Modélisation générique d’un retour d’expérience cognitif

  • Published on
    21-Jan-2016

  • View
    24

  • Download
    0

Embed Size (px)

DESCRIPTION

Tarbes, vendredi 14 novembre 2008. Modlisation gnrique dun retour dexprience cognitif. Application la prvention des risques. Directeur de thse: Laurent GENESTE Co-encadrant: Xavier DESFORGES. Le projet europen SUP. Projet SUP (Scurit Urgence Pyrnes) Projet INTERREG IIIa - PowerPoint PPT Presentation

Transcript

<ul><li><p>Modlisation gnrique dun retour dexprience cognitifApplication la prvention des risquesDirecteur de thse: Laurent GENESTECo-encadrant: Xavier DESFORGESTarbes, vendredi 14 novembre 2008</p></li><li><p>Le projet europen SUPProjet SUP (Scurit Urgence Pyrnes)Projet INTERREG IIIaMise en commun des ressources technologiques et humaines pour rduire les disparits Transfrontalier franco-espagnolObjectif : amlioration de la scurit dans le massif des PyrnesActivits de loisirs et activits professionnellesProfessionnels de la montagne et des secoursUn volet Intervention et un volet Prvention Dveloppement doutils de tlmdecineRalisation dun Systme dInformation (SI)Notre rleIntgration dun module de retour dexprience dans le SIDmonstrateurPrvention des risques lis la pratique dactivit en montagnes</p></li><li><p>Contribution au projet SUPUne application de retour dexprience adapteBase sur le processus danalyse daccidents en montagneDescription contexte de lvnementAnalyses expertesRecherche des causesExplications de laccidentRestitution pour les utilisateursCartographie des dangers,Indicateur du risque encouru,Conseils de prventionAccident</p></li><li><p>Objectifs du travail de rechercheCapitalisation des expriencesModlisation de lexprienceDescription du contexte, de lanalyse daccidentsDfinition dun formalisme appropri</p><p>Exploitation des expriencesAlgorithmes de recherchetude et proposition dun indicateur du risque</p><p>Oprationnalisation des applicationsDveloppements gnriquesApplicables aux mthodes de rsolution de problmes industriellesFavorisent la gnration dapplications partir du modle de lexprience Automatiser les tches logicielles rcurrentesCapitalisationExploitation</p></li><li><p>PlanIntroductionOrigine du projetObjectifs de la thseI - Retour dexprienceDfinition et caractrisationApplications de retour dexprienceLes systmes bass sur la connaissanceII Capitalisation de lexprienceModlisation structure de lexpriencePrise en compte dinformations incertainesModle hybrideIII Exploitation de lexprienceComparaison dexpriences base sur la recherche par similaritProposition dalgorithmes de recherche adaptsExtraction dun indicateur du risqueIV Oprationnalisation des applicationsLes diffrentes techniquesUne application la prvention des risques en montagneConclusions et perspectives</p></li><li><p>I - Retour dexprienceDfinitionCaractrisationApplications de retour dexprience</p></li><li><p>Un systme bas sur la connaissance (SBC)Le management de lexprience est un type de management des connaissances restreint aux connaissances issues de lexprience </p><p>Une typologie des SBCStatiqueConnaissance sous forme de documentsDifficile de raliser des infrencesOutils de type Gestion lectronique de Documents (GED)DynamiqueConnaissance formaliseInfrence possible mais expression des connaissances plus difficileExemple de langage: DL, GC - Outils : SRC (Protg)</p><p>Approche retour dexprienceUn SBC ascendantCapitalisation et exploitation de connaissances contextualisesLa connaissance globale des experts na pas tre formalisePermet de raliser une capitalisation continue Vecteur de cration de connaissance gnrique</p><p>Connaissance</p></li><li><p>Dfinition du retour dexprienceDfinition adopte du retour dexprience (Rakoto, 2004)Le retour dexprience est une dmarche structure de capitalisation et dexploitation des connaissances issues de lanalyse dvnements positifs ou ngatifs. Elle met en uvre un ensemble de ressources humaines et technologiques qui doivent tre organises pour contribuer favoriser certaines pratiques performantes et rduire les rptitions derreurs</p><p>Positionnementvnements :positifs / ngatifsRetour dexprience :crise / statistique / cognitifConnaissances : statiques / dynamiquesDimensions :technique / humaine </p><p>Le retour dexprience ncessite une reprsentation structure de lexprience (Inspire des SRC)des traitements adapts (Inspirs du RPC)</p></li><li><p>II - Modlisation de lexprienceModlisation structure de lexpriencePrise en compte dinformations incertainesModle hybride (incertain et composite) </p></li><li><p>Modlisation structure de lexprienceLes formalismes de reprsentation des connaissances</p><p>Choix de reprsentation structurelleModle Attribut-Valeur tenduSimple (composite)ExtensibleFavorisant loprationnalisationHomognitPas de passerelleLogique(s)FramesDLGraphes conceptuelsRSRCOOrient ObjetReprsentationOprationnalisation</p></li><li><p>CapitalisationMacro-structure de lexprienceContexte AnalyseDes reprsentations imparfaitesContexteDescription du mondeIncomplet, imprcisAnalyseAvis subjectif dexpert</p></li><li><p>Modlisation de lincertainLes approches subjectivesProbabilits, infrence baysienneInformation sur variabilit (var alatoire)Thorie des possibilitsInformation incertainesFonctions de croyanceInformation incertaine et alatoireInterprtation ensemblisteSoit une information di Domaine fini et discretDistribution dune croyance unitaire (masse)</p></li><li><p>Modle des Croyances TransfrablesMCTUne interprtation non-probabiliste des fonctions de croyanceFonction de croyance = opinion dun agent rationnel</p><p>Deux niveaux cognitifs distinctsNiveau crdalExpression subjective de la connaissanceRaisonnement dans lincertainAspect statique et dynamiqueNiveau dcisionnelTransformation pignistiqueirrversibleCadre probabilisteCompatible avec le critre du maximum dutilit espre</p><p>Hypothse du monde ouvert Valeurs non prvues dans le modleDomaine non obligatoirement exhaustif</p></li><li><p>Notions lmentaires du MCTDistribution de masseCadre de discernementDomaine = cadre de discernementDomaine recensant des hypothses exclusivesSupport de la distribution de masseParties de powerset not 2 = {a, b, c} 2 = { , {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, } lments focauxSous-ensembles de masse de croyance non-nulleSingletons masse baysienne (distribution de probabilit)Monde ouvert m() 0 croyance affecte aux autres hypothsesAffaiblissement Confiance relative entre sources Expression de confiance en expertsAgrandissement, rduction (volution du modle)</p><p>Crdibilit et Plausibilit </p></li><li><p>Modlisation du contexteUn modle hybride Objet-MCTModle Attribut-Valeur tendu (descripteur)Type compositeAppliqu au contexteValuation incertaine des attributsChoix du modle des croyances transfrablesInterfaage avec les valeurs de descripteurs (contexte)Valuation = distribution de masse de croyanceContexted2d1d4do3d32do33d31d332d331</p></li><li><p>Modlisation de lanalyseRelations entre les attributs significatifsExplications de lvnementConjonction des informations significatives ETSous-ensemble du contexte (descripteurs)Formalisation par une entit propreConjonction de descripteursExemple danalyse valeur-d1 et valeur-d3 (vraisemblance1=0,75) ouvaleur-d1 et valeur-d5 (vraisemblance2=0,50) ouvaleur-d5 (vraisemblance3=0,25) Construction de lanalyseUtilisation de larbre des causesPermet de remonter aux causes racinesCration des liens avec le contexte</p></li><li><p>III - Exploitation de lexprienceAlgorithmes de rechercheExtraction dun indicateur du risque</p></li><li><p>Exploitation</p></li><li><p>Comparaison dexpriencesDeux types de rechercheRecherche sans analyseFiltrage, interrogation de la basePondration suivant le besoin de lutilisateurAnalogue une requte dans un SGBDRecherche tenant compte de lanalyse des expertsPrise en compte de la conjonction des informations significatives Recherche biaise par lanalyse experteLanalyse agit comme une pondration</p><p>Utilisation dune mesure de similarit entre descripteursTechnique utilise en RPCDfinition de mesures de similarit locale/globaleProposition dune mesure adapte au descripteurStructure composite et incertaine</p></li><li><p>Comparaison dexpriencesMesure de similaritLie la notion de distancePermet de comparer deux informations (de mme type)LittratureSimilarit locale/globaleSimilarit localeEntier, rel, symbolique, Fonction, matrice de similarit, Similarit globaleComposition de types simplesCalcul rcursifFonction dagrgation simg(do33) = ( sim(d331), sim(d332)) </p><p>Similarit objetComposites + HirarchiquesSIMIntra, SIMInter</p><p>Similarit objet et incertitudeThorie des possibilits Similarit objet - possibiliste (Ruet, 2002)Proposition dune similarit objet incertaineFonction de croyance (MCT)</p><p>simLocal = [0,2 ; 0,8]simLocal = {0,2 ; 0,3, 0,6, 0,8}Contexted2d1d4do3d32do33d31d332d331EXP1Contexted2d1d4do3d32do33d31d332d331EXP2</p></li><li><p>Proposition de mesure de similaritSimilarit localeBase des algorithmes dexploitationEntre deux descripteurs simplesSimilarit prcise connueExtension une valuation incertaine</p><p>Similarit locale</p><p>Matrice de similarit - MCTSimilarit globale</p><p>Minkowski, conjonctive, Contexted2d1d4do3d32d33d31EXP1Contexted2d1d4do3d32d33d31EXP2Simlocal (v 1d31 , v 2d31) = 0.7Simlocal (v 1d31 , v 2d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}d31 = {a, b, c, d, e, f)</p><p>Simabcdefa10,80,50,30,10b10,70,50,10c0,510,90,70,2d10,80,1e10f1</p><p>Simabcdefa10,80,50,30,10b10,70,50,10c10,90,70,2d10,80,1e10f1</p></li><li><p>Similarit locale incertaine (reprsentation)Cas particulier des distributions de masse catgoriqueConnaissance imprcise et certained31 = {a, b, c, d, e, f)BBA1: m({c, d, e}) = 1 v 1d31 = {c, d, e} BBA2: m ({a, b}) = 1 v 2d31 = {a, b}</p><p>Simlocal (v 1d31 , v 2d31) = { Sim(c, a), Sim(d, a), Sim(e, a), Sim(c, b), Sim(d, b), Sim(e, b))Simlocal (v 1d31 , v 2d31) = { 0,5; 0,3; 0,1; 0,7; 0,5; 0,1 }Simlocal (v 1d31 , v 2d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1d31 , v 2d31) = { (0,1; 2); (0,3; 1); (0,5; 2); (0,7; 1) }Simlocal (v 1d31 , v 2d31) = { (0,1; 1/3); (0,3; 1/6); (0,5; 1/3); (0,7; 1/6) }SAB = { sab ; sac ; sad ; ; sce}SAB = { 0,8 ; 0,5; 0,3; 0,1; 1; 0,7; 0,5; 0,1; 0,7; 1; 0,9; 0,7} 0,1 SAB 1</p><p>SABpond = {(0,1; 2); (0,3; 1); (0,5; 2); (0,7; 3); (0,8; 1) ; (0,9; 1); (1; 2)}MAB = {(0,1 ; 1/6) ; (0,3 ; 1/12) ; (0,5 ; 1/6) ; (0,7 ; 1/4) ; (0,8 ; 1/12) ; (0,9 ; 1/12) ; (1 ; 1/6)}</p><p>010 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1Valeur incertaineDistribution de masse baysienne(distribution probabiliste)</p><p>Simlocal (v 1d31 , v 2d31)</p><p>Simabcdefa10,80,50,30,10b10,70,50,10c10,90,70,2d10,80,1e10f1</p></li><li><p>Similarit locale (gnralisation)GnralisationDistribution de masse quelconqueProduit des masses des ensembles concernsExemple = {a, b, c } - Matrice de similarit donneBBA1: m1 () = m11 = 0,3 m1 ({b}) = m12 = 0,7BBA2: m2 () = m21 = 0,1 m2 ({b; c}) = m22 = 0,9</p><p>\abca10,60,1b10,8c1</p><p>EnsemblesPoids associ 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= 0,03m11 * m22= 0,27m12 * m21= 0,07m12 * m22= 0,63 = 1</p></li><li><p>Similarit locale (gnralisation)</p><p>010 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1Simlocal (BBA1 , BBA2)</p><p>Regroupement par niveau de similarit et par ensemblesPoids associmsym (0,1) = 2/9; msym (0,6) = 2/9; msym (0,8) = 2/9; msym (1) = 1/3msym (0,1) = 1/6; msym (0,6) = 1/6; msym (0,8) = 1/3 ; msym (1) = 1/3msym (0,6) = 1/3; msym (0,8) = 1/3 ; msym (1) = 1/3msym (0,8) = 1/2 ; msym (1) = 1/2m11. m21= 0,03 m11. m22= 0,27 m12. m21= 0,07m12. m22= 0,63 = 1</p><p>Regroupement par niveau de similaritRsultatmsym (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 = 1</p></li><li><p>Similarit globaleExpriences composes de deux descripteurs simplesEquivalent lagrgation de deux similarits localesFonctions dagrgation Plusieurs smantiques possiblesHypothses (x, x) = xSimglobal est exprime sur le mme rfrentiel que Simlocal (rcursivit)</p><p>Simlocal (v 1d2 , v 2d2)Simlocal (v 1d1 , v 2d1)010 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1010 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1Simglobal (exp 1, exp 2)</p><p>01</p></li><li><p>Similarit Globale - GnralisationSimilarit entre n descripteurs simplesProblme combinatoire2 SIMbba de 2 et 3 ensembles focaux 6 possibilits agrger10 SIMbba de 5 ensembles focaux chacun 510 possibilits (~ 10M)Algorithme dcomposable</p><p>Rduit la complexit10 SIMbba de 5 ensembles focaux chacun9 agrgations de 2 descripteurs simples 225 2000 possibilitsApproximation due la discrtisation</p><p>s1s2s3s4s5s12s34S1234s12345n distributions de similaritn - 1 agrgations de 2 distributions Mink (s1, s2)Mink (s12, s34)Mink (s3, s4)Mink (s1234, s5)s5s5w1w2w3w4w5w5w5w1 + w2w3 + w4w1 + w2 + w3 + w4</p><p>w1 + w2 + w3 + w4 + w5</p></li><li><p>Similarit Globale GnraliseRcursivit descripteur objetContexted2d1d4do3d32do33d31EXP1Contexted2d1d4do3d32do33d31EXP2SimGlobal(EXP1, EXP2)Simlocal (v1d2, v2d2 )Simlocal (v1d1, v2d1 )Simlocal (v1d4, v2d4 )Simglobal (v1do3, v2do3Simlocal (v1d32, v2d32 )Simlocal (v1d33, v2d33 )Simlocal (v1d31, v2d31 )</p></li><li><p>valuation du risque</p></li><li><p>Indicateur du risque12345GravitDegr doccurrenceRfrentiel du risque</p><p>Association du niveau de gravit pour chaque vnementDfinition de courbes iso-risque ~ changement de repre</p><p>R = P x I</p><p>Ala, vulnrabilitI ~ gravitprojectionCourbes iso-risqueRisqueI faibleII modrIII importantIV trs importantV inacceptable </p></li><li><p>Similarit globale et indicateur du risqueSimilarit locale incertaine</p><p>Matrice de similarit - MCTSimilarit globale</p><p>MinkowskiSimilarit globale</p><p>ConjonctiveIndicateur du risqueParamtrable et pondre- p=1 moyenne- p=2 distance euclidienne..- p= infini max</p><p>Plus p est grand, plus les fortes valeurs ont une influence dans la mesure globaleConjonctive et Non-Pondre - Adapt la smantique de lanalyse- Lanalyse est une sorte de pondration- Une valeur nulle entrane une similaritGlobale nulle</p></li><li><p>Indication du risquePrincipeDans des conditions significatives similaires, la vraisemblance dun vnement de mme type (mme gravit) est maximumVraisemblance = degr de reproductibilitCalcul de lindicateurComparaison entre le contexte courant et toutes les expriencesExemple : comparaison dune seule exprience compose de 2 descripteurs simples. La gravit associe est de 4</p><p>R = { 0; 0; 0,25; 0,50; 0,25}</p></li><li><p>Implmentation gnrique</p></li><li><p>Applications de retour dexprienceApplications InternetAutonomesArchitecture client-serveurFonctionnement distribu et collaboratif</p><p>Technologies utilisesSmalltalk (squeak)http://www.squeak.org Entirement objetDynamique, rflexifSeaside (applications Web dynamiques) http://www.seaside.st Magritte (mta-descriptions)clientExp???Exp???Exp???PORTAIL</p><p>WEB</p><p>vnement = = = contexte = X = - = X = - = -leon = = = = = </p><p>expertsExp???</p><p>utilisateursBase dexpriences</p></li><li><p>Techniques et outilsApproches de gnricitMtamodlisation et Ingnierie dirige par les modlesMDA et MOFEssentiellement descriptifFrameworkInfrastructure oriente objet gnrique spcialisableInversion de contrle point dentrePatternsBonnes pratiquesModle dynamique adaptatif (AOM)Pattern Type Object et Property ListMtaprogrammationGnration de codeInterprtation de mtadonnes (mtadescription)</p></li><li><p>OprationnalisationPrvention des risques dactivits en montagneValidation de la gnration dapplications webInterface graphiqueBase sur mta-descrip...</p></li></ul>

Recommended

View more >