Un Modèle de Mémoire de Cas Pour une Réutilisation Optimale

Théorie de la mémoire

La résolution de problème dans un style CBR fait écho à la position radicale de Minsky selon laquelle l’approche logique ne peut fonctionner en I.A. En résumant son point de vue, Minsky déclare que le raisonnement logique (déductif) n’est pas assez flexible pour servir de base à la pensée, que la rigueur imposée par la logique formelle n’est pas souhaitable, et qu’en conséquence, les systèmes conçus sont beaucoup trop rigides. Il leur préfère la notion de «frames» qui sont des entités regroupant de façon structurée l’ensemble des informations relatives à un objet ou une situation stéréo typiques. Les « frames » sont reliés entre eux en réseaux sémantiques et c’est ce réseau qui sera exploité/parcouru pour trouver le « frame » le plus adapté à une situation observée. Quand un « frame » est proposé, un processus de mise en correspondance (pattern matching) remplit les informations manquantes. Des facettes particulières (exceptions, valeurs par défaut) complètent le dispositif.
Dans la même mouvance on peut citer les « scripts », introduit par Schank et Abelson, dont les travaux portaient sur la compréhension de texte énoncé en langage naturel. L’hypothèse fondamentale est que la compréhension d’histoire s’appuie sur des schémas mentaux qui comblent les vides ‘présents’ naturellement dans les textes. Un « script » décrit un épisode selon un comportement conventionnel découpé en événement qui se succèdent selon un ordonnancement décrit par l’ordre d’apparition attendu de ces événements. Il contient un certain nombre de facettes (but poursuivi, plan relation sociale, rôle tenu… et de manière générale tout ce qui peut jouer sur le comportement dans la mise en œuvre du schéma). Tout comme les « frames », ces « scripts » sont unifiés à la situation courante.

Le raisonnement par cas est une forme de raisonnement par analogie

Le raisonnement à base de cas est une approche de la résolution de problème basée sur la recherche et l’adaptation de cas, ou les descriptions épisodiques des problèmes et des solutions qui leurs sont associées.
Le raisonnement à base de cas propose une méthodologie pour le traitement de connaissances empiriques . Par définition, «un cas» est un ensemble de données empiriques. Un système CBR utilise un ou plusieurs cas déjà rencontrés pour le traitement d’un nouveau cas qui se présente. Le traitement du nouveau cas peut aussi bien faire partie d’une tâche d’analyse, telle que diagnostic ou planification, ou d’une tâche de synthèse telle que apprentissage de concepts.
Un système CBR utilise une base de connaissances contenant un ensemble de cas précédemment rencontrés, cette base est enrichie chaque fois qu’un nouveau cas est traité. La base de cas (base de connaissances de cas) est similaire à une mémoire qui est organisée de sorte à rendre possible la comparaison entre le nouveau cas et les cas mémorisés.
Le CBR peut aussi signifier [Kol 1991]: adapter d’anciennes solutions pour satisfaire de nouvelles demandes, utiliser d’anciens cas pour expliquer de nouvelles situations, utiliser d’anciens cas pour critiquer de nouvelles solutions, raisonner sur d’anciens cas pour interpréter de nouvelles situations ou créer une solution équitable pour un nouveau problème.

Modélisation des tâches

En théorie, le cycle de base du CBR est à trois phases : «retrieve, reuse and store». Le système cherche un cas similaire au cas qui se présente, réutilise la solution retrouvée, puis stocke le cas courant pour une utilisation future.
Ce cycle peut être étendu à cinq étapes :
Présentation ou spécification (presentation) : une description du problème est fournie comme entrée du système. Cette description doit se prête aisément à la comparaison entre le cas en entrée et les cas stockée en mémoire (uniformité de la représentation). Un des points clé du CBR est la recherche de cas pertinents, d’où l’importance du procédé qui va étiqueter ou indexer les cas de façon à ce qu’ils puissent être rappelés au moment opportun. Cette indexation s’appuie principalement sur l’extraction des descripteurs les plus caractéristiques du cas.
Recherche ou extraction (retrieval) : le système cherche les cas qui s’unifient le mieux à cette description (closest matching cases). Ces cas sont stockés dans une base de cas. Si la mémoire de cas est organisée selon une structure particulière, un algorithme de recherche dans la mémoire des cas décrit un parcours dans cette structure. Une phase de filtrage ou sélection est souvent effectuée lorsque l’on dispose d’indices parfaitement discriminants permettant d’éliminer un sous-ensemble des cas de la mémoire. Une mesure de similarité peut ensuite être utile pour mesurer précisément la ressemblance entre le cas courant et les cas sélectionnés et donner lieu à un classement de ces cas .
Adaptation : le système utilise le problème courant et le cas qui s’y unifie pour générer une solution à ce problème. L’adaptation constitue le deuxième point difficile (après l’indexation) lors de la conception d’un système CBR. Il faut en effet décider quel type de connaissances il est intéressant de transférer du meilleur cas remémoré. On peut effectuer une analogie transformationnelle, consistant à transformer la solution du cas remémoré pour l’adapter au cas courant ou procéder par dérivation en adaptant la méthode de génération de la solution.
Par ailleurs, la possibilité d’adapter plusieurs cas pour résoudre un problème, de façon simultanée ou en opérant plusieurs remémorations et adaptations simples aux différentes étapes de la résolution, a été jugée plus créative .
Validation : cette phase sous-entend la possibilité d’une évaluation de la solution proposée en la testant dans un environnement réel ou simulé. Le retour d’information, suite au test, peut alors guider, en cas d’échec de la solution proposée, un processus de réparation.
Mise à jour : dans le cas échéant, la solution validée est rajoutée à la base de cas pour une utilisation future. La configuration habituelle des systèmes CBR consiste à ranger systématiquement les cas en mémoire. Une mémorisation plus sélective est toutefois possible et utiliserait des critères spécifiques pour juger si le nouveau cas est utile à apprendre vis-à-vis de la mémoire de cas courante. Un cas est utile à apprendre si à partir de son contenu et en utilisant les possibilités d’adaptation, on peut atteindre un point de l’espace des solutions qui était inaccessible avant l’arrivée de ce nouveau cas.

Méthodes de construction des systèmes CBR

Des méthodologies guidant le développement des systèmes CBR sont apparues. Elles partagent les trois phases suivantes :
Conception de la base de cas : On développe une représentation générale des cas, en utilisant les sources matérielles d’information (documents, enregistrement de bases de données, notes de l’expert…). Ceci étant accompli en coordonnant les efforts entre utilisateur, gestionnaire et concepteur du système.
La conception de la base de cas peut mener à la constitution d’un lexique de termes utilisé pour décrire les caractéristiques du problème, la sélection des caractéristiques appropriées pour l’indexation des cas, la spécification de schémas de bases de données utilisées pour le stockage des cas (ainsi que la définition de standards d’écriture de la base de cas).
Développement initiale de la base de cas : Une base initiale est développée pour fournir les grandes lignes de l’application. Elle sera par la suite, revue en extension par le concepteur et l’utilisateur et itérativement raffinée jusqu’à ce qu’elle couvre une large portion du domaine d’application.
Développement continu et maintenance : La base initiale est utilisée et raffinée à travers les étapes de validation et stockage. Une partie de l’organisation gère la base de cas ainsi que la représentation de cas de la même façon qu’une base de données traditionnelle. Des techniques de contrôle de qualité statistiques peuvent être utilisés pour connaître la précision et l’utilité des cas. Un environnement typique de développement de CBR fournit: des schémas par défauts de représentation de cas, un flot prédéfini de résolution de problèmes support de décisions. Des formats sont utilisés pour l’édition de cas, de caractéristiques et de solutions. Des utilitaires sont fournis pour l’indexation manuelle et automatique, l’importation automatique de cas à partir des enregistrements d’une table de BD relationnelle ainsi que le groupage conceptuel (conceptuel clustering ) de cas pour l’analyse et la recherche efficace.

Table des matières

INTRODUCTION
1 Genèse et évolution de la problématique
2 Organisation de la thèse
Chapitre 1: Le raisonnement à base de cas Généralités
1 Historique et Origines
2 Modélisation des Connaissances
2.1 Le Cas
2.2 La Base de Cas
3 Modélisation des Tâches
3.1 Elaboration du Problème
3.2 Remémoration
3.3 Réutilisation
3.4 Révision
3.5 Mémorisation
4 Styles du CBR
5 Méthodes de construction des systèmes CBR
6 Situation du CBR
6.1 CBR et Analogie
6.2 CBR et Apprentissage Automatique
6.3 CBR et Réutilisation
Chapitre 2: La mémoire de cas Modèles et algorithmes de recherche
1 Introduction
2 Théorie de la Mémoire
3 Organisation de la Mémoire
4 La Recherche Guidée par la Similarité
4.1 Recherche Séquentielle
4.2 Les Kd-Tree
4.3 Fish and Shrink
4.4 Les CRNs
5 Conclusion
Chapitre 3: Un modèle de mémoire supportant la recherche guidée par l’adaptabilité
1 Introduction
2 L’Hypothèse de Similarité
3 Recherche Guidée par l’Adaptabilité : le système « déjà-vu »
4 La Réutilisation mise en équation
5 Le modèle de mémoire
6 Complexité du modèle
7 Conclusion
Chapitre 4: Approches d’extraction de connaisances d’adaptabilité
1 Introduction
2 Travaux dans le Domaine
3 Approche Heuristique
4 Approche Analyse de données
5 Approche base de données
6 Conclusion
Chapitre 5: Evaluation et résultats
1 Plan d’Evaluation
2 Application I………. « PC_Config »
2.1 Méthode et Matière.
2.2. Résultats et Interprétation
3 Application II………. « GUIDIETE»
3.1 Méthode et Matière
3.2. Résultats et Interprétation.
4 Application III………. « AdaX»
4.1 Méthode et Matière
4.2. Résultats et Interprétation
5 Conclusion
Chapitre 6: Autres travaux de modélisation
1 Introduction
2 Agentification du CBR
3 Modélisation Génétique de la mémoire de cas
4 Conclusion
Conclusion et perspectives
Conclusion générale et perspectives
Annexes
Annexe 1
Annexe 2
Annexe 3
Références