Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Modèles de connaissances incertaines Chapitre I : Schémas de représentation de

Modèles de connaissances incertaines Chapitre I : Schémas de représentation de connaissances I. SOUICI @ 2015 / 2016 1 Chapitre I Schémas de représentation de connaissances 1. Introduction La science en général est un ensemble de méthodes systématiques pour acquérir des connaissances. Il existe néanmoins de nombreuses formes de connaissances qui, sans être scientifiques, n'en sont pas moins parfaitement adaptées à leur objet : le savoir-faire (l'artisanat, savoir nager, etc.), le savoir technique, la connaissance des langues, la connaissance des traditions, légendes, coutumes ou idées d'une culture particulière, la connaissance qu'ont les individus de leur propre histoire (connaître son propre nom, ses parents, son passé), ou encore les connaissances communes d'une société donnée ou de l'humanité (savoir à quoi sert un marteau, savoir que l'eau éteint le feu, etc). 2. Types de connaissances et techniques de représentation de connaissances 2.1. Types de connaissances Qu’il s’agisse du domaine purement cognitif, du domaine affectif, social, sensoriel ou moteur, la psychologie cognitive considère qu’il y a fondamentalement trois catégories de connaissances : les connaissances déclaratives, procédurales et conditionnelles. a. Connaissances déclaratives Les connaissances déclaratives correspondent essentiellement à des connaissances théoriques, aux connaissances qui, à une certaine période, furent reconnues comme des savoirs. Il s’agit, selon Gagné (1985), de la connaissance de faits, de règles, de lois, de principes. Par exemple, la connaissance des capitales de tous ou de quelques pays constitue une connaissance déclarative. Il est à noter que les connaissances déclaratives sont fondamentalement des connaissances plutôt statiques que dynamiques et qu’elles doivent, pour permettre l’action, être traduites en procédures et en conditions, en connaissances procédurales ou conditionnelles. b. Connaissances procédurales Les connaissances procédurales correspondent au comment de l’action, aux étapes pour réaliser une action, à la procédure permettant la réalisation d’une action. Fréquemment, dans les écrits pédagogiques, ces connaissances sont décrites comme des savoir-faire. Les connaissances procédurales se différencient des connaissances déclaratives car il s’agit de connaissances de l’action, de connaissances dynamiques. Ces connaissances sont exclusivement des séquences d’actions. c. Connaissances conditionnelles Les connaissances conditionnelles se rapportent aux conditions de l’action. Elles correspondent souvent à des classifications, des catégorisations. Sans elles, les connaissances déclaratives restent des connaissances essentiellement « inertes », et les connaissances procédurales ne peuvent être activées ou le sont à mauvais escient. Elles concernent le quand et le pourquoi. A quel moment et dans quel contexte est-il approprié d’utiliser telle ou telle stratégie, telle ou telle démarche, d’engager telle ou telle action ? Pourquoi est- ce adéquat d’employer cette stratégie, cette démarche, de réaliser cette action ? Modèles de connaissances incertaines Chapitre I : Schémas de représentation de connaissances I. SOUICI @ 2015 / 2016 2 d. Connaissances heuristiques Un très grand nombre de méthodes existent en recherche opérationnelle (RO) et en intelligence artificielle (IA) pour résoudre différentes sortes de problèmes tels que les problèmes d'optimisation combinatoire. Ces méthodes peuvent être classées sommairement en deux grandes catégories : les méthodes exactes (complètes) qui garantissent la complétude de la résolution et les méthodes approchées (incomplètes) qui perdent la complétude pour gagner en efficacité. Le principe essentiel d'une méthode exacte consiste généralement à énumérer, souvent de manière implicite, l'ensemble des solutions de l'espace de recherche. Les méthodes exactes ont permis de trouver des solutions optimales pour des problèmes de taille raisonnable. Malgré les progrès réalisés (notamment en matière de la programmation linéaire en nombres entiers), et comme le temps de calcul nécessaire pour trouver une solution risque d'augmenter exponentiellement avec la taille du problème, les méthodes exactes rencontrent généralement des difficultés face aux applications de taille importante. Les méthodes approchées constituent une alternative très intéressante pour traiter les problèmes d'optimisation de grande taille si l'optimalité n'est pas primordiale. Depuis une dizaine d'années, des progrès importants ont été réalisés avec l’apparition d’une nouvelle génération de méthodes approchées puissantes et générales, souvent appelées métaheuristiques. Une métaheuristique est constituée d’un ensemble de concepts fondamentaux (par exemple, la liste tabou et les mécanismes d’intensification et de diversification pour la métaheuristique tabou), qui permettent d'aider à la conception de méthodes heuristiques pour un problème d'optimisation. Ainsi les métaheuristiques sont adaptables et applicables à une large classe de problèmes. Avec l'émergence de stratégies des solutions plus générales, y compris les métaheuristiques telles que la recherche taboue, algorithmes génétiques, recuit simulé, le principal défi est devenu l'adaptation des métaheuristiques à un problème particulier ou une catégorie de problème. Cela nécessite généralement beaucoup moins de travail que de développer une heuristique spécialisée pour une application spécifique, ce qui rend les métaheuristiques un choix attrayant pour la mise en œuvre dans les logiciels à usage général. En outre, une bonne mise en œuvre de métaheuristique est susceptible de fournir des solutions quasi optimales en temps de calcul raisonnables. Ainsi, une métaheuristique est définie de manière similaire à une heuristique (qui est une méthode conçue pour un problème d'optimisation donné et qui produit une solution non nécessairement optimale lorsqu'on lui fournit une instance de ce problème), mais à un niveau d'abstraction plus élevé. Pour résumer, la définition suivante semble être la plus appropriée : « Une métaheuristique est un processus maître itératif qui guide et modifie les opérations d'heuristiques subordonnées pour produire efficacement des solutions de haute qualité. Il peut manipuler une solution unique complète (ou incomplète) ou un ensemble de solutions à chaque itération. Les heuristiques subordonnées peuvent être des procédures de niveau élevé (ou faible), ou une recherche locale simple, ou tout simplement une méthode de construction. La famille de métaheuristiques comprend, mais n'est pas limitée à, des procédures de mémoire d'adaptation, de recherche tabou, des systèmes de fourmis, de recherche à voisinage variable, des méthodes évolutionnaires, des algorithmes génétiques, des réseaux neuronaux, de recuit simulé, et leurs hybrides ". Modèles de connaissances incertaines Chapitre I : Schémas de représentation de connaissances I. SOUICI @ 2015 / 2016 3 2.2. Techniques de représentation de connaissances La représentation des connaissances est l’un des traitements qui peuvent être appliqués sur les connaissances. Nous pouvons citer, entre autres, l'acquisition des connaissances, la mise en oeuvre des raisonnements sur ces connaissances, le contrôle des raisonnements, l'explication des raisonnements, la révision de connaissances, etc. Le problème de la représentation des connaissances consiste à trouver une correspondance entre un monde extérieur et un système symbolique qui doit être effectuées selon des modèles aussi généraux que possible, aussi indépendants des traitements que possible et suffisamment sémantiques pour que l'acquisition des connaissances soit aisée. En ce qui suit, nous présenterons deux modes de représentation à savoir la représentation graphique et la représentation structurée. a. Représentation graphique Ce sont des modèles généralement probabilistes pour la représentation des connaissances, fondés sur une description graphique des variables aléatoires. Idée : prendre en compte les dépendances et indépendances conditionnelles entre les variables Deux grandes classes s’inscrivent sous cette catégorie : Les Réseaux Bayésiens : C’est une représentation asymétrique des dépendances qui modélise bien les relations causales (diagnostic), Les Champs de Markov : C’est une représentation symétrique des dépendances souvent utilisées pour modéliser les dépendances spatiales (analyse d’image). Ces modèles permettent de capturer des connaissances incertaines sur un système au travers d'une représentation compacte d'une distribution de probabilités. Ils sont largement utilisés pour la représentation et le raisonnement dans l'incertain en analyse d'image ou en bioinformatique par exemple. Il est essentiel dans ces modèles de pouvoir exploiter la connaissance capturée dans le modèle graphique en répondant à des requêtes générales (quelle est la probabilité qu'un événement se réalise, quel est le modèle qui représente le mieux mes observations...). Tous ces problèmes d'inférence se ramènent à un même type de problème, souvent trop lourd pour être résolu de façon exacte. b. Représentation structurée Etant données que les connaissances que les ordinateurs manipulent habituellement sont d'ordre numérique, alors, les connaissances symboliques (i.e. qui utilisent des symboles) sont stockées dans des fichiers texte. Par exemple, la phrase " Mohamed est allé à Alger " peut être représentée comme une simple chaîne de caractères ou d'une manière plus structurée. Chaîne de caractères : Le résultat de cette représentation sera stocké dans des fichiers de texte. Un problème se présente lorsqu'on cherche des informations pour répondre à une question, comme par exemple : "Qui est allé à Alger ?". Il est difficile de répondre à cette question parce que la représentation retenue n'intègre pas des informations sur l'action "aller" ni aucune compréhension de la chaîne de caractères. Représentation plus structurée : Cette représentation inclue des éléments de signification de la phrase. Modèles de connaissances incertaines Chapitre I : Schémas de représentation de connaissances I. SOUICI @ 2015 / 2016 4 Exemple : ACTION : aller AGENT : Mohamed SOURCE : ? DESTINATION : Alger TEMPS : passé MOYEN : ? On remarque que cette représentation est beaucoup plus "appropriée" que la précédente pour répondre à des questions sur les faits enregistrés. De même qu'il n'y a pas de langage universel de programmation, il n'existe pas de formalisme "idéal" pour représenter les connaissances. On dénombre ainsi dans la littérature plusieurs formalismes de représentation des connaissances : les frames : mis en évidence par uploads/Philosophie/ chap-1-schemas-de-representation-de-connaissances 1 .pdf