Chap 2 Connaissances

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 121

Cours Intelligence

Artificielle
3ème année E-Business
2021-2022

Raouia ayachi
MC en Informatique de Gestion
[email protected]
CHAPITRE 2:
Représentation des
connaissances
2
Introduction
• Intelligence Artificielle et représentation des connaissances ?

• IA : raisonnement, inférence (+ apprentissage, ...)

• Besoin de connaissances sur le monde dans lequel le système


intervient

• Besoin de représenter les connaissances pour qu'un système


puisse les utiliser. Pourquoi faire ?
• Réalisation d'inférences dans un système intelligent

3
• La représentation des connaissances sont au coeur de l‘IA
Plan du chapitre 2

1. La gestion des connaissances

2. Systèmes à base de connaissances

3. Modes de représentation des connaissances

4
Donnée, Information, Connaissance, Sagesse

5
Donnée

• Le résultat direct d'une mesure.

• Elle peut être collectée par un outil de supervision, par une


personne ou être présente dans une BD (valeur dans un
champ)
• Exemple: Temps = " Pluie" ou Pluie = "Oui"

• Une donnée peut exprimer une mesure, un coût, une


désignation, un état, etc..
• Exemple: pour le mois dernier, les données suivantes ont été relevées:
1200 incidents enregistrés au centre de services
6
Information

• Une interprétation de la donnée


• Objective: découlant de mesures ou capteurs
• Subjective: issue des opinions des individus
• Exemple : augmentation de 24 % du nombre d'incidents par rapport au
mois précédent

• Une valeur particulière qui a une ou plusieurs significations, et


parfois différentes selon les personnes et/ou le contexte (il
pleut, il fait mauvais...).

7
Connaissance

• La connaissance utilise l’information dans le cadre d’actions (prise


de décision, création de nouvelles informations, …) dans un but
précis.
• Exemple: la décision est un contrôle plus important des activités réalisées
par les prestataires et une action de formation plus longue

• La connaissance permet de traiter, comprendre des données ou des


informations. Elle donne un sens à la donnée, qui devient alors une
information, raisonne et agit ou fait agir en fonction.
• Exemples:
• Tiens ! Il pleut, donc il fait mauvais, je vais prendre mon parapluie.
• La température est de 10 degrés à Paris aujourd’hui. Je suis à Paris  je
m’habille chaudement
8
Donnée, Information, Connaissance, Sagesse

9
Interprétation des informations -Représentation des
connaissances

Apprentissage Extraction
des connaissances

10
Traitement des informations vs traitement des
connaissances (cadre organisationnel)

11
Typologie des connaissances

• Selon le degré de formalisation: (Nonaka, 1991)


• Connaissance « explicite » ou codifiée: fait référence à une
connaissance qui peut être transmise dans un langage formel et
structuré.
• Exemple:
• Matérialisation du système d’information de l’entreprise (les
rapports, les documents); règlement du code de la route

• Connaissance « tacite »: celle des aptitudes, du savoir-faire acquis par


la pratique et l’expertise, des intuitions, etc. La connaissance tacite est
une connaissance personnelle difficile à traduire et à articuler.
• Exemple:
• Gérer un projet complexe 12
Modes de transfert de la connaissance

Selon (Nonaka et Takeuchi, 1995):


Socialisation: processus de transmission
Internalisation (ET) de connaissances tacites par
l'observation, l'imitation et surtout la
Socialisation pratique
Combinaison
(TT)
(EE) Externalisation: processus de conversion
sous la forme de
concepts, modèles ou hypothèses
Connaissance Connaissance
tacite explicite Combinaison: processus de création
de connaissances explicites à partir
de la restructuration d'un ensemble
de connaissances
Internalisation: processus d'apprentissage
avec des supports, documents, manuels
Externalisation (TE)

13
Typologie des connaissances

Nonaka: l’iceberg de la connaissance

Connaissance explicite

 20 %

Connaissance tacite

 80 %

14
Typologie des connaissances

• Connaissances individuelles vs collectives: (Nonaka et Takeuchi, 1995)


• Individuelles: appartient à l’individu ; elle peut être tacite ou explicite.
• Collectives: n’est pas une addition de connaissances individuelles mais
c’est un ensemble coordonné de savoirs, de comportements et de
pratiques.

• Savoir et savoir faire: (Grundstein,1995) et (Grundstein, 1996)


• Savoirs: des éléments tangibles qui comprennent les données,
procédures, plans, modèles, algorithmes, documents d’analyse et de
synthèse
• Savoir-faire: des éléments intangibles tels que les capacités, talents
professionnels, connaissances privées, connaissances sur l’historique
de l’entreprise et les contextes des décisions
15
Typologie des connaissances

• Inspirée de de la psychologie cognitive: (Gagné, 1985)


• Connaissance déclarative : Comment sont les choses? Elle décrit ce qui
est connu du problème (des énoncés décrivant les objets, les concepts,
les règles, les lois, les principes, etc.)  connaissance théorique,
statique
• Exemples: énoncé des règles de l’accord des participes passés,
connaissance des tables de multiplication

• Connaissance procédurale : Comment on fait ? Elle représente


comment un problème est résolu. Elle indique comment réaliser une
tâche  connaissance de l’action, connaissance dynamique
• Exemples: Faire un plan de travail, accorder les participes passés dans un
court paragraphe
• La connaissance déclarative concerne les faits, les concepts alors que la
connaissance procédurale raisonne avec la connaissance déclarative.
16
Typologie des connaissances

• Niveau entreprise: (Barthès, 1997)


• Internes: crées, transférées et gérées au sein de l’entreprise par les
collaborateurs
• Externes: l’ensemble des connaissances provenant de sources externes à
l’entreprise.

• Autres classifications:
• Connaissances locales: nécessaires à un individu ou un groupe d’individus pour
accomplir une tâche précise.
• Connaissances liées à un produit sont celles qui concernent ce produit tout au
long de sa vie.
• Connaissances sur l’entreprise sont celles utilisées par la direction et
concernent les aspects de l’organisation globale des activités ainsi que la
stratégie de l’entreprise.
17
Il y a aussi…

Définition de méta-connaissances:
Des connaissances d’ordre général qui indiquent comment accéder à un certain
ensemble de connaissances.
Exemple de méta-règles:
Méta-règle 1: N’appliquer qu’une seule fois une règle sur les mêmes données
Méta-règle 2: Ne pas appliquer une règle qui conclut sur des faits déjà connus
18
Gestion des connaissances

• Knowledge management:

• Connaissances: ensemble de notions et de principes qu’une


personne acquiert par l’étude, l’observation ou l’expérience.

• Gestion: techniques et méthodes permettant de manipuler des


connaissances sur ordinateur.

• «Capitaliser les connaissances de l'entreprise consiste à repérer ses


connaissances cruciales, à les préserver et les pérenniser tout en
faisant en sorte qu’elles soient partagées et utilisées par le plus
grand nombre au profit de l’augmentation de la richesse de
l’entreprise » (Grundstein, 2000).
19
Finalité de la gestion des connaissances

• La gestion des connaissances intervient pour:

• Représenter des connaissances de natures différentes


(individuelles ou collectives, explicites ou implicites,
stabilisées ou évolutives, expertes ou techniques …)

• Rendre ces connaissances accessibles dans un système


informatique

• Définir une aide à l’utilisateur (méthodes, logiciels,


organisation…) : SAD
20
Cycle de la gestion des connaissances

21
Plan du chapitre 1

1. La gestion des connaissances

2. Systèmes à base de connaissances

3. Modes de représentation des connaissances

4. Types d’imperfection des connaissances

22
Système à base de connaissances (SBC)

• Extension des SE classiques, permettant des modes différents de


représentation des connaissances et de raisonnement et faisant
clairement la distinction entre:
• les connaissances (qu’ils permettent d’exprimer d’une façon déclarative)
• les mécanismes d’exploitation de ces connaissances qui vont permettre
d’en inférer (calculer, rendre explicites) de nouvelles connaissances

• Premier SBC= DENDRAL créé en 1965 par l’université Stanford.


Le programme permet d'identifier les constituants chimiques d'un
matériau à partir d’un spectrographe de masse.

23
Pourquoi utiliser un SBC ?

24
Architecture d’un SBC

25
Base de connaissances (BC)

• Une description (simplifiée, abstraite) d'un domaine.


• Une structure symbolique avec des règles formelles de
manipulation de ces symboles.
• Opérations de base dans une BC
• Tell
• Ajouter une entrée dans la BC
• Untell
• Supprimer une entrée de la KB
• Ask . Questionner la KB
• Pour savoir si une entrée est une conséquence logique de la KB
• Pour obtenir des résultats
26
BC vs BD

• BD: connaissances concrètes


• Pas de disjonctions, ni de quantificateurs (sauf dans le
schéma)

• BC: connaissances abstraites


• Raisonnement

27
Buts/Objectifs du SBC

• Modélisation des connaissances

• Modélisation du raisonnement

• Génération d’explication

• Acquisition et apprentissage

• Interface homme / machine

• Interaction entre les bases de données

28
Construction d’un SBC

• La construction d’un SBC implique des acteurs ayant trois rôles distincts :

• l’utilisateur remplit la base de faits avec des données à traiter

• l’expert construit la base de connaissances

• le développeur construit le moteur d’inférence et la


stratégie de raisonnement

29
Caractéristiques d’un SBC

• Inscrit des connaissances issues de l’expertise ou/et de la pratique

• Est orienté « résolution de problème »

• Sépare la connaissance du raisonnement

• Raisonne avec des symboles

• Autorise la prise en compte de l’incertitude

• Se fonde sur l’existence d’heuristiques (connaissances spécifiques au


domaine qui guident la recherche de solutions)

30
Raisonnement dans les SBC

• C’est le processus de faire coopérer connaissances, faits, et stratégies de


résolution de problèmes, dans le but d’atteindre des conclusions.

• Comprendre comment un expert humain raisonne lors de la résolution


d’un problème.

• Raisonnement intelligent:
• Le raisonnement intelligent n'est rien sans connaissances (expertise)

• Nécessité d'une représentation des connaissances

• Nécessité de développement des algorithmes / heuristiques pour le traitement


de ces représentations
31
Plan du chapitre 1

1. La gestion des connaissances

2. Systèmes à base de connaissances

3. Modes de représentation des connaissances

32
Représentation des connaissances et IA

• La représentation des connaissances est le problème clé en IA


• Partage du savoir
• Raisonnement sur le savoir

• Tous les domaines de l’IA (jeux, reconnaissance des formes, robotique,


etc.) ont recours à la représentation des connaissances.

• But: modéliser un domaine particulier d’application de sorte que la


représentation ou le modèle obtenu soit manipulable par une machine

• Les objets, actions, concepts, situations, relations, etc. sont représentés


selon certains formalismes.
33
Paradigmes de représentation des connaissances

1. Le paradigme revendiquant la séparation entre les connaissances et le


raisonnement (i.e. la manipulation de ces connaissances) et qui stipule
une représentation déclarative des connaissances; Quoi ?

Raisonnement :
Manipulation Fait1 Fait i
des faits Fait2
Fait 3 Fait n

2. Le paradigme dans lequel les connaissances et la manière de les


manipuler sont inter-mêlées et qui opte pour une représentation
procédurale des connaissances.
Comment ?

Procédure 1
Procédure 2

Procédure i

Procédure n
34
Paradigmes de représentation des connaissances

• Exemple

Prenons un cercle:
• Un cercle est le lieu de tous les points équidistants d’un point donné
 Quoi

• Faire tourner un compas dont l’une des deux branches est fixe jusqu’à
ce que l’autre branche soit revenue à son point de départ  Comment

35
Représentation déclarative vs procédurale

• Il y a plusieurs raisons pour préférer la manière déclarative:


• Possibilité de modification facile par ajout ou suppression de nouveaux
faits.
• L’énoncé des connaissances ne préjuge pas de leur utilisation ultérieure
;
• Formalisme proche de la représentation de l’utilisateur

• La représentation procédurale a la particularité d’être indispensable à


toute implémentation sur machine.

 Il en résulte qu’en I.A qu’il est possible de marier les deux


représentations avec une relative prédominance du déclaratif.

36
SBC: Séparation des connaissances des traitements

• On distingue :
• Les connaissances exprimées de façon déclarative ;
• Des mécanismes d’exploitation de ces connaissances qui vont
permettre d’inférer de nouvelles connaissances

Opposition:
• Un langage de programmation n’est pas un SBC.
• Les programmes mélangent données (variables) et mécanismes (instructions)
chargés de les exploiter.

37
Représentation des connaissances : trois niveaux

• Niveau des connaissances:


• le niveau le plus abstrait, comporte toutes les connaissances

• Niveau symbolique:
• codage des connaissances dans un langage formel

• Niveau de l’implémentation:
• représentation interne des expressions (valeur d’une liste, matrice, ..)

38
Représentation des connaissances : trois niveaux

Exemple:
• Niveau des connaissances:
• L’agent sait qu’il y a un avion de Paris à Marseille le 2 Janvier
2006 à 8h30 qui coûte 257 euro
• Niveau symbolique:
• Prix-avion(Paris, Marseille, 02:01:2006:8h30, 257 euro)
• Niveau d’implémentation:
• Table avec 4 colonnes: ville de départ, ville d’arrivée, date et
heure, prix en euro

39
Aspects de la représentation des connaissances

• Plusieurs questions doivent se poser par rapport à la


représentation des connaissances pour un domaine
spécifique:
• Que représenter exactement ?
• en calcul de prédicats on peut dire que la voiture est rouge :
couleur(voiture, rouge). Mais comment pourrait on dire que la
voiture de X est plus rouge que celle de Y.

• A quel niveau de granularité (objet complexe ou attributs) ?

• Comment représenter la méta-connaissance ?

• Comment organiser les connaissances en hiérarchie ?


40
Modes de représentation des connaissances

• Modes de représentation des connaissances dans les SBC :


• Logique +
• Règles de production (systèmes experts) +
• Réseaux sémantiques +
• Cadres (Frames) +
• Objets structurés
• Arbre sémantique
• Ordinogramme
• Diagramme causal
• Arbre de décision
• Modèle orienté objet (voir avec objets structurés)
(Paquette , 2002). Modélisation des connaissances et des compétences. Montréal,
Presses de l'université du Québec 41
LOGIQUE
Logique

• Langage formel qui permet d’exprimer d’une manière


déclarative des connaissances avec rigueur,

• Il offre des méthodes de combinaison de ces connaissances


qui en engendrent de nouvelles (Programmation logique)

• Deux principaux outils mathématiques (parmi bien d’autres) :


• Logique des propositions (d’ordre 0 sans variables)
• Logique des prédicats (d’orde 1 - utilisation de variables)

43
Syntaxe de la logique des prédicats

• des termes
• les objets du domaine : température, titi, toto, …
• les variables : x, y, z, …
• les fonctions : père, fils, …

• des atomes
• prédicats dont les arguments sont des termes : est_père(titi,toto), vole(titi),

• des formules
• atomes liés par des opérateurs : ¬, ∃, ∀, ⇒, ⟺
• ∀ x, Plumes(x) ⇒ Oiseau(x)
44
Logiques non classiques
• Il est difficile d’écrire toutes les situations avec la logique
des prédicats car elle est trop restrictive.

• On doit avoir recours à des logiques non classiques:


• Logique modale (nécessité, obligation, possibilité,
impossibilité, savoir, croyance, etc.) [Moore, 1985]
• Logique temporelle
• Logique floue
• Logique probabiliste
• etc.
45
Exemples de systèmes

• Parmi les systèmes d’I.A. utilisant la logique comme formalisme


de représentation, les plus réussis sont les démonstrateurs de
théorèmes (i.e. STRIPS [FIK&71]).

• Un des grands apports de la logique à l’I.A. est le langage


PROLOG [Colmerauer, Roussel, 75] fondé sur la logique du
premier ordre et utilisé comme langage de base pour plusieurs
systèmes experts 46
Quels sont les mécanismes
de raisonnement des
systèmes logiques?

47
Logique – mécanismes de raisonnement

• Raisonnement logique  raisonnement déductif


• La logique propose des règles de dérivation utilisées dans les démonstrations:
• Modus ponens MP
• Si E1 ⇒ E2 et E1 alors on peut déduire E2
• Modus tollens MT
• Si E1 ⇒ E2 et ¬ E2 alors on peut déduire ¬ E1
• Enchaînement
• Si E1 ⇒ E2 et E2 ⇒ E3 alors E1 ⇒ E3
• Spécialisation universelle
• Si une formule est vraie pour tous les individus, elle est vraie pour un individu
particulier
• Principe de résolution (pour déterminer un théorème)
• supposer que la négation du théorème est vraie
• démontrer qu’il y a une contradiction,
• conclure que la négation ne peut être vraie
• conclure que le théorème est vrai 48
Logique - Avantages

• Syntaxe précise, formalisée, répondant à une terminologie


standard

• Puissance d’expression notamment grâce aux formules


quantifiées, à la disjonction et à la négation

• Cohérence des structures symboliques déduites

Très utilisée en démonstration


49
Logique - Inconvénients

• Il y a un manque de structuration de la connaissance

• Les mécanismes de raisonnement utilisent des algorithmes


généraux qui ne sont pas assez efficaces pour la résolution de
problèmes nécessitant un grand volume de connaissances.

• Il y a une difficulté d’expression de l’incertitude, du contexte


d’interprétation, de la révision d’un énoncé ou d’une
déduction.

50
Règles de production
Règles de production

• C’est une quantité de connaissances déclarative et autonome

• Une règle permet de représenter des éléments de


connaissances très utiles pour une analyse, un diagnostic, une
reconnaissance, une classification, etc.

• Les systèmes à base de règles de production évoluent à partir


des systèmes basés sur la logique.

52
Règles de production

• SI condition ALORS conclusion (a)


• Condition et conclusion sont des expressions logiques ;
• Condition doit être vérifiée pour que la règle s’applique ;
• Conclusion peut correspondre à l’ajout ou au retrait d’un fait ou d’une
hypothèse, au déclenchement d’une action, etc.

• Dans certains systèmes à règles de production, a est un coefficient


numérique qui traduit que la connaissance exprimée par la règle est
entachée d’incertitude (coefficient de vraisemblance, facteur de
certitude,...)
• raisonnement approximatif (logiques multivaluées, floues, ...).

53
Règles de production

• Une règle représente des formes de connaissances variées :

• Relation : Si batterie morte alors l’auto ne démarrera pas

• Recommandation : Si l’auto ne démarre pas alors prendre un taxi

• Directive : Si l’auto ne démarre pas ET le système d ’alimentation en


essence est ok alors vérifier le système électrique

• Stratégie : Si l’auto ne démarre pas alors vérifier le système d ’alim. en


essence puis le système électrique

• Heuristique : Si l’auto ne démarre pas ET l’auto est une Ford de 1962 54


alors vérifier le radiateur
DENDRAL 1965
• Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg (prix Nobel
en génétique) & Carl Djerassi Stanford University in California

• Pluridiscplinarité: informatique médecine et chimie

• Considéré comme le premier SE

• Aide les chimistes organiques l’identification de molécules


organiques inconnues, en analysant leurs spectres de masse et
l’utilisation des connaissances chimie
• Ecrit en LISP

55
MYCIN 1975
• Equipe de Stanford
• Caractéristiques :
• Système d’aide à la décision
• Domaine d’application
• Médecine : infections bactériennes du sang

• Processus de sélection d’une thérapeutique (4 étapes)


1. L’infection demande-t-elle un traitement ?
2. Si oui, déterminer l’organisme (ou la liste) responsable
3. Sélectionner des médicaments potentiellement utilisables
4. Sélectionner le meilleur traitement pour le cas considéré 56
Expert Configurer 1982
• Développé pour la configuration d’ordinateurs

• Offre au client un large choix de composants lors de


l’achat d’équipements informatiques, de sorte que le
client parvienne à un système sur mesure

• Ecrit en OPS5

• Utilisation du chaînage avant

57
Quels sont les mécanismes
de raisonnement des
systèmes de production?

58
Système de production-mécanismes de raisonnement

• Détection des règles applicables

• Choix d’une règle : la règle ayant le plus petit nombre de


prémisses ou celle qui parle du fait le plus récemment appris,
etc.

• Exécution de l’action associée à la règle

59
Système de production-mécanismes de raisonnement

• Chaînage avant:
• Entrées: bases + un but à résoudre
• Idée:
• Le moteur d’inférence enchaîne les cycles en sélectionnant les règles dont
les prémisses sont satisfaites
• Les nouveaux faits sont insérés dans la base des faits
• Arrêt:
• Succès: la base contient le but
• Echec: plus aucune règle n’est applicable et le but n’est toujours pas atteint

• Le chaînage avant est dirigé par les données

60
Système de production-mécanismes de raisonnement

• Chaînage arrière:
• Entrées: bases + un but à résoudre
• Idée:
• Le moteur d’inférence enchaîne les cycles en sélectionnant les règles
dont les conclusions sont satisfaites
• Les prémisses sélectionnées sont de nouveaux sous buts à résoudre.
• Soit un sous-but est dans la base des faits soit il faut le prouver à son
tour
• Arrêt:
• Succès: l’ensemble des sous-buts à résoudre est vide
• Echec: un sous-but ne peut pas être démontré
• Le chaînage arrière est dirigé par les buts

• Chaînage mixte 61
Règles de production - avantages

• Formalisme permettant la représentation d’un comportement


humain, fort étudié et utilisé  voir clairement les conditions
dans lesquelles une règle est applicable

• règles et faits étant indépendants  base modulaire et


facilement modifiable

62
Règles de production - inconvénients

• Manque de structuration de la connaissance;

• Redondance dans les expressions des règles;

• Difficulté de description de systèmes complexes et structurés.

63
Difficultés avec les modèles logiques

• Comment rendre les inférences efficaces ?


• Restreindre la logique
• Abandonner l’exigence de complétude !

• Une solution ? Rendre + facile la « lecture » de la


représentation ?

64
Passage vers une représentation structurée

• Objectifs :
• Développer un système qui ignore les détails inutiles

• Prendre en compte les relations entre les objets

 Vers les réseaux sémantiques et les schémas (frames)

65
Réseaux
sémantiques
Réseaux sémantiques

• Appelés aussi graphes conceptuels, carte conceptuelle ou


graphe entité-relation (Quillian, 1968)

• Représentation graphique de la BC sous forme de graphes étiquetés


• Les nœuds représentent des concepts ou des objets
• Les arcs étiquetés représentent des relations entre ces concepts

• Réseau = conjonction de formules logiques associées à chacun


des arcs

A R
B  R(A,B)
Prédicat binaire
67
Exemple

68
Exemple de systèmes

• Dans les années 70, plusieurs systèmes de


compréhension du langage utilisent les réseaux
sémantiques, de même que quelques logiciels éducatifs,
comme SCHOLAR.

• Scholar est un service de Google permettant la recherche


d'articles et de publications scientifiques. Lancé fin 2004.

69
Concepts
• les NOEUDS
• atomiques : entités élémentaires (valeurs, individus,...)
• complexes : entités complexes (propositions, phrases,...)

• les LIENS
• structuraux: indépendants de la sémantique du domaine,
• spécifiques: dépendants de la sémantique du domaine,

• Il faut essayer d'augmenter la proportion des liens structuraux


par rapport aux liens spécifiques

70
Types de liens

• La « sémantique » est apportée par les relations.


• Toute relation est permise (partie de, couleur, …) et les
relations spécialement importantes sont:
• Arcs d’agrégation (is-a) est-un

• Arcs de composition (has-a) a

• Arcs d’instanciation (is-a-kind-of ako) sorte-de

• Les réseaux sémantiques sont bien adaptés à la


représentation de classifications.
• Les liens sont limités exclusivement aux relations hiérarchiques du type 71
"isa" et "ako".
Noeuds concepts
"les canaris / sont des /oiseaux"
• canaris et oiseaux = concepts (nom communs) --> classe
• sont des = relation -> inclusion de classes
• lien structurel indépendant du domaine

• Entre un concept général et un concept plus général


• Mécanisme de classification, catégorisation 72
• Inclusion dans la théorie des ensembles
Noeuds individus
"Titi / est un / canari"
• canari = concepts
• Titi = individu (nom propre) --> élément d'un ensemble
• est un = relation --> appartenance d'un élément à une classe
• lien structurel

• Entre un concept individuel et un concept général


• Mécanisme d’identification, de reconnaissance 73
• Appartenance dans la théorie des ensembles
Attributs - 1
• attribut = relation qui relie un noeud concept ou un noeud
individu à une valeur ou propriété

• lien spécifique dont le sens dépend du domaine d'application


• on peut le rendre plus structurel en créant un noeud-attribut:

74
Attributs - 2
• un attribut peut lui-même être caractérisé :
• domaine = relation structurelle permettant de vérifier des
contraintes d'intégrités.

75
Rapport Attribut-Valeur
• un noeud-attribut peut être relié à une ou plusieurs valeurs
par l'intermédiaire d'un opérateur

76
Expressivité comparée à la
logique du premier ordre
• Pour exprimer toutes les phrases de la LPO, le formalisme des
réseaux sémantiques doit être complété par les noeuds ou, les
arcs non et une construction correspondant à ∀

77
Relations non binaires

• La proposition “Olivia
donne une fleur à
Whitman“ + des
connaissances
conceptuelles générales sur
les êtres humains et les
fleurs (traduit de [STI&89]).

• Les relations non binaires,


comme DONNE sont
représentées par un nœud
et non pas par un arc. Sorte de

78
Hiérarchies

• Les types de relations "is-a" et


"ako" définissent une structure
hiérarchique entre réseaux et sous-
réseaux sémantiques.

• "Noe" est :
• Soit un élément particulier de
l'ensemble des "hommes" qui est un
sous-ensemble des "humains".
• Soit le sous-ensemble des
"humains" qui se nomment "Noe".

79
Héritage

Par héritage, "Noe"


possède une barbe
et des cheveux.

80
Boucle dans un noeud

81
Cas particuliers
• Les réseaux sémantiques permettent la représentation de
propositions composées
• Exemple Grisou et Garfield sont des chats

82
Partition dans les RS
• partition = regroupement de noeuds et d'arcs du réseau dans
des espaces spécifiant la portée de relations
• Intérêts des partitions :
• définition de contexte

83
Quels sont les mécanismes
de raisonnement des
réseaux sémantiques ?

84
Réseau sémantique-mécanismes d’inférence

• Deux orientations:

• Si on considère un réseau sémantique comme une conjonction


de formules logiques, alors mêmes méthodes que pour un
modèle logique

• Si on considère un réseau sémantique comme un graphe, alors


on peut utiliser les techniques de propagation de marqueurs ou
de filtrage

85
Réseau sémantique-mécanismes d’inférence

Propagation de marqueurs:
• Pour répondre à une question du genre
«A est-elle nécessairement une instance de B ?»

On place un marqueur M1 sur A


• Tant que (le réseau continue à évoluer)
• Tout lien est-un ayant un marqueur M1 à son origine propage ce
marqueur à son extrémité
• Si le nœud B est marqué par M1, répondre «toute instance de A
est nécessairement une instance de B»

86
Réseau sémantique-mécanismes d’inférence

• Nobles possédant un animal?

87
Réseau sémantique-mécanismes d’inférence

Filtrage:
• Parcourir le graphe et à chercher tous les sous-graphes du graphe
ayant des propriétés ou une structure commune avec le graphe
cible ;
• Cette recherche correspond à un appariement de graphes

• Exemple de requête: “Qu’est-ce qu’Olivia donne à Whitman” ; le


nœud ?chose est une variable qui doit être instanciée lors de
l’unification de ce sous réseau avec le réseau général

88
Réseau sémantique-mécanismes d’inférence

• Filtrage + Héritage:
• La requête “Est-ce que Olivia donne quelque chose à un
homme?” est résolue par une combinaison de filtrage et
d’héritage.
• Whitman peut se substituer à la variable “une personne” car il
est un garçon et tout garçon est une personne.

89
Déduction par réseau auxiliaire
• utilisés comme outils de transformation des réseaux
sémantiques afin d’établir des faits nouveaux (effectuer des
déductions). NB: ++ réseaux auxiliaires au besoin

90
Réseaux sémantiques - avantages

• Connaissances structurées en nœuds et arcs  visibilité des


relations entre les objets et la distance inter-concepts
(nombre de liens)

• Bien adaptés aux domaines où les concepts sont simples et


fortement liés entre eux

• Récupération des informations explicites ou implicites en


utilisant le mécanisme de filtrage

91
Réseaux sémantiques - Inconvénients

• Le problème de granularité et du choix des nœuds et des liens


de base.
• Combien de liens sont importants pour saisir le sens de la phrase
“Olivia donne une fleur à Whitman”?

• Difficile d’exprimer des propositions ayant des quantificateurs


universels, existentiels et numériques

• peut représenter des propositions différentes telles que : “toute petite


fille possède un chat”, “quelques petites filles possèdent un chat”,
“quelques petites filles possèdent quelques chats”, etc.
92
Réseaux sémantiques - Inconvénients

• La sémantique du lien d’appartenance est-un entre un individu et


un concept n’est pas très bien définie :
• Que veut dire “Olivia ‘est-un’ fille”? ; être fille indique une
relation établie par l'âge, la taille, l’apparence, les
chromosomes,…?

• Représentation statique du monde, ce qui rend difficile la


modélisation de l’évolution de l’information
• Lorsque Olivia passe du statut fille à celui d’une femme

• Critique si taille du réseau importante (nb de noeuds et liens) →


explosion combinatoire
93
Passage aux représentations orientées objet

• Faiblesses des réseaux sémantiques: représentation


déclarative de la connaissance (problèmes d’interprétation)

De nouveaux outils ont été développés. Il s’agit des


représentations orientées objet (Frames-Schémas, langages
objets)

Besoin d’une représentation procédurale (dynamique) afin de


• mieux représenter les connaissances structurées
• faciliter l’interprétation
94
Frames
Frame - Schéma

• Une unité de connaissance (prototype) décrivant une


situation ou un objet. On doit la notion de Frame à Minsky
(1975).

• Une forme déclarative de systèmes à base de connaissances:


• une liste d'attributs ou de propriétés est assortie de caractéristiques et de
valeurs  description de concepts généraux et de classes d'objets
• des liens hiérarchiques, d'héritage, de spécialisation et d'instanciation 
manipulation de classes de granularités différentes

• Ces systèmes sont le plus souvent statiques, mais une certaine


dynamique peut y être introduite en affectant des procédures 96
aux attributs.
Deux types de frame

• Frame prototype
• représente une classe d'objets
• introduction de valeurs permises
canari  classe : frame prototype

• Frame instance:
• décrit les individus d’une classe
• introduction de valeurs effectives
• une instance hérite directement du frame de sa classe
titi  individu : frame instance
97
Composants d’un frame
C’est une structure à trois niveaux:
• schéma: nom + une collection d’attributs
• attribut (slot) = information d'un frame permettant d'introduire :
• des propriétés (1 ou n) décrivant le frame :
• des relations (un-aire ou n-aire) entre frames
• Chaque attribut est décrit par un ensemble de facettes et leurs valeurs.
• aspect (facette) = chaque aspect introduit une valeur élément
de description de l'attribut

98
Composants d’un frame

99
Exemple

100
Attribut
• Un attribut peut :
• définir une valeur par défaut, ou un ensemble de valeurs
permises (frame prototype),

• constituer un démon, sorte de procédure qui peut être activée


chaque fois que l'attribut doit être modifié,

• être un pointeur sur un autre frame plus général ou plus


spécifique (récursivité de frames), ce qui permet de représenter
des objets composés.

101
Aspects d’attributs ou Facettes

• L'ensemble des facettes d'un attribut décrit les diverses connaissances


ou points de vues sur cet attribut :
• sa nature
• sa valeur
• sa valeur par défaut
• des moyens d'obtenir sa valeur (démon ou référence de frame)

• Plusieurs types d'aspects peuvent être rencontrés:


• Aspect de typage
• Aspect de restriction
• Aspect d’obtention de valeur
• Aspect réflexe
• Aspect de communication Homme-Machine, …
102
Aspect de typage

• Permet de définir le type de valeur des attributs d'un frame


(valeurs permises): aspect "doit-être"

• Type simple : entier, réel, booléen et chaîne

• Type défini par un frame : référence à une instance de ce frame


ou d'un frame plus spécifique.

103
Aspect de restriction

• Les facettes de restriction de type permettent de décrire des


contraintes auxquelles la valeur de l'attribut doit obéir.
• Une nono-valuation ou multi-valuation; Aspect "un" et "liste_de",

• "domaine" ou "restriction" : une liste de prédicats décrivant des


contraintes sur la valeur de l'attribut.
• (numéro (restriction
(plus-grand-que 0)
(plus-petit-que 31))) )
• "intervalle" : intervalle des valeurs admissibles.
• "possibilité" : un ensemble de valeurs possibles.
• (Jour
(nom
(possible (dimanche lundi mardi mercredi jeudi vendredi samedi)))
104
Aspect d’obtention de valeurs

• Les facettes qui décrivent un moyen d'obtenir la valeur d'un


attribut sont :

• "valeur": précise la valeur de l'attribut

• "si-besoin" : permet d'associer des méthodes de calcul des


valeurs (attachement procédural).

• "défaut" : permet d'associer une valeur par défaut qui sera


retenue en cas d'absence d'autres informations sur la valeur de
l'attribut (traitement des exceptions)
105
Exemple

(Personne
(âge
(doit-être entier)
(si-besoin (compter-années date-jour datenaissance))
)
)

(Planète
(atmosphère (doit-être booléen)
(défaut faux))
)
)

106
Aspect réflexe

• Appelées aussi "démon", les procédures réflexes sont déclenchées


lorsqu'une valeur est effectivement donnée à un attribut.

• Les facettes "si-ajout", "si-modif" et "si-supprime" permettent d'introduire


des procédures déclenchées en cas d'ajout, de modification, de
suppression d'informations, ceci notamment pour des soucis de maintien
de la cohérence

• Exemple:
(Carré
(largeur (un réel)
(si-modif (calcule-surface largeur)) )
(surface (un réel)) ) 107
Aspect de communication

• permet d'introduire des procédures permettant de


passer d'une vision interne à une vision externe des
valeurs ou réciproquement

• aspect "lire", "écrire", ...

108
Frame instance

• Un frame décrit une classe. Un objet particulier de cette classe est


décrit lui-même par un schéma, dit schéma d'instance.

• Le schéma d’instance diffère du schéma de la classe par la valeur


donnée aux attributs.

• chaque attribut d'une instance doit avoir l'aspect "valeur": simple


(si l’attribut est mono-valué) ou une liste de valeurs

• Une instance peut-être complète ou partielle. Elle hérite du schéma


de sa classe à l'aide de la liaison "est_un" (is-a).
109
Exemple

110
Héritage simple dans les frames

• Un frame peut dominer un ensemble de frames plus spécifiques


• 2 situations d’héritage simple:

• Attributs et héritage :
• si la valeur d'un attribut est définie au niveau d'un prototype, tous les
frames (prototypes et instances) plus spécifiques en héritent
• il y a aussi héritage des procédures ou méthodes définies au niveau des
prototypes au niveau des instances. 111
Héritage dans les frames

Exemple:

112
Héritage multiple dans les frames

• Un frame peut être dominé par un ou plusieurs frames


plus généraux

• Il faut définir l'ordre d'application des héritages, par


exemple par une liste de précédence ou une
énumération des frames à héritage

• Exemple:

113
Quels sont les mécanismes de
raisonnement des frames ?

114
Frame – mécanismes de raisonnement (1)

Inférence d’instanciation:
• constitue l'inférence fondamentale dans les systèmes de
frames

• consiste à "construire" ou "compléter" une instance de frame


= instancier par des valeurs les attributs définis dans les
frames prototypes

• cette obtention de valeurs peut être directe; valeurs


d'attributs propres à l'instance, ou par héritage.
115
Exemple

Oeuvre_d’art
auteur $un artiste ;
Catégorie $un chaine
$domaine {"sculpture", "peinture" }

Spécialisation

{sculpture { tableau
sorte-de = oeuvre_d’art; sorte-de = oeuvre_d’art;
technique $un " marbre"} technique $un chaine
$domaine "aquarell " }

{Le_Jardin
est_un = tableau ; Instanciation
auteur = Jerome_Bosch ; 116
technique = "huile" ;
titre = "Le Jardin des plaisirs"}
Frame – mécanismes de raisonnement (2)

Classification:
• consiste à positionner un nouveau schéma dans une
hiérarchie de schémas connue.

• La classification d’instances est un mécanisme de


raisonnement qui permet de compléter la connaissance d’une
nouvelle instance en la plaçant correctement dans la base et
en récupérant l’information déduite de ce classement.

117
Frame – mécanismes de raisonnement (3)

Inférence par filtrage:


• intervient quand l'aspect valeur d'un frame prototype renvoie sur un autre
frame
• Exemple:

• dans "! X", préfixe "! ..." valeur de la variable X doit être instanciée à
l'appel du filtre (variable d'entrée)

• dans "? X", préfixe "? ..." valeur de la variable X peut être inconnu à l'appel
du filtre (variable de sortie)
118
Frame – mécanismes de raisonnement (4)

Inférence procédurale
• un mécanisme de raisonnement local
• est obtenue par activation des procédures, méthodes associées aux
attributs afin d'en obtenir des valeurs d'instanciation.
• Ces procédures sont elles-mêmes décrites par des frames
prototypes, dont les attributs sont leurs valeurs d'entrée et de sortie
• C'est l'aspect "si-besoin" qui distingue un frame de filtrage d'une
telle procédure

• L'âge est calculé à partir de la date de naissance


"date nais." par la procédure
COMPTER_ANNEES.
• Si cette date de naissance n'est pas connue, on
interroge l'utilisateur pour obtenir l'âge avec la
procédure INTERROGER. 119
Frame - avantages

• très utiles pour modéliser les domaines où les objets sont


complexes et riches
Ils fournissent une représentation structurelle concise et
facilement exploitable.

• La structure en classes et instances peut tirer parti des


mécanismes d’inférence puissants comme le filtrage et la
classification.

• L’héritage réduit le travail de description du concepteur et


facilite le maintien de la cohérence de la base.
120
Frame - inconvénients

• Pas d’équivalence avec la logique (ex : quantifieurs,


disjonctions, …)

• Pas d’expression de connaissances incertaines, imprécises

• Certaines inférences sont favorisées, d’autres sont difficiles à


réaliser

121

Vous aimerez peut-être aussi