An gprof-like profiler tools essential for all ones profiling there programs. myproof uses the gcc version 4.5 or higher allowing to use plugins. This project has been developed to validate the "advanced compilation module" during the HPC'MSc.
An gprof-like profiler tools essential for all ones profiling there programs. myproof uses the gcc version 4.5 or higher allowing to use plugins. This project has been developed to validate the "advanced compilation module" during the HPC'MSc.
The document discusses the benefits of exercise for mental health. Regular physical activity can help reduce anxiety and depression and improve mood and cognitive functioning. Exercise causes chemical changes in the brain that may help protect against mental illness and improve symptoms.
Comment créer une carte personnalisée sous Googlemap et l'insérer dans l'un de vos articles ?
La réponse en image dans ce mode d'emploi réalisé par l'AEPHR.
Quelle est la nature des services d’information au développementl_sergeant
Le « Strategic Learning Initiative » (SLI) est un nouveau programme de l’Institute of Development Studies (IDS) Pour progresser dans le domaine de la justice sociale et de la réduction de la pauvreté, des informations stratégiques et fiables doivent être fournies. Le SLI s’est donné pour but de développer les capacités et les engagements dans cette direction en aidant les acteurs des services d’information dans le domaine de l’aide au développement à réfléchir sur la nature de leur travail. Son but est de donner de nouvelles perspectives sur le rôle des médiateurs de l’information dans le contexte spécifique du développement international. Le travail est fait de manière collaborative et dans quatre directions :
•Développement de capacités : aider les médiateurs de la connaissance et de l’information, en particulier ceux qui travaillent dans le domaine de l’information issue de la recherche.
•Marketing : promotion, recherche et information et développement de nouveaux produits.
•Suivi et évaluation : mieux comprendre les effets et l’impact des services d’information sur le développement. Aider le personnel de ces services à comprendre les principes de l’évaluation et à se les appliquer efficacement.
•Recherche : recherche sur l’information, la communication, l’apprentissage et la connaissance dans le domaine du développement international. Le but est de chercher à comprendre comment l’information et la communication modèlent et sont modelées par les relations de pouvoir et comment elles peuvent déboucher sur un changement social et sur des résultats dans le domaine du développement.
The document discusses the benefits of exercise for mental health. Regular physical activity can help reduce anxiety and depression and improve mood and cognitive functioning. Exercise causes chemical changes in the brain that may help protect against mental illness and improve symptoms.
Comment créer une carte personnalisée sous Googlemap et l'insérer dans l'un de vos articles ?
La réponse en image dans ce mode d'emploi réalisé par l'AEPHR.
Quelle est la nature des services d’information au développementl_sergeant
Le « Strategic Learning Initiative » (SLI) est un nouveau programme de l’Institute of Development Studies (IDS) Pour progresser dans le domaine de la justice sociale et de la réduction de la pauvreté, des informations stratégiques et fiables doivent être fournies. Le SLI s’est donné pour but de développer les capacités et les engagements dans cette direction en aidant les acteurs des services d’information dans le domaine de l’aide au développement à réfléchir sur la nature de leur travail. Son but est de donner de nouvelles perspectives sur le rôle des médiateurs de l’information dans le contexte spécifique du développement international. Le travail est fait de manière collaborative et dans quatre directions :
•Développement de capacités : aider les médiateurs de la connaissance et de l’information, en particulier ceux qui travaillent dans le domaine de l’information issue de la recherche.
•Marketing : promotion, recherche et information et développement de nouveaux produits.
•Suivi et évaluation : mieux comprendre les effets et l’impact des services d’information sur le développement. Aider le personnel de ces services à comprendre les principes de l’évaluation et à se les appliquer efficacement.
•Recherche : recherche sur l’information, la communication, l’apprentissage et la connaissance dans le domaine du développement international. Le but est de chercher à comprendre comment l’information et la communication modèlent et sont modelées par les relations de pouvoir et comment elles peuvent déboucher sur un changement social et sur des résultats dans le domaine du développement.
The reality for companies that are trying to figure out their blogging or content strategy is that there's a lot of content to write beyond just the "buy now" page.
Le domaine du traitement automatique des langues naturelles a connu des évolutions très rapides ces dernières années, et spécialement les méthodes de statistique textuelle. Elles ont été mises en lumière par plusieurs disciplines : l'étude des textes, la linguistique, l'analyse du discours, la statistique, l'informatique, le traitement des enquêtes. Ce projet de recherche s'inscrit dans le cadre du problématique de Short édition qui concerne l'éditeur communautaire de littérature courte. L'objectif est d'assister le travail du comité de lecture en effectuant une première catégorisation des textes. Notre travail implique la conception et la mise en œuvre d'un prototype permettant de repérer les textes qui présentent les caractéristiques d'un texte de qualité et de trouver une méthode de classification en nous fondant sur les principes de la fouille de données permettant de bien classer nos textes.
Un guide pour les classes terminales de l'Iset de Nabeul, département génie civil pour rédiger les rapports des projets de fin d'études et l'exposé de leurs travaux.
Les serious games - Mémoire de master en Sc. Educ de Bernard LamaillouxBernard Lamailloux
La transmission du savoir semble facilitée lorsque les situations
d\’apprentissage sont dédramatisées et qu’on a recours à des mises en scène
ludiques. Ce phénomène semble particulièrement flagrant lorsqu’on examine
les serious games.
Un serious game (de l\’anglais serious, « sérieux » et de game, « jeu ») est
une application informatique qui combine une intention sérieuse, de type pédagogique,
informative, communicationnelle, marketing, idéologique ou d\’entraînement
avec des ressorts ludiques issus du jeu vidéo ou de la simulation
informatique. La vocation d\’un Serious Game est donc de rendre attrayante la
dimension « sérieuse » par une forme, une interaction, des règles et éventuellement
des objectifs ludiques.
Le projet vise à répondre aux questions suivantes : Apprend-on plus et mieux
en s\’amusant, si oui quels sont les raisons ?
Deep Learning : Application à la reconnaissance d’objets de classes multiples...Haytam EL YOUSSFI
This project entitled "Deep Learning : Application to the Recognition of Multiple Class Objects on Images and Videos" is conducted as part of the preparation of the Basic Degree in Mathematics and Computer Science (SMI) at the Faculty of Science Agadir FSA of Ibn Zohr University UIZ for the academic year 2018/2019.
In order to achieve the main objective of our project : " Recognition of multiple class objects on images and videos", we used algorithms from machine learning and deep learning (MLP, CNN ... ), that led to a revolution in Artificial Intelligence. In particular, those methods were successfully used for the classification of objects in images and videos. These algorithms outperform traditional formal methods by their performances and succeeded in creating a system that simulates the working of human brain.
OCTO TALKS : 4 Tech Trends du Software Engineering.pdfOCTO Technology
En cette année 2024 qui s’annonce sous le signe de la complexité, avec :
- L’explosion de la Gen AI
-Un contexte socio-économique sous tensions
- De forts enjeux sur le Sustainable et la régulation IT
- Une archipélisation des lieux de travail post-Covid
Découvrez les Tech trends incontournables pour délivrer vos produits stratégiques.
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...OCTO Technology
par Claude Camus (Coach agile d'organisation @OCTO Technology) et Gilles Masy (Organizational Coach @OCTO Technology)
Les équipes infrastructure, sécurité, production, ou cloud, doivent consacrer du temps à la modernisation de leurs outils (automatisation, cloud, etc) et de leurs pratiques (DevOps, SRE, etc). Dans le même temps, elles doivent répondre à une avalanche croissante de demandes, tout en maintenant un niveau de qualité de service optimal.
Habitué des environnements développeurs, les transformations agiles négligent les particularités des équipes OPS. Lors de ce comptoir, nous vous partagerons notre proposition de valeur de l'agilité@OPS, qui embarquera vos équipes OPS en Classe Business (Agility), et leur fera dire : "nous ne reviendrons pas en arrière".
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...OCTO Technology
Par Nicolas Bordier (Consultant numérique responsable @OCTO Technology) et Alaric Rougnon-Glasson (Sustainable Tech Consultant @OCTO Technology)
Sur un exemple très concret d’audit d’éco-conception de l’outil de bilan carbone C’Bilan développé par ICDC (Caisse des dépôts et consignations) nous allons expliquer en quoi l’ACV (analyse de cycle de vie) a été déterminante pour identifier les pistes d’actions pour réduire jusqu'à 82% de l’empreinte environnementale du service.
Vidéo Youtube : https://www.youtube.com/watch?v=7R8oL2P_DkU
Compte-rendu :
L'IA connaît une croissance rapide et son intégration dans le domaine éducatif soulève de nombreuses questions. Aujourd'hui, nous explorerons comment les étudiants utilisent l'IA, les perceptions des enseignants à ce sujet, et les mesures possibles pour encadrer ces usages.
Constat Actuel
L'IA est de plus en plus présente dans notre quotidien, y compris dans l'éducation. Certaines universités, comme Science Po en janvier 2023, ont interdit l'utilisation de l'IA, tandis que d'autres, comme l'Université de Prague, la considèrent comme du plagiat. Cette diversité de positions souligne la nécessité urgente d'une réponse institutionnelle pour encadrer ces usages et prévenir les risques de triche et de plagiat.
Enquête Nationale
Pour mieux comprendre ces dynamiques, une enquête nationale intitulée "L'IA dans l'enseignement" a été réalisée. Les auteurs de cette enquête sont Le Sphynx (sondage) et Compilatio (fraude académique). Elle a été diffusée dans les universités de Lyon et d'Aix-Marseille entre le 21 juin et le 15 août 2023, touchant 1242 enseignants et 4443 étudiants. Les questionnaires, conçus pour étudier les usages de l'IA et les représentations de ces usages, abordaient des thèmes comme les craintes, les opportunités et l'acceptabilité.
Résultats de l'Enquête
Les résultats montrent que 55 % des étudiants utilisent l'IA de manière occasionnelle ou fréquente, contre 34 % des enseignants. Cependant, 88 % des enseignants pensent que leurs étudiants utilisent l'IA, ce qui pourrait indiquer une surestimation des usages. Les usages identifiés incluent la recherche d'informations et la rédaction de textes, bien que ces réponses ne puissent pas être cumulées dans les choix proposés.
Analyse Critique
Une analyse plus approfondie révèle que les enseignants peinent à percevoir les bénéfices de l'IA pour l'apprentissage, contrairement aux étudiants. La question de savoir si l'IA améliore les notes sans développer les compétences reste débattue. Est-ce un dopage académique ou une opportunité pour un apprentissage plus efficace ?
Acceptabilité et Éthique
L'enquête révèle que beaucoup d'étudiants jugent acceptable d'utiliser l'IA pour rédiger leurs devoirs, et même un quart des enseignants partagent cet avis. Cela pose des questions éthiques cruciales : copier-coller est-il tricher ? Utiliser l'IA sous supervision ou pour des traductions est-il acceptable ? La réponse n'est pas simple et nécessite un débat ouvert.
Propositions et Solutions
Pour encadrer ces usages, plusieurs solutions sont proposées. Plutôt que d'interdire l'IA, il est suggéré de fixer des règles pour une utilisation responsable. Des innovations pédagogiques peuvent également être explorées, comme la création de situations de concurrence professionnelle ou l'utilisation de détecteurs d'IA.
Conclusion
En conclusion, bien que l'étude présente des limites, elle souligne un besoin urgent de régulation. Une charte institutionnelle pourrait fournir un cadre pour une utilisation éthique.
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Laurent Speyser
(Conférence dessinée)
Vous êtes certainement à l’origine, ou impliqué, dans un changement au sein de votre organisation. Et peut être que cela ne se passe pas aussi bien qu’attendu…
Depuis plusieurs années, je fais régulièrement le constat de l’échec de l’adoption de l’Agilité, et plus globalement de grands changements, dans les organisations. Je vais tenter de vous expliquer pourquoi ils suscitent peu d'adhésion, peu d’engagement, et ils ne tiennent pas dans le temps.
Heureusement, il existe un autre chemin. Pour l'emprunter il s'agira de cultiver l'invitation, l'intelligence collective , la mécanique des jeux, les rites de passages, .... afin que l'agilité prenne racine.
Vous repartirez de cette conférence en ayant pris du recul sur le changement tel qu‘il est généralement opéré aujourd’hui, et en ayant découvert (ou redécouvert) le seul guide valable à suivre, à mon sens, pour un changement authentique, durable, et respectueux des individus! Et en bonus, 2 ou 3 trucs pratiques!
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
. Poly ac.dvi
1. Ontologies et alignement d’ontologies : notes de cours
Adrien Coulet
(inspir´ des cours de R. Dieng, J. Euzenat, A. G´ mez-P´ rez, J. Lieber et A. Napoli)
e o e
derni` re version : 19/11/07
e
(version pr´ liminaire)
e
Table des mati` res
e
1 Introduction 1
2 Les ontologies 2
2.1 D´ finitions . . . . . . . . . . . .
e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Origine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3 Les diff´ rents types d’ontologies
e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.4 Le partage d’ontologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3 Les m´ thodes de construction
e 3
4 Les languages de repr´ sentation
e 3
4.1 Les logiques de descriptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2 OWL : Web Ontology Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.3 Les m´ canismes de raisonnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e 6
5 Les applications des ontologies 6
5.1 Le Web S´ mantique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e 6
5.2 La classification automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.3 L’int´ gration de donn´ es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e e 6
6 L’alignement d’ontologies 7
6.1 D´ finitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e 7
6.2 Techniques de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
6.3 Les strat´ gies d’alignement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
e 8
7 Pour aller plus loin 8
1 Introduction
Ce cours est une br` ve pr´ sentation des ontologies et notamment des ontologies OWL, format recommend´
e e e
par le W3C pour le Web S´ mantique. Nous evoquerons les principales applications des ontologies, ainsi que
e ´
l’alignement d’ontologies comme enjeu principal au d´ veloppement de ces applications.
e
1
2. 2 Les ontologies
2.1 D´ finitions
e
En philosophie l’ontologie est une branche de la m´ taphysique qui s’int´ resse a l’´ tude des propri´ t´ s de l’ˆ tre
e e ` e ee e
(au sens de ce qui existe).
En informatique une ontologie est une repr´ sentation de connaissances. Une d´ finition plus explicite est :
e e
“Une ontologie est une specification formelle et explicite d’une conceptualisation partag´ e” [4].
e
– Sp´ cification formelle : compr´ hensible par une machine,
e e
– Sp´ cification explicite : les concepts, relations, fonctions, contraintes, axiomes sont explicitement d´ finis,
e e
– Partag´ e : les connaissances repr´ sent´ es sont partag´ es par une communaut´ ,
e e e e e
– Conceptualisation : mod` le abstrait d’une partie du monde que l’on veut repr´ senter.
e e
Plus formellement une ontologie O est un syst` me de symboles consistant en :
e
– Un ensemble Sc de concepts, et un ensemble Sr de relation binaires (D,R), entre domaines et co-domaines
(qui sont deux sous-ensembles de Sc )
N.B. : Un concept repr´ sente un ensemble (fini ou infini). Ainsi le concept de chat noir repr´ sente (intui-
e e
tivement) l’ensemble de tous les chats noirs.
– Une hierarchie H, o` les concepts et relations sont hi´ rarchiquement reli´ s par la relation de subsomption,
u e e
i.e. une relation d’ordre partiel not´ ⊑ , o` C1 ⊑ C2 signifie que C1 est un sous-concept de C2 , et r1 ⊑ r2
e u
signifie que r1 est une sous-relation de r2 .
– Un ensemble d’axiomes A qui introduisent les concepts et les relations.
2.2 Origine
L’´ mergence de la notion d’ontologie en informatique r´ sulte en partie des travaux de recherches en intelli-
e e
gence artificielle. Comment formaliser des connaissances pour qu’elles puissent etre interpr´ t´ es par les machines
ˆ ee
est une probl´ matique centrale de ce domaine qui a motiv´ de nombreux travaux sur les repr´ sentations par objets.
e e e
L’utilisation conjointe des syst` mes a bases d’objets et de logiques a men´ a la constitution d’ontologies formelles.
e ` e`
Depuis 2001, l’´ mulation autour du Web S´ mantique participe au d´ veloppement de standards pour les ontologies
e e e
et a la multiplication de leur utilisation.
`
2.3 Les diff´ rents types d’ontologies
e
– Lightweight Ontologies vs. Heavyweight Ontologies. Voir Figure 1.
F IG . 1 – Classification de Lassila et McGuinness [6].
– Task Ontology vs Domain Ontology
2
3. – Representation ⇒ Generic ⇒ Domain ⇒ Application Ontologies
Equilibre entre utilisabilit´ et r´ utilisabilit´ : lors de la construction ou du choix d’une ontologie, il est im-
e e e
portant d’avoir a l’esprit que plus le niveau d’abstraction choisi est proche de l’application moins l’ontologie
`
est r´ utilisable, mais plus elle est utilisable.
e
2.4 Le partage d’ontologies
Une caract´ ristique principales des ontologies est de devoir etre disponible, pour pouvoir (1) etre partag´ es par
e ˆ ˆ e
une communaut´ et (2) etre accessibles aux machines.
e ˆ
Selon leur d´ finition, les ontologies doivent correspondre a une conceptualisation paratag´ e par une commu-
e ` e
naut´ . Pour cela, il existe des biblioth` ques d’ontologies qui permettent le partage d’ontologies et servent de
e e
support a un affinement communautaire des conceptualisations de mani` re collaborative. Par exemple, les ontolo-
` e
gies biom´ dicales sont partag´ es sur le site OBO Foundry [8] qui regroupe des ontologies concernant diff´ rents
e e e
domaines de la biologie (comme Gene Ontology pour les fonctions des g` nes, Disease Ontology pour les mala-
e
dies) afin de permettre leur raffinement et leur validation. Il existe par ailleurs, des outils comme Swoogle [16]
ou Ontology Lookup Service [9] qui sont des moteurs de recherche qui indexent les concepts inclus dans les
ontologies disponibles pour favoriser la r´ utilisation des ontologies existantes.
e
3 Les m´ thodes de construction
e
Diff´ rentes m´ thodes de construction d’ontologies ont et´ propos´ es (par exemple : METHONTOLOGY,
e e ´e e
NeOn). Elles s’inspirent des m´ thodes de d´ veloppement logiciel (voir Figure 2) [2]. Avec notamment :
e e
– Une phase de conceptualisation men´ e en etroite collaboration avec des experts du domain repr´ sent´ . La
e ´ e e
conceptualisation peut se faire a l’aide des m´ thodes de mod´ lisation comme l’UML ou les Ontology Design
` e e
Patterns.
– Une phase d’´ valuation.
e
– Un cycle pour perp´ tuellement am´ liorer les ontologies.
e e
F IG . 2 – Cycle de vie d’une ontologie [2].
4 Les languages de repr´ sentation
e
4.1 Les logiques de descriptions
les logiques de descriptions (LD) sont des langages de repr´ sentation de connaissances classiques dont le
e
formalisme s’appuye sur les notions de concepts, de rˆ le et d’instance.
o
3
4. Les LD sont apparent´ es, en particulier, aux formalismes de repr´ sentation des connaissances par objets. La
e e
s´ mantique d’une telle logique s’exprime grˆ ce a des notions ensemblistes.
e a `
Ainsi, etant donn´ une interpr´ tation I, un concept C s’interpr` te comme un ensemble I (C), un rˆ le r s’in-
´ e e e o
terpr` te comme une relation binaire
e I (r) et une instance a comme un individu I (a).
Les op´ rations ∩, ∪, etc., sur les ensembles sont repr´ sent´ s par les connecteurs ⊓, ⊔, etc., sur les concepts.
e e e
Par exemple, etant donn´ deux concepts C et D et une interpr´ tation I, on a (C ⊓ D)I () =I (C) ∩I (D).
´ e e
Il existe plusieurs LD dont les diff´ rences sont de poss´ der plus ou moins de constructeurs et de type d’axiomes.
e e
Nous pr´ sentons dans le Tableau 1 les principaux constructeurs des LD.La logique qui est contenue dans le langage
e
OWL (OWL DL pour etre exact) est SHOIN (D).
ˆ
⊤ et ⊥ sont deux concepts particuliers repr´ sentant respectivement le concept le plus g´ n´ ral et le concept
e e e
insatisfiable (qui est aussi le concept le plus sp´ cifique).
e
Par exemple, le concept “ tarte aux pommes et aux noix dont toutes les pˆ tes sont feuillet´ es ou bris´ es (elle
a e e
peut ne pas avoir de pˆ te, en avoir 1, 2, etc.) ” peut etre repr´ sent´ sous la forme suivante en LD :
a ˆ e e
Tarte ⊓ ∃ingr´dient.Pomme ⊓ ∃ingr´dient.Noix ⊓ ∀p^te.(Feuillet´e ⊔ Bris´e)
e e a e e
`
Ce concept s’appuie sur la base de connaissances du Tableau ??. A titre d’exemples, l’axiome [Ax1] indique
qu’une Tarte est une Pr´parationCulinaire, l’axiome [Ax7], que Pomme et Noix sont des concepts incompa-
e
tibles (il n’existe pas d’objet qui soit a la fois une pomme et une noix) et l’axiome [Ax8], qu’une TarteSucr´e
` e
est une Tarte ayant au moins un ingr´dient qui soit un ProduitSucr´.
e e
Une base de connaissances BC en LD est g´ n´ ralement compos´ e de deux parties : une TBox et une ABox.
e e e
La TBox, ou base terminologique, est un ensemble d’axiomes terminologiques, qui peuvent etre de la forme C ⊑ D
ˆ
ou de la forme C ≡ D, C et D etant deux concepts. La ABox est un ensemble d’assertions qui peuvent etre de la
´ ˆ
forme C(a) ou r(a, b) o` a et b sont deux instances, C est un concept et r est un rˆ le. Le premier type d’assertion
u o
correspond a une instanciation de concept, le second, a une instanciation de rˆ le.
` ` o
4.2 OWL : Web Ontology Language
OWL est une recommendation du W3C qui a et´ adopt´ par un grand nombre d’utilisateur comme le principal
´e e
langage de repr´ sentation de connaissances [15].
e
F IG . 3 – Le “Semantic Web Layer Cake”.
OWL est bas´ sur RDF lui mˆ me bas´ sur XML. Le language RDF permet de repr´ senter des triplets <Sujet,
e e e e
Pr´ dicat, Objet>. Le language OWL contient, en plus, une s´ ntique standard qui facilite les possiblit´ s de raison-
e e e
nement. Le Tableau 1 pr´ sente la correspondance ente les op´ rateurs de LD et les mots cl´ s de OWL.
e e e
N.B. : Alors qu’en LD on parle de concept, rˆ le et instance, en OWL, on parle respectivement de classe, propri´ t´
o ee
et individu.
4
5. nom syntaxe LD syntaxe abstraite s´ mantique
e
Nom de classe C C (URI) CI ⊆ ∆I
Top, Thing ⊤ owl:Thing ⊤I = ∆I
Bottom, Nothing ⊥ owl:Nothing ⊥I = ∅
Intersection C⊓D intersectionOf(C D) (C ⊓ D)I = CI ∩ DI
Union C⊔D unionOf(C D) (C ⊔ D)I = CI ∪ DI
N´ gation
e ¬C complementOf(C) (¬C)I = ∆I CI
Enum´ ration
e {a, b . . .} oneOf(a b . . . ) {a, b . . .}I = {aI , bI . . .}
Quantificateur ∃p.C restriction(p (∃p.C)I = {x|∃y, (x, y) ∈ pI
existentiel someValuesFrom(C)) et y ∈ CI }
Quantificateur ∀p.C restriction(p (∀p.C)I = {x|si ∀y, (x, y) ∈ pI
universel allValuesFrom(C)) alors y ∈ CI }
Restriction a` ∋ p.a restriction(p (∋ p.a)I = {x|(x, aI ) ∈ pI }
une valeur hasValue(a))
=np restriction(p (= n p)I = {x| card{y|(x, y) ∈ pI } = n}
Restriction cardinality(C))
non qualifi´ e
e np restriction(p ( n p)I = {x| card{y|(x, y) ∈ pI } n}
de cardinalit´
e minCardinality(C))
np restriction(p ( n p)I = {x| card{y|(x, y) ∈ pI } n}
maxCardinality(C))
Quantificateur ∃d.T restriction(d (∃d.T)I = {x|∃y, (x, y) ∈ dI
existentiel someValuesFrom(T )) ∧ y ∈ TD }
Quantificateur ∀d.T restriction(d (∀d.T)I = {x|∀y, (x, y) ∈ dI
universel allValuesFrom(T )) → y ∈ TD }
Restriction a
` ∋ d.a restriction(d (∋ d.a)I = {x|(x, aD ) ∈ dI }
une valeur hasValue(a))
=nd restriction(d (= n d)I = {x| card{y|(x, y) ∈ dI } = n}
Restriction cardinality(T ))
non qualifi´ e
e nd restriction(d ( n d)I = {x| card{y|(x, y) ∈ dI } n}
de cardinalit´
e minCardinality(T ))
nd restriction(d ( n d)I = {x| card{y|(x, y) ∈ dI } n}
maxCardinality(T ))
TAB . 1 – Constructeurs de classes OWL et leur correspondances en LD. C et D sont des classes, T est un type de
donn´ e, n est un nombre, a et b sont des individus, p une propri´ t´ d’objet (ObjectProperty) et d une propri´ t´ de
e ee ee
donn´ es (DatatypeProperty).
e
(Ax1) Tarte ⊑ Pr´parationCulinaire
e (Ax7) Pomme ⊓ Noix ⊑⊥
(Ax2) Dessert ⊑ Pr´parationCulinaire
e (Ax8) TarteSucr´e ≡ Tarte⊓∃ingr´dient.ProduitSucr´e
e e e
(Ax3) ProduitSucr´ ⊑ Produit
e (Ax9) TarteSal´e ≡ Tarte ⊓ ¬TarteSucr´e
e e
(Ax4) Fruit ⊑ ProduitSucr´
e (Ax10) TarteSucr´e ⊑ Dessert
e
(Ax5) Pomme ⊑ Fruit
(Ax6) Noix ⊑ Fruit
(a)TBox
(A1) (Tarte ⊓ ∃ingr´dient.Pomme)(tarte1)
e (A3) ingr´dient(tarte1,noix1)
e
(A2) Noix(noix1)
(b)ABox
TAB . 2 – Une base de connaissance ecrite en LD.
´
5
6. Les deux principaux outils pour construire des ontologies OWL sont :
Prot´ g´ -OWL : D´ velopp´ en Java par l’Universit´ de Stanford. Disponible gratuitement [12].
e e e e e
Swoop : D´ velopp´ en Java par le MINDSWAP (Maryland Information and Network Dynamics Lab Semantic
e e
Web Agents Project). Disponible gratuitement [17].
D´ mo : construction d’une ontologie avec Prot´ g´ qui correspond a la BC de l’exemple.
e e e `
4.3 Les m´ canismes de raisonnement
e
les principaux type de raisonnement
– V´ rification de la coh´ rence (consistency checking)
e e
– Classification de concepts
– Classification d’instances
D´ mo : les mechanismes de raisonnement avec Prot´ g´ .
e e e
Remarque importante : Les LD, et par cons´ quent les ontologies ecrites en OWL, s’appuient sur l’hypoth` se du
e ´ e
monde ouvert. Cela signifie que si une relation entre deux concepts (ou un concept et une instance) n’est pas
connue/d´ duite par la base de connaissance, ce n’est pas pour autant que celle ci n’existe pas. Prenons un exemple.
e
Supposons qu’on ait l’ABox suivante :
estParentDe(anakine, luke) estParentDe(padm´, leia)
e
et une TBox vide. On cherche a savoir si Anakine est un des parents de Leila en faisant le test
`
BC estParentDe(anakine, leila). La r´ ponse a ce test est faux : il existe des mod` les I de BC pour lesquels
e ` e
(anakine I , leiaI ) ∈ estParentDe I . En revanche, il existe des mod` les I pour lesquels
e
(anakineI , leiaI ) ∈ estParentDeI . Autrement dit, une r´ ponse n´ gative a ce test de subsomption indique
e e `
simplement que le syst` me ignore si Anakine est le p` re de Leia.
e e
5 Les applications des ontologies
5.1 Le Web S´ mantique
e
Le Web S´ mantique est souvent pr´ sent´ comme une “vision” de Tim Berners Lee. Le Web S´ mantique est
e e e e
une extension du Web actuel pour lequel le contenu du Web peut non seulement etre exprim´ en langage naturel,
ˆ e
mais egalement en un format qui peut etre lu et utilis´ par des agents logiciels pour permettre de trouver, partager
´ ˆ e
et int´ grer de l’information plus facilement.
e
Par exemple, trouver des pages Web qui parlent d’un certain M. Fish qui travaille dans une entreprise qui construit
des tanks.
5.2 La classification automatique
La mise en oeuvre de m´ canismes de raisonnement sur des bases de connaissances peut tirer parti de la
e
s´ mantique disponible dans une ontologies pour classifier de mani` re automatique des instances en fonction de
e e
leur propri´ t´ s.
ee
Exemple de classification de proteines en familles et sous-familles en fonction de leur domaines.
5.3 L’int´ gration de donn´ es
e e
L’int´ gration de donn´ es est une probl` matique majeur en informatique. Les ontologies sont des outils parti-
e e e
culi´ rment interessants pour reconcilier les repr´ sentations h´ t´ rog` nes des donn´ es. Comme elles proposent une
e e ee e e
s´ mantique en plus des donn´ es (des donn´ es aux connaissances) il existe des m´ canismes qui proposent d’iden-
e e e e
tifier les choses identiques.
Exemples.
6
7. 6 L’alignement d’ontologies
Il est crucial de disposer de m´ thodes pour articuler les diff´ rentes ontologies ensembles car :
e e
1) Il n’existe pas une ontologie unique de l’univers. Il existe des ontologies pour des petites parties de l’univers.
2) Il n’existe pas d’ontologie universelle pour un domaine. Il doit pouvoir exister plusieurs visions d’un mˆ me e
domaine.
6.1 D´ finitions
e
La correspondance Soit deux ontologies O et O′ , une correspondance M entre O et O′ est un quintuplet :
< id, e, e′ , R, n > tel que :
– id est un identifiant unique de l’´ lement de mapping,
e
– e et e ′ sont des entit´ s de O et O ′ (des concepts ou des rˆ les par exemple),
e o
– R est une relation (par exemple d’´ quivalence (≡) ; de g´ n´ ralisation ( ⊒ ) ; de sp´ cialisation (⊑) ; de
e e e e
disjonction (⊥)),
– n est une mesure de confiance contenue dans une structure math´ matique (typiquement dans l’intervalle
e
[0,1]).
L’alignement Soit deux ontologies O et O′ , l’alignement A entre O et O′ est :
– Un ensemble de correspondances entre O et O′ ,
– Associ´ es a une multiplicit´ : 1-1, 1-*, etc.
e ` e
– Associ´ es a des meta-donn´ es additionelles (une m´ thode, une date, des propri´ t´ s, etc.)
e ` e e ee
Le processus d’alignement. Il peut etre vu comme une fonction f qui, a partir de deux ontologies O et O′ , un
ˆ `
alignement de d´ part A, un ensemble p de param` tres et un ensemble e de sources d’informations externes,
e e
donne un alignement A′ entre ces deux ontologies :
A’ = f (O, O′ , A, p, e)
6.2 Techniques de bases
Nous distinguons les techniques dont l’objectif est d’´ tablir un alignement entre deux ontologies en fonction
e
de deux choses :
– est-ce que les elements compar´ s sont consid´ r´ s comme deux elements isol´ s ou comme deux parties d’une
´ e ee ´ e
structure plus grande ?
– quelle est le type d’information qui va nous permettre de d´ terminer la similarit´ entre les elements : la
e e ´
syntaxe, une source d’information externe, ou la s´ mantique ?
e
En fonction de ces deux informations la classification suivante peut etre propos´ e :
ˆ e
e ´
Techniques fond´ es sur les elements isol´ s
e
– Techniques syntaxiques
– Techniques fond´ es sur les chaˆnes de caract` res
e ı e
– Techniques fond´ es sur le langage
e
– Techniques a base de contraintes
`
– Techniques utilisant des sources externes
– des ressources linguistiques : lexiques, th´ saurus
e
– r´ utilisation d’alignements
e
– d’ontologies : upper-level ou domain-specific ontologies
Techniques fond´ es sur la structure
e
– Techniques syntaxiques
– Techniques fond´ es sur l’analyse de donn´ es et les statistiques : fr´ quence de distribution
e e e
– Techniques fond´ es sur les graphes : recherche d’homomorphismes, de chemins
e
– Techniques fond´ es sur des taxonomies
e
– Techniques utilisant des sources externes
7
8. – Techniques fond´ es sur des librairies de structures
e
– Techniques s´ mantiques
e
– Techniques fond´ es sur le mod` le des donn´ es : m´ canismes de raisonement en LD
e e e e
6.3 Les strat´ gies d’alignement
e
En pratique, aucune des techniques de bases pr´ sent´ es ci-dessus n’est appliqu´ e seule. Elles sont combin´ es
e e e e
comme des briques de bases pour d´ finir une strat´ gie d’alignement fonction de l’objectif.
e e
L’int´ gration de diff´ rentes correspondances entre de mˆ mes entit´ es ainsi que la combinaison des correspon-
e e e e
dances pour constituer l’alignement global n´ cessite de mettre en œuvre des m´ thodes particuli` res.
e e e
Aucune strat´ gie d’alignement n’est appliqu´ e de facon purement automatique. l’expert du domaine doit tou-
e e ¸
jours valider les correspondances. Ceci est d’autant plus crucial lorsque des donn´ es sont critiques comme c’est le
e
cas dans le domaine biom´ dical.
e
Il existe de nombreux travaux et outils proposant des processus diff´ rents pour l’alignement [3].
e
Par exemple, Prompt [11] se pr´ sente sous la forme d’un plug-in de Prot´ g´ qui prends en entr´ e 2 ontologies et
e e e e
propose a l’utilisateur de valider les correspondances d’un alignement automatiquement g´ n´ r´ .
` e ee
D´ mo de Prompt.
e
7 Pour aller plus loin
Jetez un coup d’oeil a la bibliographie.
`
Bibliographie
[1] Baader (F.), Calvanese (D.), McGuinness (D.), Nardi (D.) et Patel-Schneider (P.). – The description logic
handbook. Cambridge, UK, Cambridge University Press, 2003.
[2] Dieng (R.), Olivier Corby (O.), Giboin (A.) et Ribi` re (M.). – Methods and Tools for Corporate Knowledge
e
Management. Rapport de recherche nRR 3314, INRIA, 1997.
[3] Euzenat (J.) et Shvaiko (P.). – Ontology matching. Heidelberg, DE, Springer-Verlag, 2007.
[4] Gruber (T.). – Towards Principles for the Design of Ontologies Used for Knowledge Sharing. Formal Ontology
in Conceptual Analysis and Knowledge Representation, Kluwer Academic Publishers, 1993.
[5] Doan (A.) et Halevy (A.). – Semantic Integration Research in the Database Community : A Brief Survey . AI
Magazine, Special Issue on Semantic Integration, 2005.
[6] Lassila (O.) et McGuinness (D.). – The Role of Frame-Based Representation on the Semantic Web. Electronic
Transactions on Artificial Intelligence 6(5) :1403-2031, 2001.
[7] Napoli (A.). – Une introduction aux logiques de descriptions. Rapport de recherche nRR 3314, INRIA, 1997.
[8] OBO Foundry – [http ://www.obofoundry.org].
[9] Ontology Lookup Service – [http ://www.ebi.ac.uk/ontology-lookup/].
[10] Ontology Matching – [http ://www.ontologymatching.org/index.html].
[11] Prompt – [http ://protege.stanford.edu/plugins/prompt/prompt.html].
[12] Prot´ g´ – [http ://protege.stanford.edu/].
e e
[13] Knowledge Web – [http ://knowledgeweb.semanticweb.org/].
[14] European Association for Semantic Web Education – [http ://ease.semanticweb.org/].
[15] OWL : Recommendation du W3C en francais – [http ://www.yoyodesign.org/doc/w3c/owl-ref-20040210/].
¸
[16] Swoogle Semantic Web Search Engine – [http ://swoogle.umbc.edu/index.php].
[17] Swoop – [http ://code.google.com/p/swoop/].
8