Le formalisme particulier
des systèmes experts à règles

____________________________________________________________________________


Les méta-règles:

Elles expriment une connaissance sur la connaissance. Elles jouent un rôle important quand la source de règles est ?
Elles permettent aussi de partitionner aussi une base de connaissance et elles représentent les stratégies de recherche, les temps de recherche sont aussi liés au nombre de règles. C'est aussi une façon de réduire l'espace de recherche.
Comment ?

Exemples de méta règles :

 

Observons qu'une base de connaissance qui utlise de nombreuses règles de même type peut être simplifiée si les règles peuvent être remplacées par une règle ou des règles qui manipulent des variables.

Avec des variables il suffit d'une seule règle :

Par contre cette simplification entraine une augmentation du temps de recherche.
Dans les systèmes experts complexes, les méta-règles utilisent les contenus des règles et non les étiquettes des règles.

SI sport collectif ALORS considérer les règles dont la prémisse contient football, rugby.


Les Représentations hybrides de la connaissance :

Une base de connaissance peut être représentée par un formalisme prépondérant mais certaines connaissances pourront utiiser une autre symbolique qui conviendra mieux. EMYCIN, SPHINX, OPS, GURU, utilisent les règles d'inférence en priorité. GURU est capable aussi de gérer les bases de données. PROSPECTOR utilise prioritairement des réseaux sémentiques.
CRIQUET une représentation orientée objet .
Une représentation mixte apporte une meilleure efficacité et une plus grande pertinence.

La prise en compte du raisonnement incertain :

Les système expert avec des règles de production conviennent à la prise en compte de raisonnement incertain. Car dans la réalité, on ne peut pas toujours évaluer ses connaissances avec une échelle à deux valeurs : vrai ou faux.
L'incertitude vient :

Cette incertitude est traduite dans les règles d'inférences par l'adjonction aux faits d'un nombre compris entre -1 et +1 (-1 signifiera faux et +1 vrai).
Il est appelé coefficient de vraissemblance ou de plausibilité

Exemple : SI gros nuage blanc ALORS pluie (0.8)

Cette incertitude est traduite de différentes façons :

Les coefficients de vraissemblance ou de plausibilité ne sont pas des probabilités. Souvent ils sont fixés par un expert ou un comité d'experts.
Si l'expert donne des coefficients de vraissemblance à tous les faits de la règle, ceux ci peuvent être remis en cause par l'adjonction d'autres faits dans la règle.

Comment traduire le renforcement de deux faits conjugués ?

Méthode simpliste de calcul proposée pour le nouveau coefficient d'orage :
(0.6+0.8)/2*(0.3+0.5)=0.6
SI pluie (0.6) et éclairs (0.8) ALORS orage ( 0.6)

MYCIN l'un des systèmes experts les plus connus propose un mécanisme de calcul des coefficients de vraissemblance.


Les problèmes liés aux règles de production

Les règles sont stockées en mode déclaratif. L'exploitation de la base de règles peut manifester des anomalies : circularité, redondance, incompatibilité.

Le problème de la circularité :

Soit 2 règles :

Le système expert tourne alors en rond.

Le problème est le même dans le cas suivant :

Ce type de probmème traduit un problème de logique, souvent entre les liens de causalité.

SI démarrage impossilble ALORS abscence d'essence.
SI abscence d'essence ALORS démarrage impossilble.

Une autre erreure de logique apparaît avec des règles réciproques entre plusieurs faits.
La détection des circularités n'est pas évidente. L'erreure de logique doit être corrigée mais surtout elle doit permettre une réflexion sur la base de connaissance.

Le problème de redondance :

Il apparait dans ce type d'exemple :

En raisonnement déductif le fait b n'apporte rien dans les deux cas on obtient le fait c, le fait b en raisonnement inductif apporte une information supplémentaire.
Il n'est pas toujours utile de supprimer des règes redondantes.

Le problème de l'incompatibilité :

Il apparait dans ce type d'exemple.

Exemple :

SI ferrari ALORS couleur rouge.
SI ferrari ALORS couleur non rouge.

L'une des règles est incompatible et doit être supprimer.La détection des règles incompatibles n'est pas toujours facile.

Exemple :

R1 : SI oiseau(x) ALORS vole(x).

X=autruche, la règle se lit
Si oiseau est autruche alors autruche vole, proposition fausse puisque l'autruche ne vole pas et on est tenté d'écrire une deuxième règle :
R2 : SI oiseau(x) et autruche(x) ALORS ne vole pas (x).
Mais R1 et R2 sont des règles incompatibles.

L'exception devra s'écrire :
R2 : SI oiseau(x) et non autruche(x) ALORS vole (x).
Sans oublier les autres exceptions :l'autruche n'est pas le seul oiseau à ne pas voler. Certains systèmes experts dispose d'un formalisme qui gère les exceptions pour éviter une écriture fastidieuse d'un grand nombre d'exceptions de même type.
Les outils de maintient de la cohérence ont fait l'objet de nombreux travaux de recherche mais peu de système possèdent des outils efficaces de contrôles

L'apprentissage :

L'apprentissage peut porter sur l'enrichissement de la connaissance. Deux situations se présentent ,l'expert ajoute des règles à la base. Il s'agit d'un enrichissement sans apprentissage. Dans le deuxièmes les règles sont acquises automatiquement à partir d'exemples. C'est un processus d'apprentissage.Dans le système expert Meta-Dendral conçu par Buchanan etFeigenbaun (1978), un module donne de nouvelles règles à partir d'exemples (problème d'induction).
L'apprentissage peut proter sur l'amélioration des performances. Il s'agit de trouver des heuristiques performantes ou des méta-règles associées à certains faits de la base de faits.
Le système LEX (Mitchell) conçu pour calculer des primitives trouve des heuristiques à partir d'exemples traités.