Modélisation générique d’un retour d’expérience cognitif

1. Tarbes, vendredi 14 novembre 2008 Modélisation générique d’un retour d’expérience cognitif Application à la prévention des risques Directeur de thèse: Laurent GENESTE Co-encadrant: Xavier DESFORGES

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

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 Accident Analyses expertes Recherche des causes Explications de l’accident Restitution pour les utilisateurs Cartographie des dangers, Indicateur du risque encouru, Conseils de prévention…

4. Objectifs du travail de recherche Base expérience Base expérience • 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 Capitalisation Exploitation

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

6. I - Retour d’expérience Définition Caractérisation Applications de retour d’expérience

7. Un système basé sur la connaissance (SBC) Difficulté d’inférence Difficulté d’expression dynamique statique exp1 exp2 exp4 exp3 • « 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 Connaissance

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 une représentation structurée de l’expérience (Inspirée des SRC) des traitements adaptés (Inspirés du RàPC)

9. II - Modélisation de l’expérience Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride (incertain et composite)

10. Modélisation structurée de l’expérience d1 do1 d2 d31 do3 d32 d331 d4 do33 d332 • Les formalismes de représentation des connaissances • Choix de représentation structurelle • Modèle Attribut-Valeur étendu • Simple (composite) • Extensible • Favorisant l’opérationnalisation • Homogénéité • Pas de « passerelle » Représentation DL Graphes conceptuels Logique(s) RS RCO Frames Orienté Objet Opérationnalisation

11. Capitalisation • Macro-structure de l’expérience • Contexte – Analyse • Des représentations imparfaites • Contexte • Description du « monde » • Incomplet, imprécis… • Analyse • Avis subjectif d’expert

12. Modélisation de l’incertain 1 1 A2 A3 A1 0 0 A2   A1 A3 Possibilités Croyance Probabilités 1  A3 A2 A1 0  • 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)

13. Modèle des Croyances Transférables Niveau crédal Partie statique Représentation des informations Partie dynamique Révision des informations, raisonnement Niveau décisionnel Transformation pignistique Conversion 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

14. Notions élémentaires du MCT B B A B 1 A2 A3 A1 0  A B B • 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

15. Modélisation du contexte 1 1 1 A2 A3 A1 0 0 0 A2    A1 A3 A1 Valeur incertaine Valeur aléatoire Valeur certaine vd332 • 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 d1 Contexte d2 d31 do3 d32 d331 d4 do33 d332

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

17. III - Exploitation de l’expérience Algorithmes de recherche Extraction d’un indicateur du risque

18. Exploitation

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

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) EXP1 d1 Contexte d2 d31 do3 d32 d331 d4 do33 d332 EXP2 d1 Contexte d2 d31 do3 d32 d331 d4 do33 d332 simLocal = [0,2 ; 0,8] simLocal = {0,2 ; 0,3, 0,6, 0,8}

21. Proposition de mesure de similarité Valeur certaine Valeur incertaine v 1d31 = {c, d, e} v 1d31 = c v 2d31 = {a, b} v 2d31 = b • Similarité locale • Base des algorithmes d’exploitation • Entre deux descripteurs simples • Similarité « précise » connue • Extension à une valuation incertaine Similarité globale Minkowski, conjonctive, … Similarité locale Matrice de similarité - MCT EXP1 d1 Contexte d2 d31 do3 d32 d4 d33 d31 = {a, b, c, d, e, f) EXP2 d1 Contexte d2 d31 do3 d32 Simlocal (v 1d31 , v 2d31) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7} Simlocal (v 1d31 , v 2d31) = 0.7 d4 d33

22. Similarité locale incertaine (représentation) • 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 1d31 = {c, d, e} • BBA2: m ({a, b}) = 1 v 2d31 = {a, b} • 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) } Valeur incertaine 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 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)} 1 Simlocal (v 1d31 , v 2d31) 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Distribution de masse bayésienne (distribution probabiliste)

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

24. Similarité locale (généralisation) 1 Simlocal (BBA1 , BBA2) 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

25. Similarité globale EXP2 EXP1 v2d1 v1d1 Contexte Contexte v1d2 v2d2 (2) (1) 0,25 0,25 0,15 0,15 0,1 0,1 (3) 0,4 (1) (2) • 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) Simlocal (v 1d1 , v 2d1) 1 Simglobal (exp 1, exp 2) 1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1 Simlocal (v 1d2 , v 2d2) 0 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

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 w1 w2 w3 w4 w5 s1 s2 s3 s4 s5 n distributions de similarité w5 Mink (s1, s2) s12 Mink (s3, s4) s34 s5 w3 + w4 w1 + w2 w5 n - 1 agrégations de 2 distributions w1 + w2 + w3 + w4 Mink (s12, s34) S1234 s5 w1 + w2 + w3 + w4 + w5 s12345 Mink (s1234, s5)

27. Similarité Globale Généralisée • Récursivité – descripteur objet EXP2 EXP1 d1 d1 Contexte d2 Contexte d2 d31 d31 do3 d32 do3 d32 d4 do33 d4 do33 Simlocal (v1d1, v2d1 ) Simlocal (v1d2, v2d2 ) SimGlobal(EXP1, EXP2) Simlocal (v1d31, v2d31 ) Simglobal (v1do3, v2do3 Simlocal (v1d32, v2d32 ) Simlocal (v1d4, v2d4 ) Simlocal (v1d33, v2d33 )

28. Évaluation du risque

29. Indicateur du risque IV V I II III I II III IV V I IV V II III I IV II III III I II • 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 Courbes iso-risque projection I ~ gravité Gravité 5 Risque I – faible II – modéré III – important IV – très important V – inacceptable 4 3 2 1 Degré d’occurrence

30. Similarité globale et indicateur du risque • Paramétrable et pondérée • - p=1 moyenne • - p=2 distance euclidienne • .. • - p= infini max • Plus p est grand, plus les fortes valeurs ont une influence dans la mesure globale Indicateur du risque Similarité globale Minkowski Similarité globale Conjonctive Conjonctive et Non-Pondérée - Adapté à la sémantique de l’analyse - L’analyse est une sorte de pondération - Une valeur nulle entraîne une similarité Globale nulle Similarité locale incertaine Matrice de similarité - MCT

31. Indication du risque 1 0,25 0,25 0,15 0,1 0,15 0,1 0 0,4 • 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}

32. Implémentation générique

33. Applications de retour d’expérience Base de connaissance Traitements spécifiques Moteur de recherche Saisie Pré-Traitements (Analyse) serveur Flux d’expérience Flux d’expertise (informations qui viennent compléter l’expérience a posteriori) Flux de connaissance (indicateurs, règles…) • 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) • … utilisateurs Base d’expériences PORTAI L WEB Exp ??? Exp ??? Exp ??? événement ……… = ………………… ……… = ………………… ……… = ………………… contexte ……… = ………………… X ……… = ………………… - ……… = ………………… X ……… = ………………… - ……… = ………………… - leçon ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… Exp ??? experts client

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)

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

36. L’application du projet SUP  Saisie de l’événement  Saisie du contexte  Saisie de l’analyse

37. Modèle hybride adaptatif

38. Conclusion et perspectives

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 ».

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) • …

41. Merci de votre attention…