View
105
Download
1
Category
Preview:
Citation preview
1
Modélisation générique d’un retour d’expérience cognitif
Application à la prévention des risques
Directeur de thèse: Laurent GENESTECo-encadrant: Xavier DESFORGES
Tarbes, vendredi 14 novembre 2008
2
Le projet européen SUP
Projet SUP (Sécurité Urgence Pyrénées) Projet INTERREG IIIa
Mise en commun des ressources technologiques et humaines pour réduire les disparités
Transfrontalier franco-espagnol Objectif : amélioration de la sécurité dans le massif des
Pyrénées Activités de loisirs et activités professionnelles
Professionnels de la montagne et des secours Un volet Intervention et un volet Prévention
Développement d’outils de télémédecine Réalisation d’un Système d’Information (SI)
Notre rôle Intégration d’un module de retour d’expérience dans le SI
Démonstrateur Prévention des risques liés à la pratique d’activité en
montagnes
3
Contribution au projet SUP
Une application de retour d’expérience adaptée Basée sur le processus d’analyse d’accidents en
montagne
Description contexte
de l’événement
Analyses expertesRecherche des causes
Explications de l’accident
Restitution pour les utilisateursCartographie des dangers,
Indicateur du risque encouru,Conseils de prévention…
Accident
4
Objectifs du travail de recherche Capitalisation des expériences
Modélisation de l’expérience Description du contexte, de l’analyse
d’accidents… Définition d’un formalisme approprié
Exploitation des expériences Algorithmes de recherche Étude et proposition d’un indicateur du risque
Opérationnalisation des applications Développements génériques
Applicables aux méthodes de résolution de problèmes industrielles Favorisent la génération d’applications à partir du modèle de
l’expérience Automatiser les tâches logicielles récurrentes
Baseexpérience
Capitalisation
Baseexpérience
Exploitation
5
Plan Introduction
Origine du projet Objectifs de la thèse
I - Retour d’expérience Définition et caractérisation Applications de retour d’expérience Les systèmes basés sur la connaissance
II – Capitalisation de l’expérience Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride
III – Exploitation de l’expérience Comparaison d’expériences basée sur la recherche par similarité Proposition d’algorithmes de recherche adaptés Extraction d’un indicateur du risque
IV – Opérationnalisation des applications Les différentes techniques Une application à la prévention des risques en montagne
Conclusions et perspectives
6
I - Retour d’expérience
Définition
Caractérisation
Applications de retour d’expérience
7
Un système basé sur la connaissance (SBC)
« Le management de l’expérience est un type de management des connaissances restreint aux connaissances issues de l’expérience »
Une typologie des SBC Statique
Connaissance sous forme de documents Difficile de réaliser des inférences
Outils de type Gestion Électronique de Documents (GED)
Dynamique Connaissance formalisée
Inférence possible mais expression des connaissances plus difficile
Exemple de langage: DL, GC - Outils : SRC (Protégé)…
Approche « retour d’expérience » Un SBC ascendant
Capitalisation et exploitation de connaissances contextualisées
La connaissance globale des experts n’a pas à être formalisée
Permet de réaliser une capitalisation continue Vecteur de création de connaissance générique
Difficulté d’inférence
Difficulté d’expression
statique dynamique
exp1 exp2
exp3 exp4
Connaissance
8
Définition du retour d’expérience
Définition adoptée du retour d’expérience (Rakoto, 2004)« Le retour d’expérience est une démarche structurée de capitalisation et d’exploitation des connaissances issues de l’analyse d’événements positifs ou négatifs. Elle met en œuvre un ensemble de ressources humaines et technologiques qui doivent être organisées pour contribuer à favoriser certaines pratiques performantes et à réduire les répétitions d’erreurs »
Positionnement Événements : positifs / négatifs Retour d’expérience : crise / statistique / cognitif Connaissances : statiques / dynamiques Dimensions : technique / humaine
Le retour d’expérience nécessite 1. une représentation structurée de l’expérience (Inspirée des SRC)
2. des traitements adaptés (Inspirés du RàPC)
9
II - Modélisation de l’expérience
Modélisation structurée de l’expérience
Prise en compte d’informations incertaines
Modèle hybride (incertain et composite)
10
Modélisation structurée de l’expérience Les formalismes de représentation des connaissances
Choix de représentation structurelle Modèle Attribut-Valeur étendu
Simple (composite) Extensible Favorisant l’opérationnalisation
Homogénéité Pas de « passerelle »
Logique(s)
Frames
DL
Graphes conceptuels
RS RCO
Orienté Objet
Représentation
do1 d2
d1
d4
do3 d32
do33
d31
d332
d331
Opérationnalisation
11
Capitalisation
Macro-structure de l’expérience Contexte – Analyse
Des représentations imparfaites Contexte
Description du « monde » Incomplet, imprécis…
Analyse Avis subjectif d’expert
12
Modélisation de l’incertain
Les approches subjectives Probabilités, inférence bayésienne
Information sur variabilité (var aléatoire) Théorie des possibilités
Information incertaines Fonctions de croyance
Information incertaine et aléatoire
Interprétation ensembliste Soit une information di Domaine fini et discret Distribution d’une croyance unitaire (masse)
in ,,, 21
0
1
A1
A2
A3
Probabilités
0
1
Possibilités
0
1
A1
A2
A3
Croyance
A1A2A3
13
Modèle des Croyances Transférables
Niveau crédal
Niveau décisionnel
Partie statique
Représentation des informations
Partie dynamiqueRévision des informations, raisonnement
Transformation pignistiqueConversion non réversible en
probabilité
MCT Une interprétation non-probabiliste des fonctions de croyance Fonction de croyance = opinion d’un agent rationnel
Deux niveaux cognitifs distincts Niveau crédal
Expression subjective de la connaissance Raisonnement dans l’incertain Aspect statique et dynamique
Niveau décisionnel Transformation pignistique irréversible
Cadre probabiliste Compatible avec le critère du maximum
d’utilité espérée
Hypothèse du monde ouvert Valeurs non prévues dans le modèle
Domaine non obligatoirement exhaustif
14
Notions élémentaires du MCT Distribution de masse
Cadre de discernement Domaine = cadre de discernement Domaine recensant des hypothèses exclusives
Support de la distribution de masse Parties de « powerset » noté 2
= {a, b, c} 2 = { , {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, }
Éléments focaux Sous-ensembles de masse de croyance non-nulle
Singletons – masse bayésienne (distribution de probabilité) Monde ouvert
m(Ø)≠ 0 croyance affectée aux autres hypothèses Affaiblissement
Confiance relative entre sources Expression de confiance en experts
Agrandissement, réduction (évolution du modèle)
Crédibilité et Plausibilité
0
1
A1
A2
A3
A BB
AB
BmACrA
,
B A B
B APlACr
AB
BmAPlA ,
15
Modélisation du contexte
Un modèle hybride « Objet-MCT » Modèle Attribut-Valeur étendu (descripteur)
Type composite Appliqué au contexte
Valuation incertaine des attributs Choix du modèle des croyances transférables Interfaçage avec les valeurs de descripteurs (contexte)
Valuation = distribution de masse de croyance si
si
Ssid
mbbav
Contexte d2
d1
d4
do3 d32
do33
d31
d332
d331
0
1 A1
Valeur certaine
0
1
A1
A2
A3
Valeur aléatoire
0
1
A1
A2
A3
Valeur incertaine
vd332
16
Modélisation de l’analyse
Relations entre les attributs significatifs Explications de l’événement
Conjonction des informations significatives « ET » Sous-ensemble du contexte (descripteurs)
Formalisation par une entité propre Conjonction de descripteurs Exemple d’analyse
valeur-d1 et valeur-d3 (vraisemblance1=0,75)
ou valeur-d1 et valeur-d5 (vraisemblance2=0,50)
ou valeur-d5 (vraisemblance3=0,25)
Construction de l’analyse Utilisation de l’arbre des causes
Permet de remonter aux causes racines Création des liens avec le contexte
17
III - Exploitation de l’expérience
Algorithmes de recherche
Extraction d’un indicateur du risque
18
Exploitation
19
Comparaison d’expériences
Deux types de recherche Recherche sans analyse
Filtrage, interrogation de la base Pondération suivant le besoin de l’utilisateur
Analogue à une requête dans un SGBD
Recherche tenant compte de l’analyse des experts Prise en compte de la conjonction des informations significatives Recherche biaisée par l’analyse experte
L’analyse agit comme une « pondération »
Utilisation d’une mesure de similarité entre descripteurs Technique utilisée en RàPC
Définition de mesures de similarité locale/globale Proposition d’une mesure adaptée au descripteur
Structure composite et incertaine
20
Comparaison d’expériences Mesure de similarité
Liée à la notion de distance Permet de comparer deux informations (de même type)
Littérature Similarité locale/globale
Similarité locale Entier, réel, symbolique, … Fonction, matrice de similarité, …
Similarité globale Composition de types simples Calcul récursif Fonction d’agrégation
simg(do33) = ( sim(d331), sim(d332))
Similarité « objet » Composites + Hiérarchiques
SIMIntra, SIMInter
Similarité objet et incertitude Théorie des possibilités
Similarité objet - possibiliste (Ruet, 2002) Proposition d’une similarité objet incertaine
Fonction de croyance (MCT)
simLocal = [0,2 ; 0,8]
Contexte d2
d1
d4
do3 d32
do33
d31
d332
d331
EXP1
Contexte d2
d1
d4
do3 d32
do33
d31
d332
d331
EXP2
21
Proposition de mesure de similarité Similarité locale
Base des algorithmes d’exploitation Entre deux descripteurs simples Similarité « précise » connue
Extension à une valuation incertaine
Similarité locale
Matrice de similarité - MCT
Similarité globale
Minkowski, conjonctive, …
Contexte d2
d1
d4
do3 d32
d33
d31
EXP1
Contexte d2
d1
d4
do3 d32
d33
d31
EXP2
Sim a b c d e f
a 1 0,8 0,5 0,3 0,1 0
b 1 0,7 0,5 0,1 0
c 1 0,9 0,7 0,2
d 1 0,8 0,1
e 1 0
f 1
v 1d31 = c
v 2d31 = b
Valeur certaine
Simlocal (v 1d31 , v 2
d31) = 0.7
v 1d31 = {c, d, e}
v 2d31 = {a, b}
Valeur incertaine
Simlocal (v 1d31 , v 2
d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}
d31 = {a, b, c, d, e, f)
22
Similarité locale incertaine (représentation)
0
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Sim a b c d e f
a 1 0,8 0,5 0,3 0,1 0
b 1 0,7 0,5 0,1 0
c 1 0,9 0,7 0,2
d 1 0,8 0,1
e 1 0
f 1
Cas particulier des distributions de masse catégorique Connaissance imprécise et certaine
d31 = {a, b, c, d, e, f) BBA1: m({c, d, e}) = 1 v 1
d31 = {c, d, e} BBA2: m ({a, b}) = 1 v 2
d31 = {a, b}
Simlocal (v 1d31 , v 2
d31) = { Sim(c, a), Sim(d, a), Sim(e, a), Sim(c, b), Sim(d, b), Sim(e, b)) Simlocal (v 1
d31 , v 2d31) = { 0,5; 0,3; 0,1; 0,7; 0,5; 0,1 }
Simlocal (v 1d31 , v 2
d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1
d31 , v 2d31) = { (0,1; 2); (0,3; 1); (0,5; 2); (0,7; 1) }
Simlocal (v 1d31 , v 2
d31) = { (0,1; 1/3); (0,3; 1/6); (0,5; 1/3); (0,7; 1/6) }
Distribution de masse bayésienne(distribution probabiliste)
Simlocal (v 1d31 , v 2
d31)
23
Similarité locale (généralisation)
Généralisation Distribution de masse quelconque Produit des masses des ensembles concernés
Exemple = {a, b, c } - Matrice de similarité donnée BBA1 :
m1 () = m11 = 0,3 m1 ({b}) = m12 = 0,7
BBA2 : m2 () = m21 = 0,1 m2 ({b ; c}) = m22 = 0,9
\ a b c
a 1 0,6 0,1
b 1 0,8
c 1
Ensembles Poids associé
x = {(a ; a) (a ; b) (a ; c) (b ; a) (b ; b) (b ; c) (c ; a) (c ; b) (c ; c)}
x { b, c } = {(a ; b) (a ; c) (b ; b) (b ; c) (c ; b) (c ; c)}
{ b } x = {(b ; a) (b ; b) (b ; c)}{ b } x { b, c } = {(b ; b) (b ; c)}
m11 * m21 = 0,03
m11 * m22 = 0,27
m12 * m21 = 0,07
m12 * m22 = 0,63
∑ = 1
ii BmAm 21
24
Similarité locale (généralisation)
0
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Regroupement par niveau de similarité et par ensembles
Poids associé
msym (0,1) = 2/9 ; msym (0,6) = 2/9 ; msym (0,8) = 2/9 ; msym (1) = 1/3
msym (0,1) = 1/6 ; msym (0,6) = 1/6 ; msym (0,8) = 1/3 ; msym (1) = 1/3
msym (0,6) = 1/3 ; msym (0,8) = 1/3 ; msym (1) = 1/3msym (0,8) = 1/2 ; msym (1) = 1/2
m11. m21 = 0,03 m11. m22 = 0,27 m12. m21 = 0,07m12. m22 = 0,63
∑ = 1
Regroupement par niveau de similarité Résultat
msym (0,1) = 2/9 * 0,03 + 1/6 * 0,27msym (0,6) = 2/9 * 0,03 + 1/6 * 0,27 + 1/3 * 0,07
msym (0,8) = 2/9 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63
msym (1) = 1/3 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63
= 0,052= 0,075= 0,435= 0,438
∑ = 1Simlocal (BBA1 , BBA2)
25
Similarité globale Expériences composées de deux descripteurs simples
Equivalent à l’agrégation de deux similarités locales Fonctions d’agrégation
Plusieurs sémantiques possibles Hypothèses
(x, x) = x Simglobal est exprimée sur le même référentiel que Simlocal (récursivité)
Contextev1d1
v1d2
EXP1
Simlocal (v 1d2 , v 2
d2)
Simlocal (v 1d1 , v 2
d1)
0
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
0
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Contextev2d1
v2d2
EXP2
Simglobal (exp 1, exp 2)
(1)
(2)
(2)
(3)
(1)
0
1
0,15 0,15 0,1
0,25 0,25
0,4
0,1
26
Similarité Globale - Généralisation Similarité entre n descripteurs simples
Problème combinatoire 2 SIMbba de 2 et 3 ensembles focaux 6 possibilités à agréger 10 SIMbba de 5 ensembles focaux chacun 510 possibilités (~ 10M)
Algorithme décomposable
Réduit la complexité 10 SIMbba de 5 ensembles focaux chacun
9 agrégations de 2 descripteurs simples –225 à 2000 possibilités Approximation due à la discrétisation
s1 s2 s3 s4
s5
s12 s34
S1234
s12345
n distributions de similarité
n - 1 agrégations de 2 distributions
Mink (s1, s2)
Mink (s12, s34)
Mink (s3, s4)
Mink (s1234, s5)
s5
s5
w1 w2 w3 w4 w5
w5
w5
w1 + w2w3 + w4
w1 + w2 + w3 + w4
w1 + w2 + w3 + w4 + w5
27
Similarité Globale Généralisée
Récursivité – descripteur objet
Contexte d2
d1
d4
do3 d32
do33
d31
EXP1
Contexte d2
d1
d4
do3 d32
do33
d31
EXP2
SimGlobal(EXP1, EXP2) Simlocal (v1d2, v2d2 )
Simlocal (v1d1, v2d1 )
Simlocal (v1d4, v2d4 )
Simglobal (v1do3, v2do
3 Simlocal (v1d32, v2d32 )
Simlocal (v1d33, v2d33 )
Simlocal (v1d31, v2d31 )
28
Évaluation du risque
29
Indicateur du risque
1
2
3
4
5Gravité
Degré d’occurrence
Référentiel du risque
Association du niveau de gravité pour chaque événement Définition de courbes iso-risque ~ changement de repère
R = P x I
Aléa, vulnérabilité
I ~ gravité projection
Courbes iso-risque
I II III
I II III IV
I II III IV V
I II III IV V
I II III IV V RisqueI – faibleII – modéréIII – importantIV – très important
V – inacceptable
30
Similarité globale et indicateur du risque
Similarité locale incertaine
Matrice de similarité - MCT
Similarité globale
Minkowski
Similarité globale
Conjonctive
Indicateur du risque
31
Indication du risque Principe
Dans des conditions significatives similaires, la vraisemblance d’un événement de même type (même gravité) est maximum
Vraisemblance = degré de reproductibilité Calcul de l’indicateur
Comparaison entre le contexte courant et toutes les expériences Exemple : comparaison d’une seule expérience composée de 2 descripteurs simples. La
gravité associée est de 4
R = { 0; 0; 0,25; 0,50; 0,25}
0
1
0,15 0,1
0,4
0,15 0,1
0,25 0,25
32
Implémentation générique
33
Applications de retour d’expérience
client
Exp ???
Base de connaissance
Exp ???
Exp ???
PORTAIL
WEB
événement ……… = ………………… ……… = ………………… ……… = …………………
contexte ……… = ………………… X ……… = ………………… - ……… = ………………… X ……… = ………………… - ……… = ………………… -
leçon ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… ……… = …………………
experts
Exp ???
utilisateursBase
d’expériences
Flux de connaissance (indicateurs, règles…)
Flux d’expérience
Flux d’expertise (informations qui viennent compléter l’expérience a posteriori)
Applications Internet Autonomes Architecture client-serveur Fonctionnement distribué et
collaboratif
Technologies utilisées Smalltalk (squeak)
http://www.squeak.org Entièrement objet Dynamique, réflexif
Seaside (applications Web dynamiques)http://www.seaside.st
Magritte (méta-descriptions) …
serveur
Moteur de recherche
Traitementsspécifiques
Pré-Traitements(Analyse)
Saisie
34
Techniques et outils
Approches de généricité Métamodélisation et Ingénierie dirigée par les modèles
MDA et MOF Essentiellement descriptif
Framework Infrastructure orientée objet générique spécialisable Inversion de contrôle – point d’entrée
Patterns « Bonnes pratiques » Modèle dynamique adaptatif (AOM)
Pattern Type Object et Property List
Métaprogrammation Génération de code Interprétation de métadonnées (métadescription)
35
Opérationnalisation
Prévention des risques d’activités en montagne Validation de la génération d’applications web
Interface graphique Basée sur méta-description
Persistance Sérialisation modèle et expérience
Pas d’implémentation pour SUP des algorithmes proposés
Implémentation du modèle hybride proposé Générateur d’applications de retour d’expérience
Basé sur un modèle adaptatif (AOM) Modèle simple – seulement une dizaine de classes
Algorithmes de recherche implémentés Pas de lien avec les interfaces graphiques
Composants génériques à développer
36
L’application du projet SUP
Saisie de l’événement
Saisie du contexte
Saisie de l’analyse
37
Modèle hybride adaptatif
38
Conclusion et perspectives
39
Conclusions et perspectives
Une approche de retour d’expérience applicable dans un contexte industriel de résolution de problème
Analyse d’accidents proche des processus de résolution de problème des organisations (PDCA, 8D, 6Sigma, …)
Techniques suffisamment génériques pour être utilisées hors du contexte de la prévention des risques en montagne
Possibilité d’intégration des résultats dans la plateforme de retour d’expérience T-Rex
Capitalisation des processus de résolution de problèmes PDCA, 8D. Réutilisation limitée mais capitalisation détaillée de l’analyse et des
actions correctives
Approche de modélisation dynamique intéressante et devant être approfondie Déploiement rapide des systèmes de retour d’expérience Modifications du modèle « en fonctionnement ».
40
Conclusions et perspectives
Validation des algorithmes Comportement satisfaisant Appliquer sur un modèle concret
Une sémantique plus précise Lien entre descripteurs et ontologie de domaine Formalisation plus précise de l’analyse
Augmentation du modèle Réification du « domaine » …
Couplage avec des modèles de connaissance générique CSP (propagation de contraintes) …
41
Merci de votre attention…
Recommended