Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques

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

Le projet européen SUP ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Contribution au projet SUP ,[object Object],[object Object],Description contexte de l’événement Analyses expertes Recherche des causes Explications de l’accident Restitution pour les utilisateurs Cartographie des dangers, Indicateur du risque encouru, Conseils de prévention… Accident

Objectifs du travail de recherche ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Capitalisation Exploitation Base expérience Base expérience

Plan ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

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

Un système basé sur la connaissance (SBC) ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Connaissance Difficulté d’inférence Difficulté d’expression statique dynamique exp1 exp2 exp3 exp4

Définition du retour d’expérience ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

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

Modélisation structurée de l’expérience ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Logique(s) Frames DL Graphes conceptuels RS RCO Orienté Objet Représentation Opérationnalisation d o 1 d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331

Capitalisation ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Modélisation de l’incertain ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object], 0 1 A 1 A 2 A 3 Probabilités   0 1 Possibilités  0 1 A 1 A 2 A 3 Croyance A 1 A 2 A 3

Modèle des Croyances Transférables ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Niveau crédal Niveau décisionnel Partie statique Représentation des informations Partie dynamique Révision des informations, raisonnement Transformation pignistique Conversion non réversible en probabilité

Notions élémentaires du MCT ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object], 0 1 A 1 A 2 A 3 A B B B A B B

Modélisation du contexte ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331  0 1 A 1 Valeur certaine  0 1 A 1 A 2 A 3 Valeur aléatoire  0 1 A 1 A 2 A 3 Valeur incertaine v d332

Modélisation de l’analyse ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

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

Comparaison d’expériences ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Comparaison d’expériences ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],simLocal = [0,2 ; 0,8] simLocal = {0,2 ; 0,3, 0,6, 0,8} Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331 EXP 2

Proposition de mesure de similarité ,[object Object],[object Object],[object Object],[object Object],[object Object],Similarité locale Matrice de similarité - MCT Similarité globale Minkowski, conjonctive, … Contexte d 2 d 1 d 4 d o 3 d 32 d 33 d 31 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d 33 d 31 EXP 2 Sim local (v 1 d31 , v 2 d31 ) = 0.7 Sim local (v 1 d31 , v 2 d31 ) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}  d31 = {a, b, c, d, e, f) 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 0,5 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim v 1 d31 = c v 2 d31 = b Valeur certaine v 1 d31 = {c, d, e} v 2 d31 = {a, b} Valeur incertaine

Similarité locale incertaine (représentation) ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],S AB = { s ab ; sac ; sad ; …; sce} S AB = { 0,8 ; 0,5 ; 0,3 ; 0,1 ; 1 ; 0,7 ; 0,5 ; 0,1 ; 0,7 ; 1 ; 0,9 ; 0,7} 0,1  S AB  1 S ABpond = {(0,1; 2); (0,3; 1); (0,5; 2); (0,7; 3); (0,8; 1) ; (0,9; 1); (1; 2)} M AB = {(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)} 0 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Valeur incertaine Distribution de masse bayésienne (distribution probabiliste) Sim local (v 1 d31 , v 2 d31 ) 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim

Similarité locale (généralisation) ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],1 c 0,8 1 b 0,1 0,6 1 a c b a   ∑ = 1 m 11 * m 21 = 0,03 m 11 * m 22 = 0,27 m 12 * m 21 = 0,07 m 12 * m 22 = 0,63  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)} Poids associé Ensembles

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 Sim local (BBA 1 , BBA 2 ) ∑ = 1 m 11 . m 21 = 0,03 m 11 . m 22 = 0,27 m 12 . m 21 = 0,07 m 12 . m 22 = 0,63 m sym (0,1) = 2/9 ; m sym (0,6) = 2/9 ; m sym (0,8) = 2/9 ; m sym (1) = 1/3 m sym (0,1) = 1/6 ; m sym (0,6) = 1/6 ; m sym (0,8) = 1/3 ; m sym (1) = 1/3 m sym (0,6) = 1/3 ; m sym (0,8) = 1/3 ; m sym (1) = 1/3 m sym (0,8) = 1/2 ; m sym (1) = 1/2 Poids associé Regroupement par niveau de similarité et par ensembles ∑ = 1 = 0,052 = 0,075 = 0,435 = 0,438 m sym (0,1) = 2/9 * 0,03 + 1/6 * 0,27 m sym (0,6) = 2/9 * 0,03 + 1/6 * 0,27 + 1/3 * 0,07 m sym (0,8) = 2/9 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 m sym (1) = 1/3 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 Résultat Regroupement par niveau de similarité

Similarité globale ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Sim local (v 1 d2 , v 2 d2 ) Sim local (v 1 d1 , 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 Sim global (exp 1 , exp 2 ) 0 1 Contexte v 1 d 1 v 1 d 2 EXP 1 Contexte v 2 d 1 v 2 d 2 EXP 2 (1) (2) (2) (3) (1) 0,15 0,15 0,1 0,25 0,25 0,4 0,1

Similarité Globale - Généralisation ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],s 1 s 2 s 3 s 4 s 5 s 12 s 34 S 1234 s 12345 n distributions de similarité n - 1 agrégations de 2 distributions  Mink ( s 1 , s 2 )  Mink ( s 12 , s 34 )  Mink ( s 3 , s 4 )  Mink ( s 1234 , s 5 ) s 5 s 5 w 1 w 2 w 3 w 4 w 5 w 5 w 5 w 1 + w 2 w 3 + w 4 w 1 + w 2 + w 3 + w 4 w 1 + w 2 + w 3 + w 4 + w 5

Similarité Globale Généralisée ,[object Object],Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 EXP 2 Sim Global (EXP 1 , EXP 2 ) Sim local (v 1 d 2 , v 2 d 2 ) Sim local (v 1 d 1 , v 2 d 1 ) Sim local (v 1 d 4 , v 2 d 4 ) Sim global (v 1 d o 3 , v 2 d o 3 Sim local (v 1 d 32 , v 2 d 32 ) Sim local (v 1 d 33 , v 2 d 33 ) Sim local (v 1 d 31 , v 2 d 31 )

Indicateur du risque 1 2 3 4 5 Gravité Degré d’occurrence ,[object Object],[object Object],[object Object],R = P x I Aléa, vulnérabilité I ~ gravité projection Courbes iso-risque Risque I – faible II – modéré III – important IV – très important V – inacceptable I II III I II III IV I II III IV V I II III IV V I II III IV V

Similarité globale et indicateur du risque Similarité locale incertaine Matrice de similarité - MCT Similarité globale Minkowski Similarité globale Conjonctive Indicateur du risque ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],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

Indication du risque ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],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

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

Techniques et outils ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Opérationnalisation ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

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

Conclusions et perspectives ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Conclusions et perspectives ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques

Recommandé

Recommandé

Contenu connexe

Similaire à Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques

Similaire à Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques (14)

Dernier

Dernier (16)

Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques

Notes de l'éditeur