Chapitre 4 Ingénierie de Connaissance PDF

Ingénierie de connaissance Knowledge Engineering Chapitre 04:Paradigme de résolution des problèmes Présenter Par: Dr. BOUSMAHA.R  Introduction  En 1956 (un sommet IA), John McCarthy défendait une vision purement logique de la représen...

Ingénierie de connaissance Knowledge Engineering Chapitre 04:Paradigme de résolution des problèmes Présenter Par: Dr. BOUSMAHA.R  Introduction  En 1956 (un sommet IA), John McCarthy défendait une vision purement logique de la représentation des connaissances.  Marvin Minsky, privilégiait l'usage de représentations en objets structures ('frames').  Système Expert : rappel  Un système expert est un programme conçu pour simuler le comportement d'un humain qui est un spécialiste ou un expert dans un domaine très restreint.  Un système expert organise de la connaissance sous forme de règles et de faits et dispose d'un mécanisme d'inférence lui permettant d'utiliser ces connaissances pour résoudre un Problème.  Les règles sont sous la forme "SI prémisses, Alors conclusions". Système Expert : rappel  Système Expert : rappel  Les systèmes experts utilisent un modèle de raisonnement déductif demandant une connaissance forte et explicite du domaine concerne.  Il avait un grand succès certes mais il y avait aussi certaines critiques notamment: 1. La construction de la base de connaissance est difficile et très couteuse en temps, surtout pour extraire la connaissance a partir des experts des domaines. 2. Les systèmes experts qui reposent sur une base de règles sont très utiles si la connaissance qu'ils intègrent et bien formalisée, restreinte, avérée et stable. Incapable de prendre en charge de problèmes qui ne sont pas couverts par la base de règles utilisée. 3.Si pas d'outil d'apprentissage, tout changement de bases (fait ou règle) nécessite l'intervention d'un programmeur.  Travaux de Roger Schank  L'homme ne raisonne pas toujours a partir des règles, donc, R. Schank propose une vision différente du raisonnement basée sur un modèle inspire du raisonnement de l'être humain et l'organisation de sa mémoire.  Pour lui, les connaissances des êtres humains sont sous forme de paquets de mémoire contenant des épisodes de notre vie suffisamment significatifs pour être mémorisées MOP (Memory Organisation Packets).  Travaux de Roger Schank  Si un MOP contient une situation dans laquelle un certain problèmes a été résolu avec succès et la personne se trouve dans une situation similaire, les expériences précédentes sont rassemblées et la personne en question peut tenter de suivre les mêmes étapes pour atteindre une solution.  Donc, plutôt que de suivre un ensemble général de règles, la ré-application d'un schéma de solution antérieure satisfaisante, lors d'une situation nouvelle mais similaire, peut résoudre le nouveau problème rencontré.  Et donc, R.Schank a propose le modèle base sur la mémorisation des situations (cas).  MOPs : Memory Organisation Packets MOPs : Memory Organisation Packets. Ils permettent de regrouper des schémas en paquet pour naviguer plus simplement entre les schémas.  MOPs : Memory Organisation Packets Les paquets sont « ouverts » au fur et à mesure, lorsqu’on en a besoin. Ex : Trajet Lyon → BNF. Décomposition en paquet : - Premier paquet : Lyon → Paris (train, vélo, covoit’, etc…) - Second paquet : Paris → BNF (métro, vélo, voiture, etc..)  Travaux de Roger Schank  Les anciennes expériences et cas rencontres permettent de remplir la base de connaissances.  lors de la rencontre d'un nouveau problème, le système peut raisonner en utilisant des similarités générales an d'obtenir la solution.  a chaque fois qu'un nouveau cas se présente, La mémoire des expériences utilisée par le système subit des changements( des ajouts) Raisonnement a base des cas  RaPC: case-based raisoning  Un nouveau paradigme de résolution de problèmes qui est différent des autres approches majeures de l'IA.  Le RaPC utilise les connaissances des problèmes (cas) précédemment rencontres au lieu de se focaliser seulement sur une base de règles et de faits déjà prouves.  Donc, un nouveau problème est résolu en trouvant un cas antérieur similaire et le réutiliser dans la nouvelle situation problématique.  Le RaPC est également une approche d'apprentissage, puisqu'une nouvelle expérience peut être retenue chaque fois qu'un nouveau problème est résolu.  RaPC: case-based raisoning  En RaPC, la collecte de connaissance est une tache de mémorisation de cas antérieurs puisqu'il n'exige pas un modèle explicite.  L'implémentation est réduite a l'identification de propriétés significatives qui permettent d‘écrire un cas : c'est une tache plus facile que celle qui consiste a créer un modèle explicite.  Un système base sur le RaPC peut apprendre par l'acquisition de nouveaux cas. Ceci ajoute aux techniques de bases de données rend la maintenance de larges volumes d'information plus facile.  RaPC: exemple Apres avoir consulter une voiture dans son garage, le mécanicien se rappelle de la voiture qu'il a réparé il y a deux quelque temps. Ce rappel est cause par une similarité de situation. Le mécanicien diagnostique la situation actuelle en se basant sur la situation antérieure, et en prenant en considération les différences entre les deux cas. Ce nouveau diagnostic peut, a son tour, être utilise dans le futur pour une nouvelle voiture.  RaPC: principe  Régularité : les mêmes actions exécutées dans les mêmes conditions ont tendance a produire les mêmes résultats ou des résultats similaires.  Typicité : les expériences ont tendance a se répéter.  Consistance : des changements légers dans une situation engendrent uniquement des changements légers dans l'interprétation et la solution.  Adaptabilité : quand les événements se répètent, les déférences ont tendance a être légères et il est facile de compenser ces légers changements. RaPC: principe  RaPC: principe  On élabore notre 'cas' comme problème d'entreé.  On re-mémorise les situations 'cas'' similaires de telle sorte d'avoir en tète (le problème source et la solution du problème source).  On adapte notre 'cas cible' au 'cas source' pour en déduire une 'solution du cas cible'.  La 'solution du cas cible' est validée et corrigée si nécessaire.  La 'solution du cas cible' est alors insérée a nouveau dans la base de connaissance et le problème est résolu avec une approche RaPC. Conception d’un système a base des cas  Représentation des cas 1. Représentation des cas:  Un cas est une connaissance qui représente une expérience, une leçon passe et un contexte d'utilisation (le problème, sa solution et l‘état âpres solution).  Le cas et la solution sont utilises pour résoudre des nouvelles situations (cas).  Il faut donc faire une organisation des cas dans la base des cas.  Représentation des cas - Les types de représentation:  Représentation vecteur: la plus simple, un cas est représenté avec un couple (description du cas (attributs et valeurs), solution).  Représentation frame: Chaque frame a un nom et un ensemble d'attributs (simple ou complexe).  Représentation prédicat: Elle consiste en une partie conditions et une partie conclusions.  Et bien d'autres.  Indexation des cas 2. Indexation: l'indexation des cas comprend l'assignation d'index aux cas pour faciliter leur recherche.  Prédictifs en ce qui concerne la pertinence du cas.  Reconnaissables dans le sens ou il doit être clair pourquoi ils sont utilises.  Abstraits pour permettre l‘élargissement de l'utilisation future de la base de cas.  Concrets pour permettre une remémoration de cas a la fois précise et efficace.  Mémorisation des cas 3. Récupération: elle se termine lorsque la meilleure correspondance avec un cas antérieur est trouvée.  Identification des caractéristiques.  Correspondance initiale.  Sélection: a partir de l'ensemble des cas similaires, une meilleure correspondance est choisie.  Calcul de similarité: il existe plusieurs propositions pour le Calcul de similarité entre deux cas (un nouveau cas et un cas mémorisé).  Réutilisation des cas 4. La réutilisation de la solution de cas extraite dans le contexte du nouveau cas se concentre sur deux aspects.  Les différences entre le passe et le cas actuel.  Quelle partie d'un cas retrouve peut être transférée au nouveau Cas (un nouveau cas et un cas mémorisé).  Réutilisation des cas 6. Révision des cas: Lorsqu'une solution de cas générée par la phase de réutilisation ne correspond pas a la solution attendue, on peut parler d'un échec sinon, succès. 7. Retenir un cas, Apprentissage: C'est le processus d'incorporation de ce qui est utile de retenir de la nouvelle résolution de problème dans les connaissances existantes. L'apprentissage tiré du succès ou de l‘échec de la solution proposée est déclenchée par le résultat de l‘évaluation et la réparation éventuelle  Calcul de similarité  évaluation des similarités entre les cas existants et le nouveau cas introduit en se basant sur la somme pondérée des similarités entre les caractéristiques (attributs) du cas.  Mesure de similarité en utilisant la distance Euclidienne, Minkovski, Manhattan...  Projets base sur RaPC  CHEF: Programme qui réalise des recette de cuisine en lui introduisant les aliments  PERSUADER: c'est un outil de gestion de conflits base sur le principe négociation/médiation.  ReMind  et autres  Avantages  Réduit l'effort d'acquisition de connaissances  Peut proposer des solutions a partir d'un énoncé de problème incomplet  S'améliore au fils du temps a mesure que la base de cas augmente  Limites  Les cas les plus appropriés peuvent ne pas être récupères  Encore besoin de connaissances sur la similarité, l'adaptation et la vérification  En l'absence d'une bonne théorie, l'indexation, la récupération et l'apprentissage peuvent être erronés  Domaines d’application  Recommandations  Planification (de trajet)  Médecine  Formation (recommandation de ressources pédagogiques)  Automobile  Cuisine Raisonnement Inductif  Raisonnement Inductif Raisonnement inductif est un processus de pensée logique dans lequel des observations spécifiques que l’on croit vraies sont combinées pour tirer une conclusion afin de créer des généralisations et des théories plus larges.  Approche du Raisonnement Inductif dans la Recherche  Le raisonnement inductif est un processus de pensée logique qui intègre des observations avec des informations expérientielles pour tirer une conclusion. Vous utilisez le raisonnement inductif chaque fois que vous examinez un ensemble de données et que vous tirez ensuite des conclusions générales sur les connaissances à partir d’expériences passées.  La recherche inductive est généralement utilisée lorsqu’il y a un manque de littérature existante sur un sujet. C’est parce qu’il n’y a pas de théorie existante qui puisse être testée sur le concept. L’approche de formation inductive peut être classée selon les trois étapes suivantes :  Observation  Observation d’un Modèle  Développement d’une Théorie  Raisonnement Inductif Exemple:  Raisonnement Inductif Avantages  Plage de Probabilités : L’un des avantages les plus importants du raisonnement inductif est qu’il vous permet de travailler avec une gamme de probabilités, élargissant ainsi votre perception et votre base de connaissances malgré le manque de littérature disponible.  Encourage l'exploration : La formation inductive commence par une observation, puis passe à l’exploration pour tester le jugement porté.  Raisonnement Inductif Limites  Portée limitée : Un inconvénient du raisonnement inductif est que les inférences sont émises à partir de situations spécifiques qui peuvent ne pas avoir de signification dans le monde réel. Raisonnement causal  Raisonnement causal Le raisonnement causal est basé sur l'idée que pour chaque action il y a une réaction. En termes très simples, une cause est tout ce qui est directement responsable de la production d'autre chose, généralement appelé effet. Il existe deux formes de raisonnement causal : Le but du raisonnement causal est de comprendre comment ou pourquoi quelque chose s'est produit. Par exemple, vous avez réussi un test parce que vous avez étudié deux jours à l'avance. Je pourrais alors prédire que si vous étudiez deux jours avant le prochain test, vous vous en sortirez bien. Dans le raisonnement causal, le penseur critique essaie d'établir une fonction prédictive entre deux variables directement liées.  Raisonnement causal Si nous pouvons comprendre comment et pourquoi les choses se produisent, nous pouvons alors essayer de prédire ce qui se passera dans le futur. Cause à effet : une ou plusieurs causes connues sont susceptibles de produire un ou plusieurs effets inconnus Effet à cause, certains effets connus ont été produits par une ou plusieurs causes inconnues.  Raisonnement causal Le raisonnement causal est une approche qui identifie les relations de cause à effet et repose sur un processus d'élimination pour parvenir à des conclusions. Les professionnels de la santé, comme exemple, l'utilisent pour diagnostiquer et traiter des symptômes en isolant la cause sous-jacente. Il existe cinq méthodes pour utiliser le raisonnement causal pour déterminer ce qui provoque un certain effet, tel qu'il a été établi par le philosophe John Stuart Mill.  Raisonnement causal La Méthode de l'Accord :  Pour cela, le chercheur doit essayer de trouver les conditions dans lesquelles un certain effet se produit et d'essayer d'isoler les causes qui sous-tendent et se produisent dans tous les cas. Cette méthode montre qu'une ou plusieurs causes doivent être présentes pour que l'effet se produise.  Raisonnement causal La Méthode de la Différence  Implique l'observation des cas où l'effet est présent et des cas où il est absent. En comparant les deux situations, on cherche à identifier les différences pertinentes qui pourraient expliquer la présence ou l'absence de l'effet.  Cette méthode détermine quelles causes potentielles existaient lorsqu'un effet s'est produit et n'étaient pas présentes lorsque l'effet ne s'est pas produit.  Raisonnement causal La Méthode de la Différence Par exemple, le raisonnement causal est utilisé pour suggérer que l'humanité contribue au réchauffement climatique. L'atmosphère terrestre, bien qu'elle ait traversé des périodes historiques de réchauffement, ne s'est jamais réchauffée rapidement. Nous supposons donc que l'humanité qui ajoute des gaz à effet de serre est à l'origine de ce rythme de changement accéléré. Cette cause n'était pas présente pendant les périodes chaudes historiques de l'histoire de la Terre, mais est présente au cours de cette période unique de réchauffement rapide. Nous pouvons supposer qu'il s'agit d'une base solide pour une hypothèse testable.  Raisonnement causal La Méthode Accord et Différence :  Dans de nombreuses circonstances, l'accord et la différence seront présents et renforceront le processus de raisonnement causal. Par exemple, des niveaux accrus de CO2 semblent avoir provoqué le réchauffement de l'atmosphère tout au long de l'histoire de notre planète (exemple d'accord). Ce processus se produit maintenant de manière plus rapide, avec la société moderne émettant des gaz à effet de serre dans l'atmosphère. Cette cause n'était pas présente dans l'Antiquité, une différence notable. Par conséquent, cette méthode suggérerait que l'humanité contribue au réchauffement rapide de l'atmosphère.  Raisonnement causal La Méthode de Variation Concomitante  Il s'agit d'une relation causale encore plus puissante où une cause d'intensité croissante conduit à une augmentation de l'ampleur de l'effet. Par exemple, si l'on examine la composition historique de l'atmosphère à travers les carottes de glace et que l'on constate que des niveaux élevés de dioxyde de carbone coïncident avec des températures mondiales élevées, cela renforce le lien de causalité.  Raisonnement causal La Méthode des Résidus  Il s'agit d'un processus de renforcement et de fusion des causes probables. Par exemple, présumer que le lien entre les émissions de dioxyde de carbone est établi. Nous constatons que les températures sont de plus en plus rapides qu'elles ne le devraient, en même temps que les niveaux de méthane dans l'atmosphère augmentent. En utilisant les mêmes méthodes, nous pouvons déduire que le méthane peut également contribuer au réchauffement de la planète.  Raisonnement causal Limites Le raisonnement de causalité ne constitue pas une preuve définitive, car d'autres facteurs inconnus peuvent être présents. Par exemple, les interactions complexes entre la dynamique atmosphérique et les températures océaniques ne peuvent pas être expliquées par un seul facteur. Les méthodes de Mill, bien qu'utiles comme processus d'élimination, ne fournissent pas une preuve scientifique définitive. Le raisonnement causal peut être un outil pour découvrir des pistes de recherche prometteuses, mais la confirmation scientifique reste essentielle pour étayer les résultats. Raisonnement déductif  Raisonnement déductif C’est un processus de réflexion logique qui utilise l’approche descendante pour aller du plus général au plus spécifique. Cela implique l’utilisation d’hypothèses générales et de prémisses logiques pour arriver à une conclusion logique.  Approche du Raisonnement Inductif dans la Recherche  Lorsque vous utilisez le raisonnement déductif dans la recherche, vous commencez par une théorie. Celle-ci est ensuite réduite à des hypothèses plus spécifiques qui peuvent être testées. Ces hypothèses sont ensuite réduites en observations qui nous permettent de les tester pour confirmer si les données les appuient ou les rejettent. L’approche de formation déductive peut donc être classée selon les quatre étapes suivantes : 1. Commencer par une Théorie Existante 2. Formuler une Hypothèse basée sur la Théorie Existante 3. Recueillir des Données pour Tester l’Hypothèse 4. Analyser les résultats pour voir si les Données Soutiennent ou Rejettent l’Hypothèse  Raisonnement déductif Exemple:  Raisonnement déductif Avantages  Aide à Prouver les Décisions : Le raisonnement déductif peut être utilisé pour justifier efficacement des décisions telles que celles liées au travail. De plus, si la décision ne produit pas les résultats souhaités, vous pouvez toujours expliquer pourquoi vous avez pris la décision en fournissant des explications logiques et objectives.  Fiable lorsque la Prémisse Originale est Vraie : Un autre avantage du raisonnement déductif est que votre conclusion est presque garantie d’être vraie si toutes les prémisses originales sont vraies dans toutes les situations et si le raisonnement appliqué est correct.  Raisonnement déductif Limites  Repose sur les fait que les prémisses initiales sont correctes : Le raisonnement déductif repose fortement sur l’exactitude des prémisses initiales. L’argument final est invalide si une seule prémisse est jugée incorrecte.  Raisonnement inductif vs déductif Inductif exemple: Tous les hommes sont mortels. Socrate est mortel. Donc il y a des chances que Socrate soit un homme. Déductif exemple: Tous les hommes sont mortels. Socrate est un homme. Donc Socrate est mortel. Raisonnement par contraintes  Raisonnement par contraintes Le raisonnement par contraintes (RPC) est une approche dans la résolution de problèmes qui se concentre sur la gestion des relations entre différentes variables soumises à des contraintes.  Raisonnement par contraintes Concept Fondamental : Le raisonnement par contraintes se base sur la représentation des problèmes en termes de variables, de domaines, et de contraintes. Variables : Les éléments à résoudre sont modélisés sous forme de variables, chacune pouvant prendre des valeurs dans un ensemble spécifique. Domaines : Chaque variable possède un domaine défini, représentant les valeurs qu'elle peut prendre. Ces domaines peuvent refléter des restrictions naturelles ou des spécifications du problème. Contraintes : Les relations entre les variables sont formalisées à travers des contraintes, qui indiquent quelles combinaisons de valeurs sont autorisées et lesquelles sont interdites.  Raisonnement par contraintes Objectif : L'objectif principal du raisonnement par contraintes est de trouver une assignation de valeurs aux variables qui satisfait toutes les contraintes, tout en respectant les domaines établis. Résolution : La résolution implique l'utilisation d'algorithmes spécialisés pour trouver une solution qui répond à toutes les contraintes du problème.  Raisonnement par contraintes Exemple Imaginons la planification d'un emploi du temps universitaire. Les variables pourraient représenter les cours, les enseignants, et les salles de classe, avec des domaines spécifiques pour les plages horaires, les préférences des enseignants, et la capacité des salles. Les contraintes pourraient inclure des règles comme "un enseignant ne peut pas enseigner deux cours en même temps" ou "chaque cours doit avoir une salle de taille suffisante".  Références Kedia, A. and Rasu, M. (2020) Hands-on Python Natural Language Processing: Explore tools and techniques to analyze and process text with a view to building real-world NLP applications. Birmingham ; Mumbai: Packt. Lane, H. et al. (2019) Natural language processing in action understanding, analyzing, and generating text with python. Shelter Island, NY: Manning Publications Company. Rao, D. and McMahan, B. (2019) Natural language processing with pytorch: Build intelligent language applications using Deep Learning. Sebastopol, CA: O'Reilly Media. Loïck BOURDOIS. (2020, January 15). Le pretraitement et les tokenizers en NLP. Loïck BOURDOIS. Retrieved January 28, 2023, from https://lbourdois.github.io/blog/nlp/Les-tokenizers/ Sophia de Séguin. (2018, 4 décembre). Introduction au NLP - Partie 3/6 - Traitement phonologique & ; morpho-syntaxique. The Clevy Blog : Employee Experience made easy. https://blog.clevy.io/fr/introduction- au-nlp-3eme-partie/ Qu'est-ce que la reconnaissance d'entité nommée (NER) : définition, exemples, types et applications. (s. d.). Shaip. https://fr.shaip.com/blog/named-entity-recognition-and-its-types/  Références Nettoyage du texte en NLP : moins de vocabulaire, moins de bruit - OCTO Talks ! (s. d.). OCTO Talks ! https://blog.octo.com/nettoyage-du-texte-en-nlp-moins-de-vocabulaire-moins-de-bruit/ Guillou, P. (2019, 2 décembre). NLP & ; fastai | SentencePiece. Medium. https://medium.com/@pierre_guillou/nlp-fastai-sentencepiece-d6922b5480d6