Complémentarité des deux mécanismes d'apprentissage "Clasca" et "Charade" pour le développement d'un système à base de connaissances. Application à la certification des systèmes de transport automatisés. - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 1992

Complémentarité des deux mécanismes d'apprentissage "Clasca" et "Charade" pour le développement d'un système à base de connaissances. Application à la certification des systèmes de transport automatisés.

Résumé

L'exploitation d'un nouveau Système de Transport Terrestre Automatisé (STA) tel que le VAL d'Orly, pose le problème de l'évaluation de son degré de sécurité. Cette tâche est menée actuellement par des spécialistes de l'INRETS appelés "Experts certifieurs". Ceux-ci s'attachent à vérifier la conformité sur le plan de la sécurité d'un nouveau STA. La certification repose sur une analyse profonde des risques d'accidents révélés par des scénarios d'insécurité. Afin d'aider les experts "certifieurs" à apprécier l'adéquation des équipements de protection proposés par les constructeurs, un système logiciel d'aide à l'analyse et l'évaluation de la sécurité des STA a été développé. Cet outil met à contribution deux mécanismes d'apprentissage : CHARADE et CLASCA, en vue de dégager un savoir-faire en certification, à partir des connaissances historiques d'analyse de sécurité détenues par les experts et les constructeurs sur les STA déjà certifiés. CLASCA est un système d'apprentissage inductif, incrémental et interactif permettant la classification des scénarios d'insécurité. Il s'inscrit dans le cadre de l'approche Symbolique/Numérique. Les exemples (scénarios) manipulés sont de nature symbolique. Un exemple est décrit, par une conjonction de paires (Attribut/valeur). Un attribut peut être de type énuméré, continu, multivalué ou ne prendre aucune valeur. La connaissance statique du domaine est décrite par une taxonomie d'accidents impliqués dans les STA. Les connaissances apprises sont des descriptions caractéristiques en "intension" de classes d'exemples qui en constituent l'"extension". La composante numérique est apparue indispensable pour traiter non seulement des connaissances incomplètes et non représentatives du domaine, mais aussi pour améliorer l'efficacité de l'apprentissage. En effet plusieurs critères et fonctions mathématiques sont utilisés pour : (1) rechercher la classe la plus similaire au nouvel exemple selon un critère d'adéquation, (2) assurer l'incrémentalité de l'algorithme par l'ajustement des poids (fréquences) associés à chaque descripteur, (3) garantir la convergence et la stabilité des connaissances apprises, compte tenu du caractère non monotone de CLASCA, (4) éviter tout chevauchement des classes construites (discrimination) et (5) favoriser l'explicabilité des classements obtenus. CLASCA construit incrémentalement des descriptions de classes d'exemples à partir : (1) d'un langage de description contenant un ensemble de descripteurs recensés lors de la phase d'extraction des connaissances auprès des experts certifieurs, (2) d'un ensemble d' exemples d'apprentissage non exhaustif et décrit dans ce même langage, (3) d'une partition de ces exemples en classes préétablies par l'expert, par l'application d'une technique de tri voisine du tri conceptuel. Chaque groupe d'exemples décrit implicitement un problème de sécurité particulier que l'expert chercheà identifier et (4) d'un choix des paramètres d'apprentissage permettant de régler le couple rapidité de convergence/qualité de la description obtenue. CLASCA repose sur les classes préétablies et induit pour chaque classe une description qui d'une part caractérise la partition effectuée par l'expert et d'autre part permet de déduire la classe d'appartenance d'un nouvel exemple. Chaque description est décrite par une conjonction de Triplets : (< Attribut> < Valeur> ). Les principales caractéristiques de CLASCA sont : 1 - l'apprentissage incrémental non monotone tel que l'intégration d'un nouvel exemple au sein d'une classe permet d'en faire évoluer de façon non monotone la description. Les problèmes de convergence et stabilité des connaissances apprises sont assurées moyennant quelques hypothèses. 2 - La coopération avec l'expert du domaine pour : (1) contrôler et valider les connaissances apprises, (2) compléter le langage de description ou la description des exemples, (3) proposer des solutions lorsque CLASCA échoue dans ses tentatives de classification, (4) différer les décisions de CLASCA, (5) maintenir la vigilance de l'expert et améliorer son aptitude à mieux formaliser et structurer ses connaissances. L'évaluation d'un scénario constructeur est réalisée en ayant recours au mécanisme d'apprentissage CHARADE ainsi qu'au générateur de systèmes experts IS2. CHARADE est un système d'apprentissage qui procède par détection de régularité sur un ensemble de scénarios contenant le paramètre "Panne" dans leur description et engendre un système de règles structuré traduisant les fonctions de reconnaissance des pannes. Cette base de connaissances d'évaluation exploitée par le moteur d'inférence d'IS2 fonctionnant en chaînage avant, permet de déduire les pannes envisageables dans le scénario constructeur. Par comparaison avec les pannes qu'il contient réellement, on déduit des pannes susceptibles de mettre en cause la sécurité du système de transport et par conséquent on favorise la génération des situations d'insécurité non prévues par le constructeur. En résumé, CLASCA permet de repérer la classe d'un nouvel exemple de scénario qui après évaluation au sein de cette même classe par CHARADE, IS2 et l'expert, peut devenir un exemple d'apprentissage pour enrichir la base d'apprentissage.
Fichier non déposé

Dates et versions

hal-03027591 , version 1 (27-11-2020)

Identifiants

  • HAL Id : hal-03027591 , version 1

Citer

Habib Hadj-Mabrouk, Lassaad Mejri, Bernard Houriez. Complémentarité des deux mécanismes d'apprentissage "Clasca" et "Charade" pour le développement d'un système à base de connaissances. Application à la certification des systèmes de transport automatisés.. 3e Journées symbolique-numérique, SFC-AFCET-AFIA, May 1992, Paris, France. pp.157-170. ⟨hal-03027591⟩
39 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More