Les Systèmes Experts - MASIG Accueilmasig.ensg.eu/PDF/Systemes Experts.pdf · 5.9.5 Le design de la chaîne de traitement des ... SCHEMA CONCEPTUEL D’UN SYSTEME ... Ainsi s’est

Mastère ASIG / Projet Bibliographique 2008 1

P7 : Projet Bibliographique

Dans le cadre du Mastère ASIG

Les Systèmes Experts

Etat de l’art et application possible aux SIG

Marion Charbonnier

25 Avril 2008


TABLE DES MATIERES

1 UTILITE D’UN SYSTEME EXPERT 5

1.1 INTRODUCTION 5

1.2 HISTORIQUE 6

1.3 POURQUOI EMPLOYER UN SYSTEME EXPERT 7 1.3.1 Le fleuron de l’intelligence artificielle 7

1.3.1.1 L’intelligence artificielle 7 1.3.1.2 L’humain en tant que processeur d’information 8

1.3.2 Le système expert par rapport au système conventionnel 9 1.3.3 Les Systèmes Experts en milieu professionnel 9 1.3.4 Les avantages 11

1.4 PRE-REQUIS 12

2 COMPOSITION DES SYSTEMES EXPERTS 14

2.1 DIFFERENTS TYPES DE SYSTEMES EXPERTS 14

2.2 CONCEPT 15 2.2.1 La base de connaissance 15 2.2.2 Le moteur d’inférence 16 2.2.3 L’interface graphique 17 2.2.4 Les métadonnées et les métarègles 17

2.3 MISE EN PLACE 17

3 FONCTIONNEMENT DES SYSTEMES EXPERTS 20

3.1 PROPRIETE DU MOTEUR D’INFERENCE 20 3.1.1 Le chaînage avant 20 3.1.2 Le chaînage arrière 22 3.1.3 Le chaînage mixte 23

3.2 CYCLE D’UN SYSTEME EXPERT 23 3.2.1 Engagement des paramètres 23 3.2.2 Application des règles d’inférence 24 3.2.3 Enregistrement des résultats 24 3.2.4 Engagement des paramètres, bis 25 3.2.5 Rendu du résultat 26

4 LIMITES ACTUELLES DES SYSTEMES EXPERTS 27

5 EXEMPLE : ACTE 28

5.1 RESUME 28

5.2 INTRODUCTION 29

5.3 LA MODELISATION DES TACHES D’ANALYSE 29 5.3.1 Les Fonctions d’analyse à assister 29 5.3.2 Théories sous-jacentes 30 5.3.3 Le texte comme objet sémiotique 30


5.3.4 Les analyses documentaires comme des applications particulières d’un processus de lecture 30 5.3.5 L’intertextualité 31

5.4 L’APPROCHE 31 5.4.1 Les sources de données 31 5.4.2 Les traitements sur les données linguistiques 32

5.5 L’ENQUETE COGNITIVE 33

5.6 COMPLEMENTARITE DES APPROCHES 33

5.7 EXEMPLE D’INDICES PERTINENTS RETENUS POUR MODELISER LES DIFFERENTES OPERATIONS D’ANALYSE 34

5.8 LES PROPOSITIONS D’ENRICHISSEMENTS DES OUTILS DOCUMENTAIRES 34 5.8.1 Les modifications à apporter au plan de classification 34 5.8.2 Les études effectuées sur l’utilisation du thésaurus 35

5.9 LA REALISATION DU PROTOTYPE DE SYSTEME EXPERT 35 5.9.1 La tâche à informatiser 36 5.9.2 Motivation du choix de la technologie des systèmes experts 36 5.9.3 Les incertitudes reliées à cette entreprise 37 5.9.4 L’arrimage du Système Expert avec l’analyse de textes par ordinateur 37 5.9.5 Le design de la chaîne de traitement des documents 38 5.9.6 Les aménagements apportés au traitement standard de l’incertitude 38 5.9.7 La réalisation de la base de règles par apprentissage 38 5.9.8 Les problèmes laissés en suspens 40

5.10 CONCLUSION 40

6 UN SYSTEME EXPERT DANS LE GEODECISIONNEL ? 43

6.1 LES SYSTEMES EXPERTS ET LES SIG 43

6.2 NECESSITE 44

6.3 CONSTRUCTION DU SYSTEME EXPERT 45

6.4 LA SELECTION D’OUTILS INFORMATIQUES 47

7 REFERENCES BIBLIOGRAPHIQUES 49

7.1 LIVRES 49

7.2 DOCUMENTS DIVERS 49

7.3 SCHEMAS 49

CONCLUSION 50

ANNEXES 51


TABLE DES ILLUSTRATIONS

FIGURE 1 : SCHEMA CONCEPTUEL D’UN SYSTEME EXPERT 15

FIGURE 2 : COMPOSANTS D’UN SYSTEME EXPERT 20

FIGURE 3 : CHAINAGE AVANT 21

FIGURE 4 : CHAINAGE ARRIERE 22

FIGURE 5 : APPEL AUX DONNEES PAR LES METAREGLES 23

FIGURE 6 : APPLICATION DES REGLES D’INFERENCE 24

FIGURE 7 : ENREGISTREMENT DES RESULTATS 25

FIGURE 8 : RAPPELS DES FAITS PAR LES METAREGLES 25

FIGURE 9 : PROPOSITION A L’UTILISATEUR DE LA SOLUTION POTENTIELLE 26

FIGURE 10 : ENREGISTREMENT EN TANT QUE SOLUTION VALIDEE 26

FIGURE 11 : CHAINE DE TRAITEMENT COMBINANT ANALYSE DE TEXTE ET SE 42

FIGURE 12 : FONCTIONNEMENT GENERAL 43

FIGURE 13 : RELATION MOTEUR D’INFERENCE – SIG 44

FIGURE 14 : LES STADES DU GENIE COGNITIF SELON WATERMAN 45

FIGURE 15 : FONCTIONNALITES D’UN TEL SYSTEME EXPERT 47


1 UTILITE D’UN SYSTEME EXPERT

1.1 INTRODUCTION

Un système expert se caractérise par son aspect intelligent, du fait même qu’il soit une

technologie emblématique de l’intelligence artificielle. Mais qu’est-ce que l’intelligence ?

Si l’on considère l’aspect étymologique, on trouve plusieurs définitions qui se complètent

mutuellement : l’intelligence c’est donc « la faculté de connaître et de comprendre,

incluant la perception, l'apprentissage, l'intuition, le jugement et la conception" (Petit

Robert), mais aussi « la faculté de connaître et de raisonner » (Dictionnaire American

Heritage), ou bien encore « l’application de la connaissance à la résolution de problèmes »

(Newell et Simon). Ce qui nous amène à se questionner quant à la connaissance. Celle-ci se

compose de données et d’inférences. Le concept de connaissance est donc lié à

l’interprétation des données et exige de ce fait un interprète, qui devra générer de

nouveaux faits à partir de données (inférence). On distingue trois techniques d’inférences :

• Déduction : (p ∧ (p → q)) ⇒ (q)

• Abduction : (q ∧ (p → q)) ⇒ peut-être(p)

• Induction: p(A) → q, p(B) → q, ... ⇒ ∀x ( p(x) → q)

La connaissance est donc définie par sa fonction, c.-à-d. par ce qu'elle fait et non pas par

son contenu structurel. On distingue deux sortes de connaissances : déclarative (expression

symbolique (abstraite) d’une compétence ; utilisée pour communiquer et pour raisonner

sur des connaissances) et procédurale (expression “compilée” d’une compétence ; utilisée

pour optimiser le temps d’exécution).

Une autre distinction est la connaissance “superficielle ” et la connaissance “profonde”.

La connaissance profonde est un modèle permettant le raisonnement par simulation, et la

connaissance superficielle est une expression symbolique des associations des faits

permettant un raisonnement “abstrait”. La plupart des systèmes experts fonctionnent avec

une connaissance “superficielle”.

Ainsi nous verront quelles peuvent être les raisons d’implémentation d’un Système Expert

(SE), quels en sont les différents composants et comment ces derniers fonctionnent et

quelles sont aujourd’hui les limites des Systèmes Experts. Puis nous aborderons l’exemple

d’un Système Expert Canadien appliqué au système juridique avant d’étudier la possibilité

d’un Système Expert dans le domaine de la géo-décisionnelle.


1.2 HISTORIQUE

Le premier système expert fut Dendral en 1965, créé par les informaticiens Edward

Feigenbaum, Bruce Buchanan, le médecin Joshua Lederberg et le chimiste Carl Djerassi. Il

permettait d'identifier les constituants chimiques d'un matériau à partir de spectrométrie

de masse et de résonance magnétique nucléaire, mais ses règles étaient mélangées au

moteur. Il fut par la suite modifié pour en extraire le moteur de système expert nommé

Meta-Dendral.

Le plus connu, peut-être, fut Mycin en 1972-73, système expert de diagnostic de maladies

du sang et de prescription de médicaments, avec un vrai moteur et une vraie base de

règles. Cependant ses règles étaient affectées de coefficients de vraisemblance qui

donnaient à chacune d'entre elles un poids particulier face aux autres. Le moteur

produisait un chaînage avant simple tout en calculant les probabilités de chaque

déduction, ce qui le rendait incapable d'expliquer la logique de son fonctionnement et de

détecter les contradictions. Quant aux experts, ils étaient obligés de trouver des

coefficients de vraisemblance pour chacune des conclusions de leurs règles, une démarche

compliquée et antinaturelle qui déniait leur capacité de raisonnement.

Le projet Sachem (Système d'Aide à la Conduite des Hauts fourneaux En Marche, chez

Arcelor), opérationnel dans les années 1990, est l'un des derniers projets « système

expert » à avoir vu le jour. Il est conçu pour piloter des hauts-fourneaux en analysant les

données fournies en temps réel par un millier de capteurs. Le projet a couté entre 1991 et

1998 environ 30 millions d'euros, et le système économise environ 1,7 euros par tonne de

métal.

Aujourd’hui, on compte des Systèmes Experts dans des domaines variés : Texas

Instruments (service clientèle) ou Stone & Webster (conseiller en calendrier de

production).


1.3 POURQUOI EMPLOYER UN SYSTEME EXPERT

1.3.1 Le fleuron de l’intelligence artificielle

1.3.1.1 L’intelligence artificielle

L’intelligence artificielle, c’est la capacité pour un système informatique d'atteindre un

niveau de performance qui se compare à celui de l'intelligence humaine dans certaines

circonstances, d’après Parker et Case. Elle repose sur l’informatique, la biologie, la

psychologie, la linguistique, les mathématiques et l’ingénierie. Son but est de concevoir

des ordinateurs qui peuvent penser, voir, entendre, parler et sentir.

Il a donc été dressé une liste des attributs d’un comportement intelligent :

• Penser et raisonner.

• Utiliser le raisonnement pour résoudre des problèmes.

• Acquérir des connaissances et les mettre en application.

• Apprendre et comprendre à partir de l'expérience.

• Faire preuve de créativité et d'imagination.

• Faire face à des situations complexes et confuses.

• Réagir rapidement de façon appropriée à de nouvelles situations.

• Reconnaître le degré d'importance des divers aspects d'une situation.

• Traiter efficacement données ambiguës, incomplètes ou erronées.

Les applications de l’intelligence artificielle sont diverses et se retrouve dans divers

domaines :

• Science cognitive: Systèmes Experts, systèmes d’apprentissage, logique

floue.

• Science informatique: ordinateurs de la 5e génération, traitement en

parallèle, réseaux neuronaux.

• Robotique: vision, touché, dextérité, locomotion, navigation.

• Interface naturelle: langage naturel, reconnaissance de la parole, interfaces

multi sensorielles.


1.3.1.2 L’humain en tant que processeur d’information

Dans le domaine de l’intelligence artificielle, il est primordial d’étudier le facteur humain,

trop souvent sous-estimé. Ce manque est pourtant la cause de nombreux échecs. Ce

facteur est laissé de côté par plusieurs spécialistes en information car l’humain constitue

un aspect plus « mou » et moins prévisible. En Informatique par exemple, on ne s'intéresse

qu’aux algorithmes, aux aspects "hard". Or, le système est utilisé par des personnes : les

utilisateurs. Ce sont eux qui devraient, la plupart du temps, définir le système.

En effet, l’humain sait :

• chercher les données utiles

• filtrer les données disponibles

• établir une représentation de son environnement

• transmettre une réponse à l'environnement

Néanmoins, Il est soumis aux difficultés liées à la surcharge d'information, aux erreurs de

filtrage, aux problèmes de distorsion et il dispose d'une capacité limitée, ce qui engendre

une rationalité limitée.

En considérant le système humain de traitement d’informations, on obtient les processus

cognitifs suivant :

• concepts, analogies métaphores

• inférences

• intuitif, instinctif et subjectif

Ainsi s’est développé le modèle de Newell et Simon comprenant un système sensoriel et

des effecteurs physiques. Le modèle possédait également des mémoires à court et à long

terme, un système de filtrage, des modèles de sélection et un style cognitif.

Tout ceci a permis de subdiviser la théorie de l’information en trois niveaux :

• Niveau technique

� Où le message se rend-il ? Réduction de l'incertitude, Redondance.

• Niveau sémantique

� Le message est-il compris? Améliorer la transmission.

� Contrôle et distribution : retarder, filtrer, biaiser, transmettre

l'interprétation.


• Niveau pratique (efficacité)

� Le message a-t-il un effet ? Changement de comportement.

� Utilité.

� Erreurs et biais.

1.3.2 Le système expert par rapport au système conventionnel

Conventionnel

• Analyse préalable

• Analyse préliminaire

• Analyse fonctionnelle

• Programmation

• Tests

• Implantation

Expert

• Étude d’opportunité

� Phase d’acquisition

• Identification des connaissances

• Conceptualisation des connaissances

� Phase de réalisation

• Formalisation des connaissances

• Prototypage

• Validation

• Implantation

1.3.3 Les Systèmes Experts en milieu professionnel

Les Systèmes Experts répondent au besoin de formalisation d’un savoir-faire (suppression

des hommes/postes clés) et au besoin d’aide à la décision.

Les Systèmes Experts sont présentement réalisés par des prestataires spécialisés par

domaine professionnel, sachant qu’un prestataire couvre un à deux domaines

professionnels maximum.


Les principaux clients des Systèmes Experts sont actuellement les laboratoires d’analyses

(biologique, mécanique, etc.) et les métiers de gestion des ressources en temps réel.

Néanmoins, on distingue quatre grandes catégories typologiques :

• Interprétation de données (diagnostic médical, de pannes, financiers,

prévisions météorologiques)

• Planification (prise de décision, ordonnancement)

• Conception (circuits électroniques, aménagement d’une cuisine,

configuration d’un système informatique)

• Enseignement

Les domaines d’application sont de ce fait nombreux :

• Aéronautique et espace :

� Aide au pilotage

� Planification du trafic aérien

� Contrôle de satellites : correction d’attitude, contrôle des opérations

de lancement

• Agriculture :

� Diagnostic de maladies et conseil thérapeutique en pathologie

végétale

� Aide au choix des semences, d’engrais

• Banque, finance, assurance

� Gestion financière

� Aide au placement

� Évaluation des risques de prêts

• Biotechnologies

� Conception de plan d’expérience en génétique moléculaire

� Interprétations de séquences d’acide nucléiques

• Chimie

� Aide à la synthèse de nouvelles molécules organiques

� Élucidation de la structure moléculaire 3D

• Droit, réglementation

� Étude de normes (sécurité, etc. …)

� Aide à l’utilisation de textes légaux

• Electronique

� Diagnostic de pannes de circuits, de centraux téléphoniques

� Aide à la conception de circuits VLSI


• Géologie

� Aide à la prospection géologique et minière

� Interprétation des carottes de forages

• Informatique

� Aide à la programmation

� Configuration de système informatique

� Aide à l’exploitation et à la maintenance

• Industrie

� Conduite de processus industriels

� Ordonnancements d’ateliers flexibles

� Surveillance, diagnostic de pannes, gestion d’incidents

• Mathématiques

� Calcul symbolique

� Aide à l’utilisation de bibliothèques de programmes

• Médecine

� Aide au diagnostic

� Aide à l’interprétation d’images

� Surveillance des malades en réanimation

• Militaire

� Identification et suivi de cibles

� Aide au pilotage d’engins (chars, hélicoptères, avions de chasse)

1.3.4 Les avantages

Les points forts d'un système expert en milieu professionnel sont :

• L'accessibilité à un utilisateur lambda d'un poste réservé jusqu’à lors à un

expert.

• La gestion simultanée de nombreuses ressources et contraintes.

• La traçabilité des décisions et actions entreprises.

• Les statistiques calculables à partir de la base de faits.

• L'utilisation comme outil d'analyse et de simulation du Système Expert.

• Meilleur rendement que les experts humains.


• Lisibilités des connaissances, aspect plus déclaratif que procédural.

• Construction incrémentale.

• Facilité de mise à jour

• Préservation de l’expertise.

• Avantages des Systèmes d’Information en général.

1.4 PRE-REQUIS

Avant de continuer plus en détail, nous allons avoir besoin de plus de vocabulaire, pour

cela nous allons définir quelques mots que nous retrouverons régulièrement par la suite :

Système Expert

Application capable d'effectuer dans un domaine des raisonnements logiques comparables

à ceux que feraient des experts humains de ce domaine. C'est avant tout un système d'aide

à la décision.

Moteur d'inférence

Partie d'un système expert qui effectue la sélection et l'application des règles en vue de la

résolution d'un problème donné.

Cognitique

La cognitique représente la partie appliquée des Sciences de la cognition et de la

connaissance. Elle s'intéresse aux mécanismes de la pensée, au traitement de l'information

par l'humain et aux systèmes anthropotechniques et propose des moyens de modélisation

de ces connaissances, en permettant leur imitation, leur substitution ou leur aide par des

moyens artificiels informatiques ou automatiques.

Cogniticien

Spécialiste des sciences de la pensée (sciences cognitives). Il travaille dans le domaine de

l'intelligence artificielle.

Metadata/Métadonnées


Les métadonnées, ou données sur les données, renseignent sur la nature, les

caractéristiques et la disponibilité des données. Elles rendent les données compréhensibles

et partageables pour les utilisateurs dans le temps.

Metarules/Métarègles

Règles contrôlant la sélection des règles à appliquer.

Expert

Professionnel qui connaît un domaine et qui est plus ou moins capable de transmettre ce

qu'il sait : par exemple, ce n'est pas le cas d'un enfant par rapport à sa langue maternelle.

Connaissances incertaines

Données dont il est très difficile de déterminer les valeurs exactes. Elles demandent alors

des quantificateurs pour signifier leurs valeurs et des probabilités pour les estimer.


2 COMPOSITION DES SYSTEMES EXPERTS

2.1 DIFFERENTS TYPES DE SYSTEMES EXPERTS

La plupart des Systèmes Experts existants reposent sur des mécanismes de logique formelle

(logique aristotélicienne) et utilisent le raisonnement déductif. Pour l'essentiel, ils

utilisent la règle d'inférence suivante (syllogisme) : si P est vrai (fait ou prémisse) et si on

sait que P implique Q (règle) alors, Q est vrai (nouveau fait ou conclusion).

Les Systèmes Experts sont classés selon la complexité des variables et du langage

d'évaluation. On en distingue 3 principaux types :

• 0 : Faits booléens sans variable.

Si la voiture ne démarre pas et les phares ne s'allument pas alors il n'y plus de batterie.

Il s'agit ici d'une version primaire des Système Experts qui n'est capable que d'évaluation

binaire. Ses capacités sont limitées mais ses performances sont en général excellentes. On

parle de logique des propositions, pouvant vraies ou fausses.

• 0+ : Symboliques, Réels, Priorités.

Si Age > 17 Alors statut = « Majeur ».

Ce type de Système Experts assimile la notion de priorité qui permet de faire passer

certains tests ou évaluations avant d'autres, leurs importances étant plus grande. Il intègre

aussi l'arrivée de nombres réels et les évaluations symboliques (<, >, =, !=).

• 1 : Variables et Quantificateurs.

Si Commutateur [M].status = libre alors Exec (PriseEnCharge, M).

A ce niveau de complexité, les Systèmes Experts savent gérer des variables (donc stocker

des informations pendant une évaluation) et peuvent utiliser des quantificateurs

(évaluation des connaissances incertaines) ou des états (ex : libre, occupé, transféré, en

attente...). Ils peuvent ainsi faciliter la description de problèmes réels grâce aux notions

de nécessité/possibilité ou à des coefficients de plausibilité. Ils s’appuient alors sur des

prédicats du premier ordre que des algorithmes permettent de manipuler aisément.


Comme pour toute application, plus elle est complexe, plus elle est lente. La forte

augmentation des puissances des gros systèmes permet de pallier ce problème. Néanmoins

cette complexité implique l'utilisation de langages de haut niveau (donc un peu plus lent)

et l'accès à une quantité d'informations telle qu'on se retrouve rapidement avec une

Système Expert « tortue ». L'utilisation d'une excellente algorithmique est donc

fondamentale dans la création des Systèmes Experts, ce qui limite ceux de niveau 1.

2.2 CONCEPT

D'une manière générale, un système expert est un outil capable de reproduire les

mécanismes cognitifs d'un expert, dans un domaine particulier. Plus précisément, un

système expert est un logiciel capable de répondre à des questions, en effectuant un

raisonnement à partir de faits et de règles connus. Il peut servir notamment comme outil

d'aide à la décision.

Figure 1 : Schéma conceptuel d’un Système Expert

Un système expert se compose de 3 parties explicitées ci-après.

2.2.1 La base de connaissance

La base de connaissance est l'ensemble des données qui sont utilisées par le moteur

d'inférence. Cette base est divisée en 3 parties :


• Les standards d'engagement (connaissances de l'expert)

Cette partie représente les informations de base et de configuration du système :

mesures (parfois en direct), lois, paramètres, données contractuelles.

• Les règles d'inférence (savoir-faire)

Cette partie représente l'ensemble des règles logiques de déduction utilisées par le

moteur d'inférence. Ce sont les heuristiques de résolution de problème représentant

les modes de raisonnement propres au domaine considéré. La connaissance de ces

heuristiques peut provenir, de la part de l'expert humain, soit d'une accumulation

d'observations empiriques, soit de connaissances techniques propres au domaine. La

partie gauche d’une règle est appelée une prémisse, la partie droite étant appelée

la conclusion. Les valeurs de la prémisse sont des valeurs de comparaison ; alors que

les valeurs de conclusion sont des valeurs d'affectation.

• La base de faits (expérience)

Historisation et statistique des faits effectifs, des décisions et des buts. Le

raisonnement va se baser sur ces faits pour déduire des conclusions, qui sont des

affectations d'attributs dont on ignorait les valeurs.

Afin de favoriser une plus grande maniabilité de la connaissance, il est fréquent de la

stocker de manière déclarative dans un langage clair, proche du langage naturel, et non

noyée dans des pages de code informatique. Grâce à ce type de représentation, la

connaissance du système sera facilement accessible à l'utilisateur qui pourra ainsi aisément

la modifier ou l'agrandir, ou encore simplement la consulter.

2.2.2 Le moteur d’inférence

Le moteur d'inférence (" KBES: Knowledge Base Expert System" en anglais) est un

mécanisme qui permet d'inférer des connaissances nouvelles à partir de la base de

connaissances du système. Il est basé sur des règles d'inférence qui régissent son

fonctionnement. Il a pour fonction de répondre à une requête de la part d'un utilisateur ou

d'un serveur afin de déclencher une réflexion définie par ses règles d'inférence qui

utiliseront la base de connaissance. Il peut alors fonctionner en chaînage avant (qui part

des faits et règles de la base de connaissance, et tente de s’approcher des faits recherchés

par le problème) ou chaînage arrière (qui part des faits recherchés par le problème, et

tente par l’intermédiaire des règles, de « remonter » à des faits connus). Il est à noter


toutefois qu'il reste important que la base de connaissance reste indépendante du moteur

d'inférence (sauf si elle contient les règles d'inférence elles-mêmes). Ce moteur

d’inférence est écrit dans un langage d’ »intelligence artificielle », tels que LISP ou

PROLOG.

2.2.3 L’interface graphique

Même si son importance est de taille dans tout application cliente, elle l'est d'autant plus

ici qu'un Système Expert doit parfaitement s'intégrer à un milieu professionnel et aux

habitudes de ses experts. Si celui-ci n'est pas capable de s'approprier naturellement le

logiciel, c'est que l'interface graphique n'est pas correcte. La priorité est donc à l'intuitivité

et à la représentation fidèle de l'environnement.

2.2.4 Les métadonnées et les métarègles

Les metadata (ou métadonnées en français) sont un des points névralgiques d'un système

expert. Elles sont en partie responsables de la vitesse d'accès aux données (pour les

metadata de la base de connaissances). Leurs qualités pour le moteur d'inférence

définissent sa vitesse et la puissance de calcul (il s'agit souvent du langage de

programmation). Il est donc peu étonnant de retrouver les langages de programmation les

plus rapide pour leur niveau de complexité (assembleur, C, C++).

Les metarules (ou métarègles en français) sont les règles permettant de régir l'utilisation

des règles d'inférence. Elles sont fortement liées au système de priorité qui permet de

savoir dans quel ordre appliquer les évaluations et tests. Elles forment un pré-mécanisme

de déduction des règles à appliquer qui les rendent directement responsables des

performances du Système Expert.

2.3 MISE EN PLACE

Dans cette partie, nous allons pouvoir voir comment mettre en place un Système Expert

dans un milieu professionnel. Cela se fait en 5 étapes :

1. Etude de faisabilité


La mise en place d'un Système Expert ne peut se faire que dans le cadre d'un domaine

d'expertise dont les connaissances et le savoir-faire est formalisable. C'est à dire un

domaine qui n'a pas trop attrait à la sensibilité humaine. L'investissement en temps et

(donc) en argent, pour la mise en place d'un Système Expert, est énorme et nombreuses

sont les entreprises qui souhaiteraient s'en doter mais tous les domaines d'expertise ne

sont pas formalisables. Le premier travail du cogniticien est donc d'évaluer le domaine et

les risques d'échecs de la mise en place et de succès de l'outil auprès des professionnels et

futurs utilisateurs.

2. Extraction des données

Une fois l'assurance que cette mise en place est possible, la partie la plus importante de

la mise en place va commencer. Il s'agit d'un dialogue entre le cogniticien et l'expert afin

d'extraire de ce dernier toutes ses connaissances et son savoir-faire. Un tel objectif est

évidemment impossible à atteindre, mais le cogniticien va tenter de s'en approcher au

maximum. Il devra pour cela faire preuve d'une grande compréhension des informations

qui lui seront transmises (les experts n'étant pas forcément bons pédagogues) et d'un

certain sens de la psychologie pour faire parler un expert qui aura tout naturellement le

sentiment de se faire très prochainement remplacer par un système informatique.

3. Formalisation

Après et pendant l'extraction des données, le cogniticien devra formaliser les

connaissances qu'il a récolté. Pour cette partie, il peut alors commencer à se tourner vers

les développeurs et autres professionnels techniques de l'informatique afin de commencer

à définir le cahier des charges précis, la base de connaissance et les règles d'inférence. A

partir de cette étape, on a déjà un pied dans la technique.

4. Design et développement

Une fois la base de connaissances et les règles d'inférences définies, le cogniticien peut

alors se retourner vers l'équipe technique qui va définir l'architecture technique

nécessaire. Le cogniticien aura à partir de là le rôle de lien entre l'équipe d'experts et

l'équipe de développement afin de peaufiner le cahier des charges et d'optimiser les

métadonnées et métarègles.

5. Tests et optimisations


Naturellement la mise en place se termine par une série de tests auprès des experts mais

aussi auprès d'utilisateurs lambdas qui sont sensés à partir de cet outil fournir les

résultats d'un expert débutant. De par la nature du système (immergé dans le domaine

professionnel) les tests sont généralement plus longs.

Concernant l’acquisition des données, notons qu’a fortiori si les algorithmes de

manipulation de faits et de règles sont nombreux et connus, la détermination de

l'ensemble des faits et règles qui vont composer la base de connaissances est un problème

délicat. Il faut décrire le comportement d'un expert face à un problème particulier, et sa

manière de le résoudre. Car ce que l'on souhaite obtenir n'est ni plus ni moins que

l'expérience, la connaissance pratique de l'expert, et non la théorie que l'on peut trouver

dans les livres ni exclusivement les règles logiques d'inférence. Equivalents des méthodes

d'analyse de l'informatique traditionnelle, des méthodes d'acquisition des connaissances

sont développées.


3 FONCTIONNEMENT DES SYSTEMES EXPERTS

Figure 2 : Composants d’un Système Expert

3.1 PROPRIETE DU MOTEUR D’INFERENCE

Le moteur d'inférence peut fonctionner selon 2 modèles : le chaînage avant et le chaînage

arrière...

3.1.1 Le chaînage avant

Le principe du chaînage avant est simple, il requiert l'accès aux prémisses (standards

d'engagement) afin de déclencher les règles d'inférence adéquates définies par les

métarègles. L'application des règles (évaluations) donnent des résultats, ceux-ci sont

évalués (par les métarègles) afin de savoir si l'on a accédé à une solution finale

potentielle. Si c'est le cas, on arrête et cette solution est proposée

Si ce n'est le cas, la solution est quand même proposée à l'utilisateur. S'il la valide, la

solution est enregistrée dans la base de faits comme solution, sinon comme simple résultat

et on continue dans le cas suivant.


Si cela n'est pas le cas ou si la solution est refusée, la solution est enregistrée dans la base

de faits comme simple résultat et le moteur d'inférence tente d'y appliquer d'autres règles

jusqu'à trouver une solution potentielle validée, ou jusqu'à ce qu'il n'y ait plus de règle.

Figure 3 : Chaînage avant


3.1.2 Le chaînage arrière

Le principe du chaînage arrière est plus compliqué, il s'agit dans ce cas de partir d'un effet

ou d'une solution et de tenter de remonter la chaîne afin de déterminer les causes d'un

effet (fait). La procédure est à partir d'un fait, de déterminer, grâce aux métarègles, les

règles d'inférence qui auraient pu être à l'origine de ce fait et de déterminer les

paramètres les plus probables. A partir de là, on analyse les paramètres :

• Si le paramètre est un fait enregistré dans la base de faits, c'est qu'il est le

résultat d'une règle (évaluation). La procédure précédemment décrite est

donc relancée.

• Si le paramètre n'est pas un fait de la base de faits, on en reste là.

On relève alors tous les faits et données retrouvés. Ils représentent les causes probables de

la conséquence étudiée.

Figure 4 : Chaînage arrière


3.1.3 Le chaînage mixte

Il existe un dernier mode de fonctionnement dit chaînage mixte qui combine les deux

chaînages précédents. De prime abord, il fonctionne comme le chaînage avant avec pour

but de déduire un fait donné. Cependant il applique un chaînage arrière sur chaque fait

trouvé afin de déterminer les paramètres les plus probables et les plus optimisés. Ce

mécanisme permet l'ouverture sur de nouvelles combinaisons encore non envisagées par les

règles d'inférence et de déterminer les facteurs discriminants lors de la recherche d'une

solution.

3.2 CYCLE D’UN SYSTEME EXPERT

Un système expert fonctionne selon un cycle en cinq temps.

3.2.1 Engagement des paramètres

Dans un premier temps, le Système Expert doit obtenir les connaissances (de tout type :

loi, paramètre, mesure, saisie utilisateur...) et l'objectif. Les métarègles font donc appel

aux données.

Figure 5 : Appel aux données par les métarègles


Notons que chaque accès à la base de connaissances fait appel aux métadonnées qui

régissent l'accès à ces données. Sachant que les métadonnées sont utilisées plusieurs fois à

chaque engagement des paramètres, il est évident que leur implémentation est

primordiale, notamment sur le plan algorithmique.

3.2.2 Application des règles d’inférence

Ensuite, les métarègles font appel aux règles d'inférence adéquates pour traiter les

données courantes en fonction de l'objectif et les appliquent.

Figure 6 : Application des règles d’inférence

3.2.3 Enregistrement des résultats

Dans un troisième temps, les résultats récupérés sont alors enregistrés dans la base de

connaissances et les solutions potentielles renvoyées vers l'utilisateur pour validation.


Figure 7 : Enregistrement des résultats

3.2.4 Engagement des paramètres, bis

Lors du prochain engagement de paramètres, les faits enregistrés sont rappelés par les

métarègles.

Figure 8 : Rappels des faits par les métarègles


3.2.5 Rendu du résultat

Lorsqu'une solution potentielle est trouvée, elle est proposée à l'utilisateur qui la valide

(ou pas). Elle est, dans ce cas, enregistrée comme solution validée dans la base de faits.

Figure 9 : Proposition à l’utilisateur de la solution potentielle

Figure 10 : Enregistrement en tant que solution validée


4 LIMITES ACTUELLES DES SYSTEMES EXPERTS

Aujourd’hui encore, les systèmes experts n’en sont qu’à leurs prémices et de ce fait, on

peut noter plusieurs bémols à leur efficacité. Ainsi, les points sensibles d'un système

expert en milieu professionnel sont :

• L'importance du système cognitif.

• Le gros investissement nécessaire (temps, coûts et hommes).

• L'algorithmique des métarègles/connaissances.

• La possibilité de formaliser le savoir-faire.

• La spécialisation, restrictive.

De plus, certaines tâches vont probablement toujours leur échapper (leur confier notre vie

dans le pilotage). D’autre part, il y a la nécessité de construire « à la main » l’ensemble de

la base de connaissance et l’absence quasi-totale d’apprentissage automatique. Il y a

également un manque de connaissance du Système Expert sur ses propres limites de

compétence.

Les systèmes experts ont eu leur heure de gloire dans les années 1980, où on a trop

rapidement pensé qu'ils pourraient se développer massivement. En pratique, le

développement de ce genre d'application est très lourd car, lorsque l'on dépasse la

centaine de règles, il devient difficile de comprendre comment le système expert

« raisonne » (manipule faits et règles en temps réel), et donc d'en assurer la mise au point

finale puis la maintenance.


5 EXEMPLE : ACTE

5.1 RESUME

Pour faire face à l’afflux prochain de jugements sur support informatique, une équipe de

recherche constituée de chercheurs du Centre d’Analyse et de textes pas Ordinateur (ATO)

de l’Université du Québec à Montréal et de l’Ecole de bibliothéconomie et des sciences de

l’information de l’Université de Montréal a présenté un projet de conception de système

expert pour assister l’analyse des jugements. Cette recherche, en cours de réalisation,

bénéficie d’une subvention du CEFRIO (Centre Francophone de Recherche en

Informatisation des Organisations) à laquelle contribuent à la fois SOQUIJ (Société

Québécoise d’Information Juridique) et le ministère des communications du Québec dans

le cadre du projet Delta.

Ainsi, afin d’assister les conseillers juridiques de la SOQUIJ, un prototype de système

expert pour l’aide à la sélection, à la classification, à la lecture et à l’indexation des

jugements a été implanté sur ACTE (Atelier Cognitif et TExtuel) développé au Centre de

recherche en information et cognition ATO.CI. À partir d’un corpus d’apprentissage de

textes déjà analysés et grâce à des traitements statistico-linguistiques sur SATO (Système

d’Analyse de Textes par Ordinateur) et SPSS (Statistical Package for the Social Sciences),

les données issues de l'analyse humaine ont été confrontées à celles des textes intégraux;

des tendances et des anomalies ont pu être décelées qui ont servi à questionner les outils

et les pratiques, ainsi qu'à réorienter ou à corroborer l'enquête cognitive des savoir-faire.

Une fois identifiés les types d’unités linguistiques et leurs propriétés généralement retenus

par les spécialistes pour chacune des opérations d’analyse, une chaîne de traitements est

mise au point, pour chacun des modules du système expert et à partir du plus grand

nombre possible de sources de connaissances, dépiste et décrit les indices pertinents, puis

les transforme en faits. Ceux-ci s'avérant distincts les uns des autres, un diagnostic peut

être porté, à chaque étape, selon un principe de convergence. Toutefois, quelques

difficultés concernant le cumul des coefficients de certitude et l’intégration de

statistiques nécessitent des études plus poussées.


5.2 INTRODUCTION

Au Québec, la cueillette, la sélection, le traitement et la diffusion de la jurisprudence sont

sous la responsabilité principale d'un organisme parapublic : SOQUIJ. La loi constituant la

Société québécoise d'information juridique, entrée en vigueur le 1er avril 1976, lui confie

le mandat de "promouvoir la recherche, le traitement et le développement de

l'information juridique en vue d'en améliorer la qualité et l'accessibilité au profit de la

collectivité." À ce titre, SOQUIJ est le serveur des bases de données du ministère de la

Justice ainsi que le producteur/serveur de plusieurs autres bases de données, dont celles

qui concernent la jurisprudence.

Or, la saisie électronique des jugements à la source mise en place progressivement par le

ministère de la Justice du Québec multipliera presque par cinq le nombre de jugements

acheminés à SOQUIJ : la quantité annuelle prévue est de 50 000. Pour maintenir son niveau

de service sans accroître indûment son personnel, cet organisme a envisagé de recourir à

des méthodes automatiques pour assister certaines des opérations intellectuelles d’analyse

effectuées par des conseillers juridiques, et a confié à une équipe de recherche de

Montréal le mandat de concevoir un prototype de système expert. Celui-ci a été réalisé sur

le logiciel ACTE (Atelier Cognitif et TExtuel) développé au Centre ATO.CI.

Après avoir expliqué en quoi consistent les différentes fonctions d’analyse qu’il a fallu

modéliser, nous évoquerons les éléments théoriques sur lesquels s’appuie la démarche et

nous montrerons comment celle-ci combine des approches complémentaires (statistiques,

linguistiques et cognitives); nous l’illustrerons ensuite par quelques exemples d’indices

extraits pour chaque type d’analyse. Puis nous mentionnerons les principaux

enrichissements du thésaurus nécessités par les nouvelles fonctions qu’il est appelé à

remplir dans un système automatique. Finalement, nous exposerons l’implantation des

stratégies d’analyse dans un programme de chaîne de traitement et l’intégration

d’informations de sources et de valeurs différentes.

5.3 LA MODELISATION DES TACHES D’ANALYSE

5.3.1 Les Fonctions d’analyse à assister Après entente avec les représentants de SOQUIJ, il a été convenu de concevoir un système

qui assisterait les tâches suivantes : 1) élimination à la source de certains jugements

(étape de la sélection); 2) détermination du (ou des) domaine(s) du droit et, le cas


échéant, du sous-domaine (selon un plan de classification préétabli) auquel chaque

décision retenue appartient (étape du tri et de la classification); 3) prise de connaissance

du contenu des textes en vue de la rédaction d’un résumé informatif; 4) sélection de

termes d'indexation à partir du résumé rédigé par les conseillers juridiques.

5.3.2 Théories sous-jacentes La méthodologie élaborée est sous-tendue par au moins trois orientations théoriques : le

texte comme objet sémiotique, les analyses documentaires comme des applications

particulières d’un processus de lecture, et finalement l’intertextualité.

5.3.3 Le texte comme objet sémiotique Le texte est envisagé comme un objet sémiotique complexe dans lequel un lecteur humain

ou informatique sélectionne, à des niveaux multiples, des indices pertinents en fonction de

ses objectifs d’analyse (Meunier, 1992; Meunier et al. 1994). Les chaînes de caractères ou

mots sont autant de porteurs de traits signifiants. Les processus cognitifs d’interprétation

humaine étant fonction de nombreux éléments dont la plupart ne sont guère formalisables

(systèmes de croyance, intentions, connaissances du contexte textuel et extratextuel,

etc.), un système entièrement automatique est impossible à envisager : seul un mécanisme

d’aide à l’interprétation est réalisable qui permet d’identifier et de manipuler certains des

indices pertinents décelables par divers analyseurs.

5.3.4 Les analyses documentaires comme des applications particulières d’un processus de lecture

Les opérations d’analyses effectuées dans un service documentaire sont envisagées comme

des lectures particulières dirigées par des tâches spécifiques à accomplir : attribution

d’une rubrique de classification, assignation de mots-clés, condensation du texte, entre

autres. Ces lectures mettent en jeu diverses opérations cognitives de sélection, rejet,

généralisation (Van Dijk, 1977), stratégies de confirmation et contrôle, etc. (David, 1990)

portant sur des indices ou configurations d’indices dont la pertinence varie en fonction de

chaque type de lecture. À chaque tâche d’analyse correspond donc un parcours particulier

du texte. La décision d’inclure un document dans une base de données - ou de le rejeter –

n’exige pas la prise en compte du même nombre ni des mêmes types d’indices que

l’opération d’indexation. La rédaction d’un résumé requiert une prise de connaissance plus

approfondie du contenu textuel que l’attribution d’une rubrique de classification, mais


exige un examen moins attentif cependant que la comparaison des thèses défendues par

un texte avec celles d’un autre texte.

5.3.5 L’intertextualité De par la nature même de leur condition de production, les textes secondaires sont en

relation d’intertextualité avec les textes primaires dont ils sont issus (Beacco et Darot,

1984) ainsi qu'avec les outils documentaires - thésaurus et plan de classification - servant à

effectuer l'analyse (Begthol, 1986). Comme nous l’avons exposé dans Bertrand-Gastaldy

(1993), la comparaison des propriétés des éléments présents dans les textes de départ et

retenus dans les différents textes d’arrivée (rubriques de classification, termes

d’indexation, résumés) avec celles des éléments qui ont été éliminés permet de découvrir

des tendances et des anomalies qui servent à orienter ou approfondir l’enquête cognitive

auprès des experts.

5.4 L’APPROCHE

Il ne s’agit pas de mettre au point un outil d’analyse qui serait performant en dehors de

tout contexte (par exemple un analyseur morphologique, un extracteur de lexies

complexes), mais bien au contraire de comprendre en quoi le contexte de la tâche faisait

varier les objets textuels et les propriétés des objets susceptibles de retenir l’attention

des experts. L’approche a dès lors consisté d’une part à modéliser les stratégies cognitives

mises en œuvre par les experts du domaine lors des différentes lectures effectuées en

fonction des produits attendus (liste des documents à éliminer, tri et classification,

résumé, indexation), d’autre part à faire évoluer les outils documentaires pour les rendre

aptes à répondre à l’utilisation automatique voulue.

5.4.1 Les sources de données Pour mener à bien ce travail, il y a disposition deux types de sources. L’équipe a eu accès

à une demi-douzaine de conseillers juridiques avec lesquels ils ont tenu plusieurs sessions

de travail afin d’arriver à connaître les critères explicites ou implicites auxquels ils

recourent pour prendre leurs décisions aux différentes étapes de leur analyse. D’autre

part, les données de nature linguistique se trouvaient déjà presque toutes sur support

informatique. Il s'agit des produits issus des différentes opérations d'analyse : textes


intégraux rejetés ou retenus, notices bibliographiques accompagnées des résumés, index,

ainsi que des outils utilisés pour l'analyse : plan de classification et thésaurus.

5.4.2 Les traitements sur les données linguistiques

Les caractéristiques attribuées aux données, en contexte ou hors contexte, ont consisté en

l'ajout d'informations de nature diverse décrivant le statut sémiotique des constituants du

texte et enrichissant les chaînes de caractères immédiatement accessibles à l'ordinateur.

Ces caractéristiques proviennent de connaissances générales de la langue (type de langue,

nature grammaticale des lexèmes), de connaissances générales sur la structure des textes

(phrases, paragraphes), d’informations de nature éditique (conventions typographiques -

capitales, caractères gras ou italiques - dans les enregistrements), de connaissances

spécifiques au domaine (vocabulaire de spécialité, structure des jugements et de leurs

résumés, mention de loi, de jurisprudence et de doctrine), de connaissances

"documentaires" (champs d'une notice, appartenance ou non des lexèmes aux langages

documentaires), de propriétés statistiques (fréquence absolue ou relative, indice de

répartition, valeur discriminante, chi 2, etc.). Ces informations ont été obtenues par des

algorithmes développés avec le logiciel SATO (système d’analyse et textes par ordinateur)

et ont fait l’objet d’un marquage approprié (propriété et valeur de propriétés dans SATO).

Voici quelques propriétés :

- les caractères typographiques *typo, avec les valeurs italique et nil.

- la numérotation des phrases *phr et leur ordre *ord (pr pour première, deux pour

deuxième, ad pour avant-dernière, de pour dernière).

En se positionnant sur un mot, on peut visionner, à l’aide d’une commande du logiciel

SATO, toutes les valeurs de propriétés (ou traits) qui lui ont été attribuées, y compris

celles qui résultent de calculs statistiques effectués par le logiciel :


assurance_de_responsabilité mise_en_cause

*alphabet = fr *alphabet = fr

*fréqtot = 3 *fréqtot = 2

*longueur = 27 *longueur = 13

*term = ClasAss *term = Tr

*marque = man *marque = con

*par = manchette *par = contexte

*phr = (1,4)

*ord = (pr,au)

*poids = 27 *poids = 26

*discri = 92 *discri = 133

*chi2 = 2958 *chi2 = 4890

*gramr = tcomposé *gramr = tcomposé

Une fois caractérisées, les données ont été filtrées en fonction des différents indices et

soumises à une analyse de discrimination sur SPSS.

5.5 L’ENQUETE COGNITIVE

Les résultats des analyses ont ensuite été confrontés aux données recueillies dans une

première phase de l’enquête cognitive, puis soumis aux experts du domaine qui avaient

pour tâche de confirmer les tendances observées et d’expliquer les anomalies, et surtout

de décider d’une éventuelle réingénierie des processus ainsi que d’une éventuelle

modification des outils documentaires.

L’enquête cognitive (comportant entrevues, observation et recueil de commentaires sur

les résultats de nos traitements) a donc permis à la fois de compléter les analyses de

données exposées précédemment et de les orienter. Le procédé tourna donc selon une

boucle : textes --> conseillers juridiques --> textes.

5.6 COMPLEMENTARITE DES APPROCHES

La complémentarité des approches utilisées pour la modélisation, permet de tenir compte

de la multiplicité des connaissances mises en œuvre pour l'analyse du matériau textuel


orientée vers des fins documentaires. Elle constitue un heureux compromis qui tient

compte de caractéristiques exigeant parfois des solutions contradictoires, dans l'état de

développement actuel des technologies : matériau textuel très complexe à analyser, mais

nécessitant néanmoins des approches de nature linguistique et cognitive, volume

important des données prohibant des analyses très fines et pouvant bénéficier des effets

de nombre, savoir-faire de plusieurs experts à expliciter, selon des méthodes appropriées à

leur mode d'inscription, de façon à respecter la culture de l'organisation.

5.7 EXEMPLE D’INDICES PERTINENTS RETENUS POUR MODELISER LES DIFFERENTES OPERATIONS D’ANALYSE

Ci-dessous, quelques exemples d’indices utilisés par les conseillers juridiques pour chacune

des opérations d’analyse qu’il a fallu modéliser et sont fournies des indications sur la place

qui leur a été réservée dans le prototype.

� La sélection

� La tri-classification

� La prise de connaissance du contenu du jugement en vue de la rédaction du résumé

� L’indexation

5.8 LES PROPOSITIONS D’ENRICHISSEMENTS DES OUTILS DOCUMENTAIRES

Tout au cours du projet, il a fallu étudier l’utilisation des outils documentaires et

introduire des modifications qui facilitaient le travail de marquage automatique,

modifications qui pourraient même être utiles dans le contexte d’une analyse humaine.

5.8.1 Les modifications à apporter au plan de classification

Examiner la possibilité de subdiviser deux classes fortement représentées et de recourir

davantage aux subdivisions pour le repérage des notices dans une base de données

automatisée, de façon à permettre une sélection relativement fine aux utilisateurs ayant

un domaine particulier en tête.


5.8.2 Les études effectuées sur l’utilisation du thésaurus

Le marquage des termes nécessaire à plusieurs des traitements, de même que le désir de

mieux évaluer dans quelle mesure le thésaurus répondait aux besoins d'indexation tels

qu'implicitement fixés par les conseillers juridiques, ont conduit à effectuer une série

d'études complémentaires. En outre, en calculant la force d’association des termes avec

les rubriques (selon une méthode qui tient compte de la fréquence), nous sommes

désormais en mesure d’amorcer une structuration du vocabulaire par domaine de droit et

donc de concevoir une réconciliation de deux outils documentaires (qui se recoupent et se

contredisent parfois).

Bref, la richesse des analyses effectuées permet d’offrir une multitude de points de vue

sur l’utilisation effective (plutôt que souhaitée lors de la conception) de ces outils, au fil

des ans, par plusieurs personnes. Il a donc été soumis à SOQUIJ non seulement un portrait

des outils et des pratiques actuelles, mais des suggestions très détaillées pour

l’enrichissement et la modification de ces outils et de ces pratiques.

Les résultats des différentes études, ont amené à conclure que le thésaurus devait être

enrichi; d'abord pour contrôler une indexation qui s'avère, dans les faits, plus spécifique

que ce que permet l'outil actuel, ensuite parce que le système expert doit pouvoir repérer

toutes les formes possibles d'un descripteur dans les résumés et éventuellement, dans les

textes intégraux pour les ramener aux formes souhaitées pour l'indexation, enfin parce

que, une fois les descripteurs organisés selon une hiérarchie stricte, il devient possible

d’opter pour différents niveaux de généricité selon les produits documentaires (en fonction

notamment de leur périodicité, de leur support et de leur couverture du domaine).

5.9 LA REALISATION DU PROTOTYPE DE SYSTEME EXPERT

La section précédente exposait la modélisation (méthode et résultats) effectuée pour

l’aide à la sélection, à la classification, à la lecture et à l’indexation des jugements; la

présente section traite de l'implantation réalisée du modèle. Les aspects suivants sont

touchés : la tâche à informatiser; la motivation du choix de la technologie des systèmes

experts; l'incertitude reliée à cette entreprise; l'arrimage du système expert avec l'analyse

de textes par ordinateur; le design de la chaîne de traitement des documents; les

aménagements apportés au traitement standard de l'incertitude; la réalisation de la base

de règles par apprentissage et les problèmes laissés en suspens.


5.9.1 La tâche à informatiser

Comme on a pu le constater dans la section précédente, les tâches à informatiser

présentent un haut niveau de complexité et sont accomplies dans un contexte de

production. Rappelons que les publications de SOQUIJ connaissent des échéances et sont

assujetties aux lois du marché. Ces tâches sont dites cognitives en ce que leur

accomplissement requiert la mise en œuvre particulière et discrétionnaire de

connaissances et de stratégies générales accumulées durant l'exercice répété et supervisé

des tâches mêmes. Pour leur réalisation, de nombreuses informations de source et de

valeur diverses et parfois contradictoires doivent être recueillies et synthétisées. Par

conséquent, une méthode mixte de modélisation a été déployée; il s'agit de faire

converger les résultats d'une enquête cognitive auprès des conseillers juridiques, d'un

traitement statistique de la distribution des indices et d'une analyse de texte plus

qualitative.

La stratégie retenue est de recourir au plus grand nombre de sources de connaissances,

identifiées lors de la modélisation, pour lesquelles des indices sont repérables dans les

jugements. Par source de connaissance nous entendons, par exemple, la longueur du

jugement, les lois qui y sont mentionnées, le tribunal qui a rendu le jugement, etc. Dans la

mesure où ces sources de connaissances s'avèrent distinctes les unes des autres, il est

possible de fonctionner avec un principe de convergence. Cette stratégie présente

l'avantage de fonctionner, la plupart du temps de façon satisfaisante, dans des conditions

de bruit. Le bruit étant essentiellement causé ici par les indices qui pointent vers plus d'un

domaine.

5.9.2 Motivation du choix de la technologie des systèmes experts

Pour réaliser une implantation informatique du modèle cognitif obtenu, il a été retenu la

technologie des systèmes experts (SE) pour plusieurs raisons. L'implantation d'algorithmes

incomplets et/ou sujets à de fréquentes révisions est possible car les règles d'inférences

qui tiennent lieu des instructions d'un programme conventionnel sont indépendantes les

unes des autres et leur enchaînement est assuré par un mécanisme général (moteur

d'inférences). Il n'est donc pas nécessaire de prévoir à l'avance le déroulement complet de

la solution définitive du problème : l'implantation peut être modulaire et évolutive. La

réalisation d'un prototype se trouve à jouer un rôle heuristique en permettant d'achever la

conception par des boucles de tests/ajustements en situation. La structure des règles


d'inférences autorise une implantation quasi directe du modèle cognitif qui a été

développé : un ou plusieurs indices détectés dans le texte du jugement (la prémisse) sont

mis en relation avec une rubrique du plan de classification (la conclusion). De plus, la

certitude de ces relations peut être qualifiée au moyen d'un coefficient numérique qui sera

cumulé tout au long de la consultation. Ce cumul d'une part atténue la valeur des

validations subséquentes lorsqu'une validation est affectée d'un coefficient incertain et,

d'autre part, renforce la valeur d'une validation qui a déjà été réalisée. Le chaînage avant

des règles permet enfin d'obtenir toutes les réponses valides et non une seule; un

jugement peut donc être classifié dans plus d'un domaine avec une certitude différente

pour chacun. Le découpage en règles d'inférence facilite la génération en contexte d'un

rapport qui permet de valider les associations indices/rubrique du plan de classification,

de localiser précisément les dysfonctionnements et finalement d'entraîner des conseillers

juridiques novices.

5.9.3 Les incertitudes reliées à cette entreprise

Une fois la technologie des Systèmes Experts retenue en raison de caractéristiques qui

apparaissaient souhaitables étant donné le projet, plusieurs incertitudes demeuraient;

certaines ont été résolues lors de la réalisation du prototype et les solutions retenues

feront l'objet des prochaines sections. Une incertitude était par exemple liée à l'utilisation

des coefficients de certitude pour rendre compte du fait que les indices sont rarement

totalement fiables. En effet, un indice peut pointer vers plus d'un domaine du droit ou

encore la présence d'un indice peut être considérée comme accidentelle et constituer en

quelque sorte du bruit. De plus, le mode de cumul des coefficients présente certains

problèmes qui sont documentés.

Certaines autres incertitudes sont toutefois demeurées, principalement parce que des

recherches plus fondamentales dont l'envergure dépassait le mandat s'avèrent nécessaires;

celles-ci sont présentées dans la dernière section.

5.9.4 L’arrimage du Système Expert avec l’analyse de textes par ordinateur

Le générateur de système expert (GSE) utilisé est l'Atelier Cognitif et TExtuel (ACTE)

développé au Centre ATO.CI. Il s'agit d'une intégration logicielle de SATO et d'une version

optimisée du D_expert (GSE en LISP). Cette intégration permet de faire du diagnostic


textuel, c'est-à-dire de ne plus modéliser comme tel le contenu des textes, mais bien les

opérations cognitives de lecture et de compréhension, opérations qui sont en jeu pour la

classification des jugements. La séquence qui a été retenue consiste à effectuer en lot une

série de fichiers de commande SATO qui dépistent et identifient, principalement à l'aide

de concordances, les différents types d'indices.

L'interface entre les traitements effectués par SATO et le Système Expert se fait par la

consignation dans un fichier du résultat - succès ou échec - de chacune des concordances.

Ce fichier est alors traité pour ne conserver que les résultats positifs qui sont identifiés à

l'aide d'une table, ce qui permet de normaliser le segment dépisté.

5.9.5 Le design de la chaîne de traitement des documents

La modélisation cognitive de la tâche a été transformée en une suite séquentielle de

traitement. A titre d’exemple, la première étape consiste en un prétraitement qui est

requis pour rendre les jugements admissibles à SATO.

5.9.6 Les aménagements apportés au traitement standard de l’incertitude

Chacun des indices peut pointer vers plusieurs domaines, avons-nous dit précédemment.

De plus, une même confiance n'est pas accordée à toutes les relations établies entre les

indices et les domaines. Les Système Experts offrent la possibilité d'implanter des

structures conditionnelles pondérées par des coefficients numériques, de même qu'une

fonctionnalité pour leur cumul. Le cadre théorique le plus souvent utilisé est celui des

coefficients de certitude développé pour le système Mycin.

5.9.7 La réalisation de la base de règles par apprentissage La technologie des Systèmes Experts ne présente comme tel aucun mode d'apprentissage,

les règles d'inférences doivent être écrites et modifiées de la même manière : une à une à

l'aide d'un éditeur spécialisé.

Afin de pallier cette carence, deux solutions ont été combinées : une approche tabulaire

et une étude de corpus. Comme elles expriment des relations simples, les règles

d'inférences peuvent s'exprimer sous forme de tableau, en trois colonnes : l'indice, le

domaine et le coefficient de confiance, géré par une base de données ou un tableur; ainsi

par exemple un extrait du tableau des numéros de greffe :


03 pena f++ 27 pena f++ 01 pena f++ 10 pena f++

36 pena f++ 53 drli m 06 proc f+ 41 fami f++

12 fami f++ 04 fami f++ 43 fami f++

Le passage aux règles d'inférences est le fait d'un programme en ICON qui constitue la

prémisse à partir de la première colonne, la conclusion à partir de la deuxième et opère le

passage du coefficient symbolique en un coefficient numérique :

Connaissance Règle Définir 201 **

Note "TRI -> 1ère page -> no de greffe : 03" **

Auteur automatik **

Création 1904-01-01 00-00-00 **

Si **

Base TRI **

Granule "Indices de première page" **

(Trait "section du no de greffe" = ChaÎne "03») **

Alors **

Base TRI **

Granule Document **

(Trait domaine = Chaîne "Pénal" Coef 20) **

CanalEcrire (Canal rapport **

Message " Ce no. de greffe pointe vers le domaine " **

Base TRI **

Granule Document **

Trait domaine **

Message " avec une confiance forte" **

Message " ; cumulatif de : " Coefficient **

Message "%" Retour **

)

Ensuite, ces tableaux ont été fusionnés et triés, de façon à regrouper pour chacune des lois

tous les domaines pointés. Cette distribution, suite à une validation par les conseillers

juridiques pour éliminer les aberrations, a guidé l'attribution des coefficients de confiance.

La règle suivie est que si la distribution est égale, un coefficient faible est attribué, sinon

la force du coefficient est proportionnelle à la distribution. Ainsi, par exemple, la Charte

canadienne des droits et libertés apparaît dans les domaines suivants avec cette

distribution :


À la suite de ces opérations, on obtient un tableau en trois colonnes qui permet de générer

les règles d'inférences. Les indices qui pointent vers plusieurs domaines sont regroupés

dans une même règle.

5.9.8 Les problèmes laissés en suspens

Malgré tous les efforts déployés, des difficultés ont été laissées en suspens, parce qu'elles

demandent des recherches dont l'envergure dépassait le mandat, mais dont l'intérêt

apparaît évident étant donné le succès du prototype, par exemple :

- l'intégration du coefficient de confiance dans le résultat obtenu par l'algorithme d'analyse

discriminante utilisé au cumul des coefficients de certitude des règles d'inférences;

- l'intégration des occurrences différentes des termes lemmatisés du plan de classification

et du thésaurus dans le cumul des coefficients de certitude et la prise en compte de leur

fréquence. Est-ce que plusieurs termes différents pointant vers un même domaine valent

plus cher que des fréquences élevées de quelques termes ?

- la modification du modèle de cumul des coefficients par renforcement qui ne permet que

l'accroissement linéaire, pour prendre en compte des indices invalidant un ou plusieurs

domaines, ce qui serait plus conforme au fonctionnement cognitif des conseillers

juridiques.

5.10 CONCLUSION

L’expérience que nous venons d’exposer a permis à l’équipe de recherche de

vérifier: d’une part, qu’il est possible de modéliser les opérations cognitives des experts

dans diverses situations de lecture à partir d’une enquête cognitive et d’une analyse


sémio-statistique des textes analysés et des résultats de plusieurs types

d’analyses; d’autre part, qu’il est possible d’implanter un système expert s’appuyant sur

des stratégies dépistant dans les textes certains des indices détectés par les humains, à

différents niveaux d’organisation des textes (éditorial, morphosyntaxique, intra-

phrastique, intra- et intertextuel, sémantique, pragmatique, etc.). Il a également été

constaté que plusieurs de ces indices sont utilisables pour faciliter la lecture selon les

objectifs poursuivis par chacune des opérations de sélection, de tri-classification et

d’indexation. Nous avons également appris que la performance de nos méthodes de

modélisation/formalisation était optimale lorsque l'information requise par les tâches

cognitives se trouvait dans les textes sous la forme d'indices repérables. Ainsi, même

lorsque la prise de connaissance du contenu semble superficielle (par exemple pour la

sélection), si la prise de décision fait appel à des connaissances autres que celles de la

langue et du cadre textuel, la tâche échappe en grande partie à nos méthodes. Par

conséquent, comme les tâches requièrent pour la plupart de telles connaissances, les

experts doivent toujours garder le contrôle des systèmes. En ce qui concerne

l’implantation de la chaîne de traitement, nous avons constaté que le succès reposait

moins sur la complexité de la technologie ou des formules mathématiques que sur la

maîtrise une à une de chacune des sources de connaissances requises et des indices qui les

désignent dans les textes.


Figure 11 : Chaîne de traitement combinant analyse de texte et SE


6 UN SYSTEME EXPERT DANS LE GEODECISIONNEL ?

6.1 LES SYSTEMES EXPERTS ET LES SIG

De nombreux Systèmes Experts sont couplés aux SIG dans le milieu du géo décisionnel.

Cela constitue un enjeu méthodologique majeur car l’outil ainsi fabriqué doit pouvoir

analyser les faits ou les données disponibles, mais également produire un diagnostic en

fonctions de ces derniers. Ce développement nécessite donc d’interfacer une base de

données à référence spatiale (BDRS) avec une base de connaissances, et de développer un

ou plusieurs moteurs d’inférence (logiciels). Ensuite, des simulations et une analyse de

sensibilité devront être réalisées. Enfin, le système sera confronté avec le terrain d’étude,

où il fera l’objet de suivis et de mises à jour, afin de pouvoir être validé (après, bien

souvent, une expérimentation du système sur un nouveau terrain).

Figure 12 : Fonctionnement général

Comme explicité précédemment, la base de connaissances va se constituer d’un jeu de

données et de règles. Elle fait donc partie d’un SIG qui stocke, gère et traite des

informations multi-échelles, permettant alors un diagnostic et un suivi des dynamiques

environnementales. Celle-ci devra être différenciée du support informatique qui va la


traiter, le moteur d’inférence. Cela offre ainsi une grande flexibilité d’utilisation, puisque

les données et les règles pourront être mises à jour indépendamment.

Figure 13 : Relation moteur d’inférence – SIG

6.2 NECESSITE

Rappelons tout d’abord qu’un système-expert est conçu pour simuler le savoir-faire d'un

spécialiste, grâce à l'exploitation d'un certain nombre de connaissances fournies

explicitement par des experts du domaine. Il permet de modéliser le raisonnement d'un

expert, de manipuler des connaissances sous une forme déclarative, d’en faciliter

l'acquisition, la modification et la mise à jour et de produire des explications sur la façon

dont sont obtenus les résultats d’une expertise. Dans des domaines d’utilisation comme la

géographie ou la gestion de l’espace, un système-expert peut être un outil d’aide à la

décision puisqu’il permet de tenir compte de variables, à la fois quantitatives et

qualitatives pour établir la base de connaissances ; de structurer le savoir de façon logique

et de l’organiser pour construire un modèle de simulation ; et de proposer des réponses de

type prospectif.

Son utilisation est bien sûr indépendante de la connaissance qu’il renferme de manière à

être utilisable par des non-experts dans le domaine de la connaissance ou la technique de


modélisation. En revanche, la spatialisation des phénomènes n’est pas explicitement prise

en compte.

6.3 CONSTRUCTION DU SYSTEME EXPERT

Pour construire le Système Expert, on se cale sur les étapes décrites par Waterman

(présenté ci-dessous), qui ressemble bien évidemment à celles exposées en partie 2.3 sur

la mise en place d’un Système Expert d’entreprise.

Figure 14 : Les stades du génie cognitif selon Waterman

1. L'identification:

Il s'agit de définir les buts du projet, les tâches détaillées que le système devrait résoudre

et d'identifier les contraintes techniques et pratiques (machines, logiciels, personnel,

temps, etc. à disposition).


2. La conceptualisation et l'obtention des connaissances:

Il faut identifier et/ou constituer un vocabulaire plus précis pour décrire une activité de

résolution de problème. Les concepts, relations, heuristiques, etc. identifiés lors de l'étape

précédente doivent être rendus explicites.

3. La formalisation:

Les concepts exprimés en langage naturel doivent être traduits dans un langage formel

(dans un sens pas très strict du terme). Cela permet d'exprimer un problème ainsi que les

heuristiques utilisées pour le résoudre avec des expressions quasi formelles. Ensuite, il faut

rendre apparentes les interdépendances des données et des connaissances (flux

d'information, identification de sous-problèmes, etc.). En même temps, il faut choisir (ou

construire) un logiciel approprié (un moteur d'inférence par exemple).

4. L'implémentation:

Avec les connaissances formalisées, il faut construire un système informatique. Dans la

plupart des cas, il s'agit d'écrire des règles informatiques. Parfois on construit un prototype

rapide, si cela n'a pas déjà été fait, afin de tester le bon choix des outils et la pertinence

de l'analyse formelle.

5. La phase test:

Chaque version du système doit être testée extensivement. Cela peut conduire à de

multiples ajustements et affinages du système informatique, à une remodélisation

complète du système qui renvoie à l'étape 3 ou encore à une reconceptualisation des

tâches qui renvoie aux étapes 1 et 2. Le savoir-faire est dynamique et ne peut être saisi

que dans une simulation dynamique. Aussi, ces itérations sont inévitables.

Dans toutes les phases du projet, l'ingénieur cognitif (cogniticien ou "knowledge engineer")

doit travailler en coopération étroite avec l'expert. Une implication importante de l'expert

est surtout inévitable pour les phases 2 (obtention du savoir) et 5 (test). A condition de

pouvoir l'intéresser à un langage plus formel, il est aussi conseillé de l'associer aux phases

plus techniques.


Figure 15 : Fonctionnalités d’un tel Système Expert

6.4 LA SELECTION D’OUTILS INFORMATIQUES

Il ne faut pas négliger l'importance du choix des outils. L'outil le plus important à choisir

étant la coquille "système expert". Chaque outil réunit certains avantages et inconvénients

liés au mode de représentation, à son moteur d'inférence, son prix, sa maniabilité, son

interface utilisateur, etc. Dans certains cas, il est important de pouvoir transformer les

fonctionnalités d'un outil. Parfois il faut construire l'outil soi-même. Dans certains

domaines mal connus du génie cognitif, l'interaction entre l'acquisition des connaissances

et le choix, l'adaptation ou le développement d'un outil sont importants. Aujourd'hui il

existe un grand nombre d'outils gratuits ou commerciaux que l'on peut classifier selon

plusieurs axes.

• Les techniques de représentation des connaissances: dans SMYC (« Simulation Mycin »,

variante du langage Mycin) par exemple, on y utilise des règles "si-alors" bâties sur des

triplets "objet-attribut-valeur", des contextes, des valeurs de certitude, etc. Dans les


systèmes de chaînage avant comme "AIPSS", les faits et règles peuvent avoir des structures

plus complexes et des variables arbitraires.

• Les schèmes de conclusion (inférences) indiquent comment utiliser les règles. Dans

SMYC, il s'agit d'une variante du "modens ponens".

• Les structures de contrôle (inférences) déterminent la sélection et l'ordre d'application

du savoir-faire. Dans SMYC par exemple, on utilise un chaînage arrière "depth first".

• L'interface pour le cogniticien: les facilités pour construire et inspecter un système.

• L'interface utilisateur peut être plus ou moins convivial, on peut lui donner plus ou moins

de possibilités d'interroger le système, de "voir ce qui se passe et pourquoi". Notons que la

facilité d'usage fait aussi référence à la difficulté conceptuelle d'utilisation.

• L'adaptabilité et l'ouverture: le degré avec lequel on peut adapter un logiciel à ses

besoins. Il existe une palette de systèmes complètement ouverts et d'autres qui sont

complètement fermés.

• La taille du système que l'on peut modéliser fait référence au nombre de connaissances

que l'on peut y mettre et à sa vitesse d'exécution.


7 REFERENCES BIBLIOGRAPHIQUES

7.1 LIVRES

• "Les stades du génie cognitif selon Waterman"

7.2 DOCUMENTS DIVERS

• http://fr.wikipedia.org (définition générale)

• http://www-igm.univ-mlv.fr (Cours sur les SE dispensé par J. Valdes)

http://gautier.ntic.fr (Articles dédiés aux webmasters)

• http://www.infres.enst.fr (Atelier de conception de systèmes experts)

• « Système Expert », de Albéric Martel et Romain Boulers

• « Systèmes Experts », de James L. Crowley, ENSIMAG, 1999

• Nathanaël Ackerman, Faculté de Psychologie et des Sciences de l’Education,

DEA en Sciences Cognitives, présentation introductive à l’intelligence

artificielle, 2005

• « L’intelligence artificielle dans la gestion des affaires », présentation de

Jean Rouette, mai 2000.

7.3 SCHEMAS

• granribaudf.gamsau.archi.fr (partie 2)

• http://www-igm.univ-mlv.fr (partie 3)

• guinee-hcr.cirad.fr (partie 6)

• Nathanaël Ackerman, Faculté de Psychologie et des Sciences de l’Education,

DEA en Sciences Cognitives, présentation introductive à l’intelligence

artificielle, 2005 (partie 6)


CONCLUSION

Les systèmes experts sont une des applications de l'intelligence artificielle qui ont quitté

les laboratoires de recherche pour être utilisées dans le monde professionnel. De

nombreux systèmes experts ont été implantés avec succès pour résoudre des problèmes

concrets. On les a même accusés d'avoir provoqué le crash boursier de 1986, ce qui est

plutôt bon signe du point de vue de l'Intelligence Artificielle.

Néanmoins, les grandes difficultés rencontrées pendant l'extraction des connaissances des

experts puis pendant leur formalisation constituent peut être un point faible trop difficile

à contourner dans les Systèmes Experts. La structuration des connaissances, notamment

incertaines, restent parfois floues et mal implantées dans les SYSTÈMES EXPERTS. Cela

remet en question le modèle de la base de connaissance qui pourrait migrer vers d'autres

modèles (modèles connexionnistes, systèmes adaptatifs, etc.). Il n'est par ailleurs pas

exclu que les techniques à venir utilisent à la fois des systèmes experts et d'autres

techniques comme les réseaux de neurones basées sur des hypothèses plus adaptatives que

symboliques (systèmes hybrides).


ANNEXES

• Critique d’un Système Expert : Turbo Expert

L’article qui suit est issu du site: http://www.cetec-info.org/jlmichel/Turbo.expert.html.

Il peut permettre de mieux comprendre les fonctionnalités (avantageuses ou non) d’un

système expert commercialisé. Même si cet article date de 1987, les remarques qui y sont

faites sont, elles, toujours d’actualité à la différence près que le logiciel en question en

est aujourd’hui à une version d’ordre zéro+.

Cet article inaugure une série de tests approfondis effectués sur plusieurs dizaines (ou

centaines) d'heures d'utilisation quasi-continue. C'est pourquoi, il a semblé à que des tests

approfondis pouvaient rendre service à nos lecteurs qui comptent eux-aussi investir (!) de

nombreuses heures de travail (ou de plaisir). Avec cette rubrique, ils sauront à quoi s'en

tenir.

Turbo Expert : pour les experts pressés et fauchés

Ne cherchez pas de beaux affichages : il n'y en a pas. Ne cherchez pas une gestion évoluée

de l'ascenseur : on dirait un écran MS-DOS. Ne cherchez même pas à faire des "copier-

coller" : ces fonctions sont inactives dans la plupart des cas. Et pourtant, c'est un

extraordinaire logiciel, à un prix imbattable. Les systèmes experts (SE) pour le Mac sont

nombreux. Depuis MacExpert, l'ancêtre (son créateur, Mindsoft, offre aujourd'hui des

produits plus puissants) jusqu'aux programmes d'ACT-informatique en passant par ceux de

Joy ou de G+M, pour ne citer que les sociétés françaises, nous aurons matière à de

nombreux tests. Mais si nous commençons par Turbo-Expert, c'est surtout en raison de son

exceptionnel rapport qualité-prix : 450 F au lieu de 18 000 à 30 000 F pour ses concurrents.

Avant de citer les avantages (nombreux) et les inconvénients (rares) de Turbo-Expert, nous

commencerons par une petite révision sur les systèmes experts.

Y a-t-il un expert dans la salle ?

Un système expert doit permettre à des « non-experts » de parvenir, avec l'aide de

l'ordinateur, aux mêmes déductions que celles auxquelles l'expert humain serait parvenu.

Le principe de base apparaît simple : l'expert définit des règles du genre si une (ou

plusieurs) condition est remplie, alors telle conséquence s'ensuit. A priori, il suffit donc de

bien formaliser ses connaissances en un ensemble de règles et de sous-règles imbriquées


les unes avec les autres. Le logiciel se charge ensuite d’enchaîner (en marche avant ou

arrière) jusqu'à parvenir à la dernière d'entre elle qui est en principe la conclusion (dans le

cas du chaînage avant). A ceux qui penseraient qu'une programmation en Basic pourrait

suffire (If Then go to), nous ferons remarquer que les tests en cascade seraient

extrêmement difficiles à gérer à partir d'un certain degré de complexité et

d'enchevêtrement des conditions, d'où l'obligation de programmer des applications

spécifiques prenant les règles comme des variables plus ou moins déclarées. Un autre

argument faisant repousser une programmation classique tient justement à la non linéarité

des raisonnements pouvant être simulés par un système expert (d'où la dénomination

d'intelligence artificielle). Un système expert rend compte d'une connaissance qui n'est pas

nécessairement organisée de manière séquentielle et totalement hiérarchisée

(contrairement à un empilement de syllogismes). L'intérêt du traitement informatique

tient à la possibilité de définir toute conséquence comme une nouvelle prémisse d'une

nouvelle chaîne logique, ce qui permet de simuler (en partie) le raisonnement humain.

Les points forts de Turbo Expert

En premier lieu, il faut insister sur son prix très attractif pour ce genre de logiciels. Les

tarifs pratiqués par les autres éditeurs montrent bien qu'il s'agit encore d'un marché

professionnel excessivement restreint, réservé aux passionnés travaillant dans des

entreprises fortunées. Turbo Expert est donc un SYSTÈME EXPERT d'ordre zéro (le plus

simple), mais qui permet néanmoins de développer des bases relativement complexes. Les

règles et les bases de faits (c'est-à-dire la série de questions auxquelles les réponses ont

été positives) sont enregistrées en mode texte, ce qui permet de les créer et de les

modifier dans son traitement de texte favori, à condition de ne pas placer le moindre signe

de ponctuation, lequel parasite tout (sur la version testée, n°2.3.2.). En début de fichier

on doit simplement indiquer, derrière la lettre « R » le nombre de règles, et devant

chacune d'elles, le nombre de lignes. Il est ainsi possible de construire ses règles en restant

dans le traitement de texte et en copiant/collant à chaque fois que nécessaire ou en

recourant à un glossaire. Avec Multifinder (ou avec un accessoire du genre de MockWrite,

présentant un traitement de texte dans le menu « pomme »), on peut activer Turbo

Expert, se livrer à des expertises d'essai et revenir dans le traitement de texte pour

effectuer les (nombreuses) mises au point indispensables à ce genre d'activité. Turbo

Expert indique le dictionnaire des prémisses (sur d'autres logiciels, ce sera la liste des

variables). Sur la figure 3, nous donnons un exemple réel d'une base de près de 200 règles

sur une typologie des associations françaises, obtenues à partir d'une soixantaine


d'interrogations. La dernière ligne constitue toujours la conclusion. On peut évidemment

ajouter ou supprimer des règles depuis Turbo-Expert, mais nous avons préféré opérer dans

le traitement de texte (en l'occurrence Word 3) parce qu'il nous a semblé qu'une lecture

continue était plus pratique qu'une lecture séquentielle (ne présentant à l'écran qu'une

seule règle à la fois). Ecrit en Turbo Pascal, Turbo Expert est très rapide, mais, avec 200

règles, il n'est pas instantané. On a l'impression qu'il « réfléchit » (cf. figure 4). Il signale

les règles qui ont été activées. On peut enregistrer la base de faits (c'est-à-dire l'ensemble

des assertions vérifiées) et la réutiliser pour la mise au point, ce qui est bien pratique et

évite de devoir répondre à chaque fois à plusieurs dizaines de questions. Avec un peu

d'astuce, on arrive ainsi assez rapidement à enregistrer plusieurs bases de faits légèrement

différentes, de façon à chercher à piéger son Système Expert. Il est possible de stopper

une interrogation en cours et de demander la déduction correspondante, puis de reprendre

la chaîne des déductions si aucune conclusion n'a pu être tirée. En chaînage arrière, le

système donne la liste des conclusions, demande laquelle doit être vérifiée et indique

ensuite l'ensemble des règles concernées qui doivent l'être à leur tour. Il propose alors de

repasser en mode déduction (chaînage avant). L'induction est très pratique pour la mise au

point du Système Expert, on peut ainsi contrôler le « degré d'activation » de ses

hypothèses.

Les points faibles

Nous avons déjà signalé les difficultés d'affichage, l'éloignement de l'ergonomie propre au

Macintosh, les difficultés du copier/coller. Ce sont là des défauts de transcription (Turbo

SE a été développé dans le monde MS-DOS, on s'en rend compte immédiatement, mais ils

pourraient facilement être gommés si un marché suffisant s'offrait à l'auteur. Il est d'autres

défauts inhérents à l'ordre zéro lui-même, en particulier l'absence de métarègles et

l'impossibilité de programmer les interrogations de manière dynamique (en fonction des

réponses aux questions précédentes). Peut-être peut-on espérer une version 0+ dans un

avenir pas trop lointain. A cet effet, voici comment il demeure possible de s'affranchir de

l'absence de coefficients de vraisemblance (et dans une certaine mesure de construire des

bases plus homogènes). Il suffit de prévoir une gradation très nette dans les conclusions et

de reprendre ces conclusions en effet cumulatif dans de nouvelles règles (cf. figure 5).

Avec un peu d'attention, on arrive assez bien et assez vite à des modélisations

satisfaisantes, réellement utilisables par des non-experts.

Conclusion


En conclusion, un excellent produit, malgré quelques défauts de finition, pouvant donner

satisfaction non seulement à des personnes simplement désireuses de découvrir

l'architecture générale d'un système expert mais aussi à des experts susceptibles

d'organiser ou de formaliser leur connaissance. Ajoutons que dans le guide d'emploi

(figurant sur la disquette programme), l'auteur, Philippe Larvet, explique avec force

détails le fonctionnement des systèmes experts tout en donnant quelques exemples

d'utilisation. De plus, la fréquentation de Turbo Expert rendra plus exigeant vis-à-vis des

autres Systèmes Experts plus puissants et beaucoup plus chers.

Turbo Expert en bref

• Système expert d'ordre zéro (sans métarègles).

• Jusqu'à 500 règles (version 2.3.2.)

• Jusqu'à six prémisses par règle.

• Une seule conclusion par règle (il faut redéfinir des conclusions comme

prémisses).

• Base des faits (des assertions) enregistrable en mode texte et directement

expertisable.

• Base des connaissances (des règles) en mode texte, permettant une mise au

point facile dans un traitement de texte standard (portabilité et bons

transferts).

• Chaînage avant et arrière (déduction, induction).

• Dictionnaire des prémisses.

• Fonctions classiques des systèmes experts (ajout, suppression de règles).

• Translation de règles possible par l'intermédiaire du traitement de texte.

• Possibilité (théorique) de récupérer ses bases de connaissances dans le cas

d'un passage sur de plus gros logiciels.

• Pas de gestion correcte des affichages (ascenseurs, cases d'agrandissement,

etc.).

• Pas d'analyseur de syntaxe. Impossibilité de ponctuer les règles.

Figure 1 :


Comme on peut le constater, le Système Expert ignore la syntaxe (« est-ce que il y a…». Les

réponses sont de simples oui/non, et on est loin d'un dialogue en langage naturel.

Figure 2 :

On remarque l'emploi des gradations (de « pourrait être» à « est sûrement»). En fin de

déduction, le système donne lui-même ses conclusions. On peut évidemment ajouter des règles

débouchant sur le doute, en particulier lorsqu'il y des contradictions dans les réponses ou

lorsque l'expertise est très complexe.


Figure 3 :

Quelques-unes des règles de la base de connaissance. Le repérage du nombre exact de règles

n'est pas toujours facile, en particulier avec un grand nombre de lignes. On peut très bien

employer Excel et faire une somme sur les résultats de la fonction VAL (qui prendra la valeur 1

pour toutes les grandeurs numériques, en l'occurrence les nombres de lignes de chaque règle.

Essayez, ça marche !

Figure 4 :

On observe ici une déduction plus complexe. Le SE manipule plusieurs hypothèses, revient en

cours de route à une règle antérieure (la n°18) et finit par livrer une déduction.


Figure 5 :

On voit que le système combine des faits bruts (les deux premières lignes) avec des conclusions

déjà tirées ailleurs. S'il observe une accumulation de conclusions concomitantes (« pourrait

être », « est peut-être »), il dégage une pré conclusion (« est sûrement »). Selon la complexité

de la modélisation, on peut ainsi enchaîner jusqu'à six niveaux de prémisses pré-conclusives, ce

qui permet de formaliser des cas assez complexes.

Auteur de l’article : Jean-Luc MICHEL

• Base de faits

<facts>

−

<fact>

<nom>VOYANT_ADSL</nom>

<texte>Votre voyant ADSL est-il allume ?</texte>

</fact>

−

<fact>

<nom>VOYANT_POWER</nom>

<texte>Votre voyant power est-il eteint ?</texte>

</fact>

−

<fact>

<nom>PROBLEME_ALIMENTATION</nom>

−

<texte>

Un defaut electrique du modem a ete detecte. Verifiez qu il est bien alimente. Si ce n est pas

le cas, suivez la procedure de renvoi de materiel decrite sur notre site.

</texte>

</fact>

−

<fact>

<nom>MODEM_USB</nom>

<texte>Votre modem est-il un modem USB ?</texte>

</fact>

−


<fact>

<nom>MODEM_ETHERNET</nom>

<texte>Votre modem est-il un modem ethernet ?</texte>

</fact>

−

<fact>

<nom>PROBLEME_DRIVER_USB</nom>

−

<texte>

Le pilote de votre modem na pas ete detecte. Veuillez inserer le cd d installation ou

telecharger le pilote depuis notre site et l installer.

</texte>

</fact>

−

<fact>

<nom>PROBLEME_LIGNE_ADSL</nom>

−

<texte>

Votre modem n arrive pas a se synchroniser. Verifiez que vous avez branche un filtre sur

votre prise telephonique. Si oui contacter france telecom.

</texte>

</fact>

−

<fact>

<nom>DRIVER_MODEM_USB</nom>

<texte>Votre pilote de modem USB est-il bien installe ?</texte>

</fact>

−

<fact>

<nom>CABLE_ETHERNET</nom>

<texte>Votre cable ethernet est-il debranche ?</texte>

</fact>

−

<fact>

<nom>PROBLEME_LIAISON_ETHERNET</nom>

−

<texte>

Verifier le bon raccordement de votre cable ethernet entre votre modem et votre PC.

</texte>

</fact>

−

<fact>

<nom>PROBLEME_CONFIGURATION_FIREWALL</nom>

−

<texte>

Votre firewall est mal configure. Veillez a ouvrir les ports.

</texte>

</fact>

−


<fact>

<nom>AUTHENTIFICATION</nom>

−

<texte>

Arrivez-vous a vous authentifier lors de la connexion a internet ?

</texte>

</fact>

−

<fact>

<nom>PROBLEME_AUTHENTIFICATION</nom>

−

<texte>

Vos login et mots de passe sont invalides. Alles sur le site de votre fournisseur d acces et

demander a recevoir vos login et mot de passe en fournissant votre mail et en repondant a

votre question secrete.

</texte>

</fact>

−

<fact>

<nom>ADRESSE_IP</nom>

<texte>Votre adresse IP est-elle non disponible ?</texte>

</fact>

−

<fact>

<nom>PROBLEME_ADRESSE_IP</nom>

<texte>Fixez une adresse IP.</texte>

</fact>

−

<fact>

<nom>PROBLEME_UTILISATEUR</nom>

<texte>Probleme indetermine.</texte>

</fact>

</facts>

• Base de règles

<regles>

−

<regle poids="50">

<nom>REGLE_VOYANT_ADSL</nom>

<si>VOYANT_ADSL estVrai</si>

−

<alors>

VOYANT_POWER Vrai. REGLE_DRIVER_MODEM_USB desactiver.

</alors>

<sinon> </sinon>


</regle>

−

<regle poids="49">

<nom>REGLE_VOYANT_POWER</nom>

<si>VOYANT_POWER estFaux</si>

<alors>PROBLEME_ALIMENTATION Vrai</alors>

<sinon> </sinon>

</regle>

−

<regle poids="40">

<nom>REGLE_MODEM_ETHERNET</nom>

<si>MODEM_ETHERNET estVrai</si>

−

<alors>

MODEM_USB Faux. REGLE_DRIVER_MODEM_USB desactiver.

REGLE_AUTHENTIFICATION_WINDOWS desactiver.

</alors>

<sinon> </sinon>

</regle>

−

<regle poids="35">

<nom>REGLE_MODEM_USB</nom>

<si>MODEM_USB estVrai</si>

−

<alors>

MODEM_ETHERNET Faux. REGLE_CABLE_ETHERNET desactiver.

REGLE_ADRESSE_IP desactiver.

</alors>

<sinon> </sinon>

</regle>

−

<regle poids="30">

<nom>REGLE_DRIVER_MODEM_USB</nom>

<si>DRIVER_MODEM_USB estVrai</si>

<alors> </alors>

<sinon>PROBLEME_DRIVER_USB Vrai</sinon>

</regle>

−

<regle poids="28">

<nom>REGLE_CABLE_ETHERNET</nom>

<si>CABLE_ETHERNET estFaux</si>

<alors>PROBLEME_LIAISON_ETHERNET Vrai</alors>

<sinon>REGLE_ADRESSE_IP</sinon>

</regle>

−

<regle poids="25">

<nom>REGLE_AUTHENTIFICATION_WINDOWS</nom>

<si>AUTHENTIFICATION estVrai</si>

<alors>PROBLEME_CONFIGURATION_FIREWALL Vrai</alors>


<sinon>PROBLEME_AUTHENTIFICATION Vrai</sinon>

</regle>

−

<regle poids="20">

<nom>REGLE_ADRESSE_IP</nom>

<si>ADRESSE_IP estFaux</si>

<alors>PROBLEME_ADRESSE_IP Vrai</alors>

<sinon>PROBLEME_UTILISATEUR Vrai</sinon>

</regle>

</regles>

Documents

Les Systèmes Experts - MASIG Accueilmasig.ensg.eu/PDF/Systemes Experts.pdf · 5.9.5 Le design de la chaîne de traitement des ... SCHEMA CONCEPTUEL D’UN SYSTEME ... Ainsi s’est