Transcript
Page 1: Modélisation générique d’un retour d’expérience cognitif

1

Modélisation générique d’un retour d’expérience cognitif

Application à la prévention des risques

Directeur de thèse: Laurent GENESTECo-encadrant: Xavier DESFORGES

Tarbes, vendredi 14 novembre 2008

Page 2: Modélisation générique d’un retour d’expérience cognitif

2

Le projet européen SUP

Projet SUP (Sécurité Urgence Pyrénées) Projet INTERREG IIIa

Mise en commun des ressources technologiques et humaines pour réduire les disparités

Transfrontalier franco-espagnol Objectif : amélioration de la sécurité dans le massif des

Pyrénées Activités de loisirs et activités professionnelles

Professionnels de la montagne et des secours Un volet Intervention et un volet Prévention

Développement d’outils de télémédecine Réalisation d’un Système d’Information (SI)

Notre rôle Intégration d’un module de retour d’expérience dans le SI

Démonstrateur Prévention des risques liés à la pratique d’activité en

montagnes

Page 3: Modélisation générique d’un retour d’expérience cognitif

3

Contribution au projet SUP

Une application de retour d’expérience adaptée Basée sur le processus d’analyse d’accidents en

montagne

Description contexte

de l’événement

Analyses expertesRecherche des causes

Explications de l’accident

Restitution pour les utilisateursCartographie des dangers,

Indicateur du risque encouru,Conseils de prévention…

Accident

Page 4: Modélisation générique d’un retour d’expérience cognitif

4

Objectifs du travail de recherche Capitalisation des expériences

Modélisation de l’expérience Description du contexte, de l’analyse

d’accidents… Définition d’un formalisme approprié

Exploitation des expériences Algorithmes de recherche Étude et proposition d’un indicateur du risque

Opérationnalisation des applications Développements génériques

Applicables aux méthodes de résolution de problèmes industrielles Favorisent la génération d’applications à partir du modèle de

l’expérience Automatiser les tâches logicielles récurrentes

Baseexpérience

Capitalisation

Baseexpérience

Exploitation

Page 5: Modélisation générique d’un retour d’expérience cognitif

5

Plan Introduction

Origine du projet Objectifs de la thèse

I - Retour d’expérience Définition et caractérisation Applications de retour d’expérience Les systèmes basés sur la connaissance

II – Capitalisation de l’expérience Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride

III – Exploitation de l’expérience Comparaison d’expériences basée sur la recherche par similarité Proposition d’algorithmes de recherche adaptés Extraction d’un indicateur du risque

IV – Opérationnalisation des applications Les différentes techniques Une application à la prévention des risques en montagne

Conclusions et perspectives

Page 6: Modélisation générique d’un retour d’expérience cognitif

6

I - Retour d’expérience

Définition

Caractérisation

Applications de retour d’expérience

Page 7: Modélisation générique d’un retour d’expérience cognitif

7

Un système basé sur la connaissance (SBC)

« Le management de l’expérience est un type de management des connaissances restreint aux connaissances issues de l’expérience »

Une typologie des SBC Statique

Connaissance sous forme de documents Difficile de réaliser des inférences

Outils de type Gestion Électronique de Documents (GED)

Dynamique Connaissance formalisée

Inférence possible mais expression des connaissances plus difficile

Exemple de langage: DL, GC - Outils : SRC (Protégé)…

Approche « retour d’expérience » Un SBC ascendant

Capitalisation et exploitation de connaissances contextualisées

La connaissance globale des experts n’a pas à être formalisée

Permet de réaliser une capitalisation continue Vecteur de création de connaissance générique

Difficulté d’inférence

Difficulté d’expression

statique dynamique

exp1 exp2

exp3 exp4

Connaissance

Page 8: Modélisation générique d’un retour d’expérience cognitif

8

Définition du retour d’expérience

Définition adoptée du retour d’expérience (Rakoto, 2004)« Le retour d’expérience est une démarche structurée de capitalisation et d’exploitation des connaissances issues de l’analyse d’événements positifs ou négatifs. Elle met en œuvre un ensemble de ressources humaines et technologiques qui doivent être organisées pour contribuer à favoriser certaines pratiques performantes et à réduire les répétitions d’erreurs »

Positionnement Événements : positifs / négatifs Retour d’expérience : crise / statistique / cognitif Connaissances : statiques / dynamiques Dimensions : technique / humaine

Le retour d’expérience nécessite 1. une représentation structurée de l’expérience (Inspirée des SRC)

2. des traitements adaptés (Inspirés du RàPC)

Page 9: Modélisation générique d’un retour d’expérience cognitif

9

II - Modélisation de l’expérience

Modélisation structurée de l’expérience

Prise en compte d’informations incertaines

Modèle hybride (incertain et composite)

Page 10: Modélisation générique d’un retour d’expérience cognitif

10

Modélisation structurée de l’expérience Les formalismes de représentation des connaissances

Choix de représentation structurelle Modèle Attribut-Valeur étendu

Simple (composite) Extensible Favorisant l’opérationnalisation

Homogénéité Pas de « passerelle »

Logique(s)

Frames

DL

Graphes conceptuels

RS RCO

Orienté Objet

Représentation

do1 d2

d1

d4

do3 d32

do33

d31

d332

d331

Opérationnalisation

Page 11: Modélisation générique d’un retour d’expérience cognitif

11

Capitalisation

Macro-structure de l’expérience Contexte – Analyse

Des représentations imparfaites Contexte

Description du « monde » Incomplet, imprécis…

Analyse Avis subjectif d’expert

Page 12: Modélisation générique d’un retour d’expérience cognitif

12

Modélisation de l’incertain

Les approches subjectives Probabilités, inférence bayésienne

Information sur variabilité (var aléatoire) Théorie des possibilités

Information incertaines Fonctions de croyance

Information incertaine et aléatoire

Interprétation ensembliste Soit une information di Domaine fini et discret Distribution d’une croyance unitaire (masse)

in ,,, 21

0

1

A1

A2

A3

Probabilités

0

1

Possibilités

0

1

A1

A2

A3

Croyance

A1A2A3

Page 13: Modélisation générique d’un retour d’expérience cognitif

13

Modèle des Croyances Transférables

Niveau crédal

Niveau décisionnel

Partie statique

Représentation des informations

Partie dynamiqueRévision des informations, raisonnement

Transformation pignistiqueConversion non réversible en

probabilité

MCT Une interprétation non-probabiliste des fonctions de croyance Fonction de croyance = opinion d’un agent rationnel

Deux niveaux cognitifs distincts Niveau crédal

Expression subjective de la connaissance Raisonnement dans l’incertain Aspect statique et dynamique

Niveau décisionnel Transformation pignistique irréversible

Cadre probabiliste Compatible avec le critère du maximum

d’utilité espérée

Hypothèse du monde ouvert Valeurs non prévues dans le modèle

Domaine non obligatoirement exhaustif

Page 14: Modélisation générique d’un retour d’expérience cognitif

14

Notions élémentaires du MCT Distribution de masse

Cadre de discernement Domaine = cadre de discernement Domaine recensant des hypothèses exclusives

Support de la distribution de masse Parties de « powerset » noté 2

= {a, b, c} 2 = { , {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, }

Éléments focaux Sous-ensembles de masse de croyance non-nulle

Singletons – masse bayésienne (distribution de probabilité) Monde ouvert

m(Ø)≠ 0 croyance affectée aux autres hypothèses Affaiblissement

Confiance relative entre sources Expression de confiance en experts

Agrandissement, réduction (évolution du modèle)

Crédibilité et Plausibilité

0

1

A1

A2

A3

A BB

AB

BmACrA

,

B A B

B APlACr

AB

BmAPlA ,

Page 15: Modélisation générique d’un retour d’expérience cognitif

15

Modélisation du contexte

Un modèle hybride « Objet-MCT » Modèle Attribut-Valeur étendu (descripteur)

Type composite Appliqué au contexte

Valuation incertaine des attributs Choix du modèle des croyances transférables Interfaçage avec les valeurs de descripteurs (contexte)

Valuation = distribution de masse de croyance si

si

Ssid

mbbav

Contexte d2

d1

d4

do3 d32

do33

d31

d332

d331

0

1 A1

Valeur certaine

0

1

A1

A2

A3

Valeur aléatoire

0

1

A1

A2

A3

Valeur incertaine

vd332

Page 16: Modélisation générique d’un retour d’expérience cognitif

16

Modélisation de l’analyse

Relations entre les attributs significatifs Explications de l’événement

Conjonction des informations significatives « ET » Sous-ensemble du contexte (descripteurs)

Formalisation par une entité propre Conjonction de descripteurs Exemple d’analyse

valeur-d1 et valeur-d3 (vraisemblance1=0,75)

ou valeur-d1 et valeur-d5 (vraisemblance2=0,50)

ou valeur-d5 (vraisemblance3=0,25)

Construction de l’analyse Utilisation de l’arbre des causes

Permet de remonter aux causes racines Création des liens avec le contexte

Page 17: Modélisation générique d’un retour d’expérience cognitif

17

III - Exploitation de l’expérience

Algorithmes de recherche

Extraction d’un indicateur du risque

Page 18: Modélisation générique d’un retour d’expérience cognitif

18

Exploitation

Page 19: Modélisation générique d’un retour d’expérience cognitif

19

Comparaison d’expériences

Deux types de recherche Recherche sans analyse

Filtrage, interrogation de la base Pondération suivant le besoin de l’utilisateur

Analogue à une requête dans un SGBD

Recherche tenant compte de l’analyse des experts Prise en compte de la conjonction des informations significatives Recherche biaisée par l’analyse experte

L’analyse agit comme une « pondération »

Utilisation d’une mesure de similarité entre descripteurs Technique utilisée en RàPC

Définition de mesures de similarité locale/globale Proposition d’une mesure adaptée au descripteur

Structure composite et incertaine

Page 20: Modélisation générique d’un retour d’expérience cognitif

20

Comparaison d’expériences Mesure de similarité

Liée à la notion de distance Permet de comparer deux informations (de même type)

Littérature Similarité locale/globale

Similarité locale Entier, réel, symbolique, … Fonction, matrice de similarité, …

Similarité globale Composition de types simples Calcul récursif Fonction d’agrégation

simg(do33) = ( sim(d331), sim(d332))

Similarité « objet » Composites + Hiérarchiques

SIMIntra, SIMInter

Similarité objet et incertitude Théorie des possibilités

Similarité objet - possibiliste (Ruet, 2002) Proposition d’une similarité objet incertaine

Fonction de croyance (MCT)

simLocal = [0,2 ; 0,8]

Contexte d2

d1

d4

do3 d32

do33

d31

d332

d331

EXP1

Contexte d2

d1

d4

do3 d32

do33

d31

d332

d331

EXP2

Page 21: Modélisation générique d’un retour d’expérience cognitif

21

Proposition de mesure de similarité Similarité locale

Base des algorithmes d’exploitation Entre deux descripteurs simples Similarité « précise » connue

Extension à une valuation incertaine

Similarité locale

Matrice de similarité - MCT

Similarité globale

Minkowski, conjonctive, …

Contexte d2

d1

d4

do3 d32

d33

d31

EXP1

Contexte d2

d1

d4

do3 d32

d33

d31

EXP2

Sim a b c d e f

a 1 0,8 0,5 0,3 0,1 0

b 1 0,7 0,5 0,1 0

c 1 0,9 0,7 0,2

d 1 0,8 0,1

e 1 0

f 1

v 1d31 = c

v 2d31 = b

Valeur certaine

Simlocal (v 1d31 , v 2

d31) = 0.7

v 1d31 = {c, d, e}

v 2d31 = {a, b}

Valeur incertaine

Simlocal (v 1d31 , v 2

d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}

d31 = {a, b, c, d, e, f)

Page 22: Modélisation générique d’un retour d’expérience cognitif

22

Similarité locale incertaine (représentation)

0

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Sim a b c d e f

a 1 0,8 0,5 0,3 0,1 0

b 1 0,7 0,5 0,1 0

c 1 0,9 0,7 0,2

d 1 0,8 0,1

e 1 0

f 1

Cas particulier des distributions de masse catégorique Connaissance imprécise et certaine

d31 = {a, b, c, d, e, f) BBA1: m({c, d, e}) = 1 v 1

d31 = {c, d, e} BBA2: m ({a, b}) = 1 v 2

d31 = {a, b}

Simlocal (v 1d31 , v 2

d31) = { Sim(c, a), Sim(d, a), Sim(e, a), Sim(c, b), Sim(d, b), Sim(e, b)) Simlocal (v 1

d31 , v 2d31) = { 0,5; 0,3; 0,1; 0,7; 0,5; 0,1 }

Simlocal (v 1d31 , v 2

d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1

d31 , v 2d31) = { (0,1; 2); (0,3; 1); (0,5; 2); (0,7; 1) }

Simlocal (v 1d31 , v 2

d31) = { (0,1; 1/3); (0,3; 1/6); (0,5; 1/3); (0,7; 1/6) }

Distribution de masse bayésienne(distribution probabiliste)

Simlocal (v 1d31 , v 2

d31)

Page 23: Modélisation générique d’un retour d’expérience cognitif

23

Similarité locale (généralisation)

Généralisation Distribution de masse quelconque Produit des masses des ensembles concernés

Exemple = {a, b, c } - Matrice de similarité donnée BBA1 :

m1 () = m11 = 0,3 m1 ({b}) = m12 = 0,7

BBA2 : m2 () = m21 = 0,1 m2 ({b ; c}) = m22 = 0,9

\ a b c

a 1 0,6 0,1

b 1 0,8

c 1

Ensembles Poids associé

x = {(a ; a) (a ; b) (a ; c) (b ; a) (b ; b) (b ; c) (c ; a) (c ; b) (c ; c)}

x { b, c } = {(a ; b) (a ; c) (b ; b) (b ; c) (c ; b) (c ; c)}

{ b } x = {(b ; a) (b ; b) (b ; c)}{ b } x { b, c } = {(b ; b) (b ; c)}

m11 * m21 = 0,03

m11 * m22 = 0,27

m12 * m21 = 0,07

m12 * m22 = 0,63

∑ = 1

ii BmAm 21

Page 24: Modélisation générique d’un retour d’expérience cognitif

24

Similarité locale (généralisation)

0

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Regroupement par niveau de similarité et par ensembles

Poids associé

msym (0,1) = 2/9 ; msym (0,6) = 2/9 ; msym (0,8) = 2/9 ; msym (1) = 1/3

msym (0,1) = 1/6 ; msym (0,6) = 1/6 ; msym (0,8) = 1/3 ; msym (1) = 1/3

msym (0,6) = 1/3 ; msym (0,8) = 1/3 ; msym (1) = 1/3msym (0,8) = 1/2 ; msym (1) = 1/2

m11. m21 = 0,03 m11. m22 = 0,27 m12. m21 = 0,07m12. m22 = 0,63

∑ = 1

Regroupement par niveau de similarité Résultat

msym (0,1) = 2/9 * 0,03 + 1/6 * 0,27msym (0,6) = 2/9 * 0,03 + 1/6 * 0,27 + 1/3 * 0,07

msym (0,8) = 2/9 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63

msym (1) = 1/3 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63

= 0,052= 0,075= 0,435= 0,438

∑ = 1Simlocal (BBA1 , BBA2)

Page 25: Modélisation générique d’un retour d’expérience cognitif

25

Similarité globale Expériences composées de deux descripteurs simples

Equivalent à l’agrégation de deux similarités locales Fonctions d’agrégation

Plusieurs sémantiques possibles Hypothèses

(x, x) = x Simglobal est exprimée sur le même référentiel que Simlocal (récursivité)

Contextev1d1

v1d2

EXP1

Simlocal (v 1d2 , v 2

d2)

Simlocal (v 1d1 , v 2

d1)

0

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

0

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Contextev2d1

v2d2

EXP2

Simglobal (exp 1, exp 2)

(1)

(2)

(2)

(3)

(1)

0

1

0,15 0,15 0,1

0,25 0,25

0,4

0,1

Page 26: Modélisation générique d’un retour d’expérience cognitif

26

Similarité Globale - Généralisation Similarité entre n descripteurs simples

Problème combinatoire 2 SIMbba de 2 et 3 ensembles focaux 6 possibilités à agréger 10 SIMbba de 5 ensembles focaux chacun 510 possibilités (~ 10M)

Algorithme décomposable

Réduit la complexité 10 SIMbba de 5 ensembles focaux chacun

9 agrégations de 2 descripteurs simples –225 à 2000 possibilités Approximation due à la discrétisation

s1 s2 s3 s4

s5

s12 s34

S1234

s12345

n distributions de similarité

n - 1 agrégations de 2 distributions

Mink (s1, s2)

Mink (s12, s34)

Mink (s3, s4)

Mink (s1234, s5)

s5

s5

w1 w2 w3 w4 w5

w5

w5

w1 + w2w3 + w4

w1 + w2 + w3 + w4

w1 + w2 + w3 + w4 + w5

Page 27: Modélisation générique d’un retour d’expérience cognitif

27

Similarité Globale Généralisée

Récursivité – descripteur objet

Contexte d2

d1

d4

do3 d32

do33

d31

EXP1

Contexte d2

d1

d4

do3 d32

do33

d31

EXP2

SimGlobal(EXP1, EXP2) Simlocal (v1d2, v2d2 )

Simlocal (v1d1, v2d1 )

Simlocal (v1d4, v2d4 )

Simglobal (v1do3, v2do

3 Simlocal (v1d32, v2d32 )

Simlocal (v1d33, v2d33 )

Simlocal (v1d31, v2d31 )

Page 28: Modélisation générique d’un retour d’expérience cognitif

28

Évaluation du risque

Page 29: Modélisation générique d’un retour d’expérience cognitif

29

Indicateur du risque

1

2

3

4

5Gravité

Degré d’occurrence

Référentiel du risque

Association du niveau de gravité pour chaque événement Définition de courbes iso-risque ~ changement de repère

R = P x I

Aléa, vulnérabilité

I ~ gravité projection

Courbes iso-risque

I II III

I II III IV

I II III IV V

I II III IV V

I II III IV V RisqueI – faibleII – modéréIII – importantIV – très important

V – inacceptable

Page 30: Modélisation générique d’un retour d’expérience cognitif

30

Similarité globale et indicateur du risque

Similarité locale incertaine

Matrice de similarité - MCT

Similarité globale

Minkowski

Similarité globale

Conjonctive

Indicateur du risque

Page 31: Modélisation générique d’un retour d’expérience cognitif

31

Indication du risque Principe

Dans des conditions significatives similaires, la vraisemblance d’un événement de même type (même gravité) est maximum

Vraisemblance = degré de reproductibilité Calcul de l’indicateur

Comparaison entre le contexte courant et toutes les expériences Exemple : comparaison d’une seule expérience composée de 2 descripteurs simples. La

gravité associée est de 4

R = { 0; 0; 0,25; 0,50; 0,25}

0

1

0,15 0,1

0,4

0,15 0,1

0,25 0,25

Page 32: Modélisation générique d’un retour d’expérience cognitif

32

Implémentation générique

Page 33: Modélisation générique d’un retour d’expérience cognitif

33

Applications de retour d’expérience

client

Exp ???

Base de connaissance

Exp ???

Exp ???

PORTAIL

WEB

événement ……… = ………………… ……… = ………………… ……… = …………………

contexte ……… = ………………… X ……… = ………………… - ……… = ………………… X ……… = ………………… - ……… = ………………… -

leçon ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… ……… = …………………

experts

Exp ???

utilisateursBase

d’expériences

Flux de connaissance (indicateurs, règles…)

Flux d’expérience

Flux d’expertise (informations qui viennent compléter l’expérience a posteriori)

Applications Internet Autonomes Architecture client-serveur Fonctionnement distribué et

collaboratif

Technologies utilisées Smalltalk (squeak)

http://www.squeak.org Entièrement objet Dynamique, réflexif

Seaside (applications Web dynamiques)http://www.seaside.st

Magritte (méta-descriptions) …

serveur

Moteur de recherche

Traitementsspécifiques

Pré-Traitements(Analyse)

Saisie

Page 34: Modélisation générique d’un retour d’expérience cognitif

34

Techniques et outils

Approches de généricité Métamodélisation et Ingénierie dirigée par les modèles

MDA et MOF Essentiellement descriptif

Framework Infrastructure orientée objet générique spécialisable Inversion de contrôle – point d’entrée

Patterns « Bonnes pratiques » Modèle dynamique adaptatif (AOM)

Pattern Type Object et Property List

Métaprogrammation Génération de code Interprétation de métadonnées (métadescription)

Page 35: Modélisation générique d’un retour d’expérience cognitif

35

Opérationnalisation

Prévention des risques d’activités en montagne Validation de la génération d’applications web

Interface graphique Basée sur méta-description

Persistance Sérialisation modèle et expérience

Pas d’implémentation pour SUP des algorithmes proposés

Implémentation du modèle hybride proposé Générateur d’applications de retour d’expérience

Basé sur un modèle adaptatif (AOM) Modèle simple – seulement une dizaine de classes

Algorithmes de recherche implémentés Pas de lien avec les interfaces graphiques

Composants génériques à développer

Page 36: Modélisation générique d’un retour d’expérience cognitif

36

L’application du projet SUP

Saisie de l’événement

Saisie du contexte

Saisie de l’analyse

Page 37: Modélisation générique d’un retour d’expérience cognitif

37

Modèle hybride adaptatif

Page 38: Modélisation générique d’un retour d’expérience cognitif

38

Conclusion et perspectives

Page 39: Modélisation générique d’un retour d’expérience cognitif

39

Conclusions et perspectives

Une approche de retour d’expérience applicable dans un contexte industriel de résolution de problème

Analyse d’accidents proche des processus de résolution de problème des organisations (PDCA, 8D, 6Sigma, …)

Techniques suffisamment génériques pour être utilisées hors du contexte de la prévention des risques en montagne

Possibilité d’intégration des résultats dans la plateforme de retour d’expérience T-Rex

Capitalisation des processus de résolution de problèmes PDCA, 8D. Réutilisation limitée mais capitalisation détaillée de l’analyse et des

actions correctives

Approche de modélisation dynamique intéressante et devant être approfondie Déploiement rapide des systèmes de retour d’expérience Modifications du modèle « en fonctionnement ».

Page 40: Modélisation générique d’un retour d’expérience cognitif

40

Conclusions et perspectives

Validation des algorithmes Comportement satisfaisant Appliquer sur un modèle concret

Une sémantique plus précise Lien entre descripteurs et ontologie de domaine Formalisation plus précise de l’analyse

Augmentation du modèle Réification du « domaine » …

Couplage avec des modèles de connaissance générique CSP (propagation de contraintes) …

Page 41: Modélisation générique d’un retour d’expérience cognitif

41

Merci de votre attention…