pour inférer des connaissances telles que jugements, plans, preuves, décisions, nouvelles prédictions, règles,…
Rendre compte de la manière dont les été connaissances
ont
nouvelles inférées.
14
Objectif 3
Supporter aisément la révision de l’ensemble des unités de savoir-faire
offrir des facilités pour les
ajouts et suppression de règles.
15
Typologie des SE
Nécessité de mettre en œuvre une grande masse de connaissances, éventuellement incomplètes et incertaines
Caractère évolutif et non figé du domaine Nature heuristique de la résolution Prépondérance du calcul symbolique sur le calcul Numérique dans les résolutions
16
Composants d’un SE
Langage d’expression des connaissances
fournies par l’expert
Bases de connaissances pour accueillir la
connaissance spécifique d’un domaine d’application
Moteurs d’inférences ou interpréteur chargé d’exploiter les connaissances en les considérant comme des données
17
Bases de connaissances
Connaissances opératoires: mémoire à long terme du système dans laquelle est codé, dans +sieurs formalismes, l’ensemble des connaissances d’un domaine: Faits permanents du savoir-faire L’expertise nécessaire pour résoudre un
problème
18
Bases de faits
Connaissances
assertionnelles:
mémoire de travail contenant des
faits ou données propre au
problème à résoudre.
Des faits découverts par le mécanisme de raisonnement jusqu’à ce que l’on parvienne à la solution du problème.
19
Mode de RC
Dans un Système Expert une partie des connaissances exprimées sous forme de règles de productions
20
Mode de RC
Lisibilités des connaissances Facilité de construction et d’évolution dans le temps du fait de l’indépendance de règles
Capacité d’explication d’un raisonnement grâce à l’examen de l’enchaînement des règles utilisées: traçabilité
21
Principe de fonctionnement MI
MI enchaîne des cycles de travail comportant chacun trois phases:
Phase d’évaluation Phase de résolution de conflits Phase d’exécution
Une règle = <Conditions> + <Corps>
22
Phase d’évaluation
Sélection
d’un sous ensemble F1 de la base
des faits (BF)
d’un sous ensembles R1 de la base
des règles (BR).
Les Méta-règles
23
Phase d’évaluation
Mise en correspondance ou pattern
matching
Le MI compare la partie Condition de chacune des règles de R1 par rapport à F1.
Sélectionne un sous ensemble R2 de règles de R1 jugées compatibles avec F1.
24
Publicité
Phase d’évaluation
Filtrage : MI d’ordre 0
Unification: MI d’ordre 1
25
Phase de résolution de conflits
Le MI choisit les règles qui doivent être effectivement déclenchées.
un sous ensemble R3 de
règles de R2
26
Phase d’exécution
Le MI commande la mise en œuvre des actions définies par les règles de R3 (si R3 non vide).
27
Mode de chaînage
Chaînage avant: utilisé quand on cherche les conséquences de l’ajout de nouveaux faits.
P, si P alors Q Q?
Chaînage arrière: utilisé quand on cherche
à prouver un but.
Q, si P alors Q P?
Chaînage mixte: chaînage bidirectionnel.
28
Chaînage mixte
Le Chaînage mixte nécessite la mise en place d’heuristiques particulières capables de décider, face à une situation donnée, quelle est la stratégie la plus adaptée pour poursuivre la résolution.
29
Exemple: Chaînage mixte
R1 si
jaune et
liquoreux alors
soutenu (S) R2 si bourgogne et
ferme alors
côte-de-beaume (S)
R3 si côte-de-beaume et non velouté alors carton-charlemagne (P)
30
Exemple: Chaînage mixte
R4 si
côte-de-beaume
non et goût-pierre-à-fusil
velouté alors carton-charlemagne (S) R5 si sec et non ambré et fruité
et
alors alsace (P)
R6 si sec et bouquet-délicat et non ambré alors bourgogne (S)
31
Exemple: Chaînage mixte
A partir de la dégustation: non ambré, bouquet-délicat, ferme,
sec, non velouté
32
Régimes de contrôle
Irrévocable Le MI s’arrêtera dès que l’ensemble des
règles sélectionnables sera vide.
Par tentative Le MI réalisera un retour arrière et remettra en cause les règles déclenchées précédemment.
33
Régimes de contrôle
Monotonie Le MI ne fait qu’ajouter des faits à la base
de faits.
Non Monotonie Le MI peut supprimer des faits qui peuvent se révéler contradictoires (raisonnement par défaut).
34
Stratégies de développement de la recherche
Représentation par espace d’états L’espace d’états est représenté par un
graphe orienté: Chaque sommet Ei est un état de la base des
faits.
Chaque arc (Ei,Ej) symbolise
l’application
d’une règle transformant l’état Ei en l’état Ej. chaînage avant
35
Stratégies de développement de la recherche
Représentation par espace de sous-
Publicité
problèmes
L’espace
est représenté par un graphe orienté ET-OU
sous-problèmes
de
Chaque sommet symbolise:
soit un problème Pi Soit une application ARj d’une règle
chaînage arrière
36
Résolution de conflits
Déclenchement ensemble de l’application de métarègles;
sélectif d’un règles
sous résultant de
Déclenchement prioritaire des règles dont la partie prémisse est la plus détaillée conclusions plus précises.
37
Résolution de conflits
Déclenchement prioritaire des règles les plus
utilisant récemment acquises ou déduites;
informations
les
Déclenchement prioritaire des règles amenant le plus grand nombre de conclusions;
38
Résolution de conflits
Classement des règles en fonction de
l’intérêt qu’elles apportent
en fonction d’un ordre dans la
liste des buts;
Déclenchement ordonné par plausibilité décroissante des conclusions dans le cas où elles ont un poids associé.
39
Attribution de priorités
Par un algorithme directement bâti dans le moteur d’inférence et qui calcule le meilleur ordre dynamiquement d’application de ces règles, en fonction des critères citées précédemment.
En cours de
résolution du
problème.
40
Attribution de priorités
Par des métarègles qui sélectionnent les règles par leur contenu et les ordonnent en fonction de critères pouvant dépendre du problème à traiter.
parfois utilisée conjointement à
la première.
41
Attribution de priorités
Par une étape de compilation des règles effectuée, au moment même le module de connaissances d’acquisition (Snark 1984):
leur saisie, par
des
42
Attribution de priorités
Certains systèmes exploitent deux des
fondamentales
propriétés systèmes de productions:
La ressemblance structurelle. Redondance temporelle.
43
Attribution de priorités
La ressemblance structurelle: fait fait que de référence au nombreuses prémisses de règles ont des clauses en commun
possibilité de réduire le nombre
de test à effectuer.
44
Attribution de priorités
Redondance
temporelle:
entre deux cycles du moteur d’inférences, il de y peu la mémoire de modifications de travail,
généralement
a
peut être exploité dans l’algorithme d’unification par propagation dans la base.
45