CASE-BASED REASONING

Dimension: px
Commencer à balayer dès la page:

Download "CASE-BASED REASONING"

Transcription

1 14-16 rue Voltaire Kremlin Bicêtre Benjamin DEVÈZE Matthieu FOUQUIN PROMOTION 2005 SCIA CASE-BASED REASONING Juin 2004 Responsable de spécialité SCIA : M. Akli Adjaoute

2 Table des matières Table des matières 1 Introduction 1 2 État de l art Commentaires liminaires Bref historique Les différents modes de raisonnement Raisonnement à partir d exemples Raisonnement à partir de la mémoire Raisonnement à partir de cas Raisonnement par analogie Description générale d un CBR Principes généraux Avantages Composantes d un système à base de cas Connaissances Représentation des cas Le modèle à mémoire dynamique Le modèle de catégories et exemples Construction Recherche de cas Identification de caractéristiques Recherche initiale Sélection Réutilisation de cas (Adaptation) Copie Adaptation Maintenance Révision de cas Évaluation des solutions Réparation des erreurs Apprentissage Extraction Indexation Intégration Modèles CBR Modèle structurel Modèle conversationnel Modèle textuel Couplage d autres technologies et du CBR Perspectives Solutions industrielles existantes et applications 20 Case-Based Reasoning Page i

3 Table des matières 4 Apports du datamining au CBR Nettoyage des données Intégration du contexte Recherche des éléments importants Maintenance et amélioration du choix des classes Adaptation et généralisation 23 6 La similarité, la dissimilarité Abolute Similarity Relative Similarity Metric Similarity Méthode de calcul de similarité floue 27 8 Création de cas génériques par type de classe 28 9 Conclusion 29 Bibliographie 30 Case-Based Reasoning Page ii

4 Table des figures Table des figures 2.1 Modèle générique d un système CBR Cycle du CBR Décomposition du CBR par hiérarchie de tâches Structure des cas et des GE Structure du modèle de catégories Exemple de structuration d un cas en CBR structurel Exemple de cas pour le modèle conversationnel Illustration du principe Case-Based Reasoning Page iii

5 Chapitre 1. Introduction Chapitre 1 Introduction Le raisonnement à base de cas (que, par un petit abus de langage, nous abrègerons CBR 1 durant la suite du rapport) diffère à bien des égards des autres approches de l intelligence artificielle. Au lieu d exploiter la connaissance générale d un domaine, le CBR vise à utiliser la connaissance spécifique et pragmatique des problèmes précédemment expérimentés (les cas). Un nouveau problème est résolu en trouvant un cas passé semblable et en le réutilisant dans la nouvelle situation. Le CBR est, de plus, une approche progressive, évolutive puisqu une nouvelle expérience est conservée chaque fois qu un problème a été résolu, la rendant immédiatement disponible pour des problèmes futurs. Le raisonnement à partir de cas est un processus qui semble très naturel et il est bien évidemment souvent employé pour résoudre des problèmes de la vie courante. On peut ici faire deux observations qui, bien qu évidentes, légitiment l utilisation du CBR : - Les problèmes similaires ont des solutions similaires - On se retrouve souvent face à un problème que l on à déjà rencontré. L étude de CBR est conduite par deux motivations principales : la première, venant des sciences cognitives, trouve sa source dans le désir de copier le raisonnement humain et la deuxième, venant de l intelligence artificielle, vise à développer des techniques d IA et de raisonnement plus efficaces. Durant ces dernières années, le CBR a pris beaucoup d importance passant de domaine de recherche spécifique et isolé, à un secteur d intérêt de tout premier plan. Cette activité croissante autour du CBR et des domaines s y rattachant se traduit par un nombre important d articles et de conférences sur le sujet, par des développements d outils commerciaux prometteurs ainsi que par un usage quotidien de telles applications. Nous dresserons un état de l art relativement précis du domaine. Cela nous conduira à évoquer l histoire du CBR, ses grands principes, ses domaines d applications, les solutions industrielles existantes, l état actuel des connaissances, les grands problèmes qui se posent, les recherches en cours et enfin les grandes perspectives d évolution. Nous verrons ensuite ce que peuvent apporter au CBR d autres technologies classiques de l informatique avancée (Datamining, Systèmes Experts...). Nous traiterons également de sujets aussi divers que la généralisation, la similarité, la différenciation entre tendance et bruit, la création de cas générique... Ces thèmes se trouvent en effet au centre de tout système de CBR se voulant utilisable et performant dans le monde industriel. Nous tenterons d agrémenter le plus possible ce rapport d observations et de réflexions personnelles pertinentes... 1 Case-Based Reasoning Case-Based Reasoning Page 1

6 Chapitre 2 État de l art Sommaire 2.1 Commentaires liminaires Bref historique Les différents modes de raisonnement Raisonnement à partir d exemples Raisonnement à partir de la mémoire Raisonnement à partir de cas Raisonnement par analogie Description générale d un CBR Principes généraux Avantages Composantes d un système à base de cas Connaissances Représentation des cas Le modèle à mémoire dynamique Le modèle de catégories et exemples Construction Recherche de cas Identification de caractéristiques Recherche initiale Sélection Réutilisation de cas (Adaptation) Copie Adaptation Maintenance Révision de cas Évaluation des solutions Réparation des erreurs Apprentissage Extraction Indexation Intégration Modèles CBR Modèle structurel Modèle conversationnel Modèle textuel Couplage d autres technologies et du CBR Perspectives Case-Based Reasoning Page 2

7 2.1 Commentaires liminaires Cette partie a pour objectif de faire comprendre l utilité et le fonctionnement général des systèmes de raisonnement à base de cas. Après un bref historique, nous aborderons les grands principes des systèmes de CBR, ce qui nous permettra d appréhender les grands problèmes qui se posent dans le domaine et les techniques actuelles cherchant à y répondre. Il faudra ici s attarder sur ce qui fait tout le coeur du CBR à savoir les modes de représentation de la connaissance, l indexation, le stockage, la recherche de cas similaires à un problème donné, la réutilisation de cas, la révision de cas, les modes d apprentissage... Dans notre voyage dans le monde du CBR, nous ferons également un petit détour pour exposer les avantages que l on peut avoir à coupler certaines technologies de l IA avec les systèmes à base de CBR. Forts de ces connaissances, nous pourrons extrapoler sur les perspectives possibles de la recherche et les évolutions attendus des systèmes à base de CBR. 2.2 Bref historique Les origines du CBR en IA se situent dans les travaux de Roger Schank 1. Ces travaux ont mené à la théorie de la mémoire dynamique selon laquelle les processus cognitifs de compréhension, de mémorisation et d apprentissage utilisent une même structure de mémoire. Cette structure, les memory organization packets (MOP), est représentée à l aide de schémas de représentation de connaissance tels que des graphes conceptuels et des scripts. D autres avancées dans le domaine du CBR sont venues des études de Gentner 2 portant sur le raisonnement par analogies, ainsi que plus tôt, des études sur la formation des concepts, sur la résolution de problèmes ou encore sur l apprentissage par l expérience de Wittgenstein (1953), Tulving (1972), Smith (1981). Par exemple, Wittgenstein a observé que les concepts naturels 3 comme un oiseau, une chaise, une orange, une voiture, etc. sont polymorphes. C est à dire que leurs instances peuvent être classifiées de différentes façons, et qu il n est pas possible d en donner une définition classique, en terme d un ensemble de caractéristiques nécessaires et suffisantes. Une réponse à ce problème est de représenter un concept de manière extensive, en le définissant par l ensemble de ses instances, ou cas. L un des premiers systèmes, pouvant prendre l appellation de CBR, pourrait être CYRUS. CYRUS a été développé par Janet Kolodner (1983), à l université de Yale. CYRUS était basé sur le modèle de mémoire dynamique de Schank et sur sa théorie de résolution de problèmes et d apprentissage. Il s agissait d un système de question-réponses doté de connaissances sur les différents voyages et rendez-vous d un ancien secrétaire d état américain Cyrus Vance. Le modèle de mémoire qui fut développé pour ce système a servi de base pour un certain nombre d autres systèmes de CBR 4. Une autre base pour le CBR, et un autre ensemble de modèles, fut développé par Bruce Porter et son groupe à l université du Texas. Ils se sont d abord attaqués au problème d apprentissage de concepts par la machine pour des tâches de classification. Cela mena au développement de PRO- TOS (1989), qui vise à proposer une structure de représentation unifiée intégrant des connaissances générales d un domaine et des cas spécifiques. Cette combinaison fut poussée plus loin par GREBE (1991), une application pour le domaine juridique. Une autre contribution significative au CBR se trouve dans le travail de Edwina Rissland et son groupe du MIT. Avec quelques juristes, ils se sont en effet intéressé au rôle des précédents dans le raisonnement juridique. Les cas ne sont pas utilisés ici pour produire une simple réponse, mais pour interpréter une situation et proposer des arguments 1 Vers les concepts qui font parti du monde de la nature 4 MEDIATOR (1985), PERSUADER (1988), CHEF (1989), JULIA (1992), CASEY (1989) Case-Based Reasoning Page 3

8 pour chacun des parties. Cela aboutit à la création du système HYPO (1990) et CABARET (1992). Phyllis Koton (MIT) étudia l utilité du CBR dans l optimisation des performances d un système à base de connaissances existant portant sur un domaine décrit par un vaste modèle causal. Ces recherches se concrétisèrent dans le système CASEY (1989). En Europe, la recherche sur le CBR commença un peu plus tard qu aux USA. Cependant le travail sur le CBR semble y avoir été plus fortement combiné avec les recherches portant sur les systèmes experts ou encore sur l acquisition de connaissances. Parmi les premiers résultats, on trouve le travail de Michael Richter et Klaus Dieter Althoff portant sur un CBR pour les diagnostics techniques complexes qui se concrétisa dans le système MOLTKE (1989). Cela mena au système PATDEX (Richter 1991). En 1990 Enric Plaza et Ramon Lopez de Mantaras développèrent un CBR pour les diagnostics médicaux. Agnar Aamodt et ses collègues s intéressèrent à l aspect apprentissage du CBR dans le contexte de l acquisition de connaissances en général et de la maintenance du savoir en général. Du côté des sciences cognitives, Mark Keane travailla sur le raisonnement par analogies. Les activités autour du CBR se développent que ce soit en Europe ou aux USA. L Allemagne joue d ailleurs un rôle de premier plan dans le domaine, ainsi que l Asie. Au début de la dernière décennie, on a assisté à un regain de popularité du domaine et de nouvelles tendances qui misent sur la simplification de la représentation des cas et sur des applications à plus grande échelle. Le CBR se révèle alors une préciseuse technique pour la mise en oeuvre d applications commerciales pour différentes tâches telles que la résolution de problèmes (ex : diagnotic, planification, design), les systèmes d aide à la décision, les help desk et la gestion de connaissances. Ceci en fait l une des techniques de l intelligence artificielle les plus largement répandues actuellement. 2.3 Les différents modes de raisonnement Le CBR fait parti d un ensemble de processus de résolution qu il est important de différencier. Il faut également constater que, loin d être cloisonnés, ces modes de raisonnement se chevauchent, on trouve ainsi par exemple des raisonnements à partir de cas qui utilisent une structure d exemples Raisonnement à partir d exemples Les concepts y sont définis comme une classe d exemples. La résolution d un problème (donc d un exemple non classifié) se résume donc à la recherche de la classe qui correspond le mieux à l exemple. L ensemble des solutions contenues dans cette classe représente la solution pour l exemple donné. Dans cette représentation, les solutions ne sont pas modifi ées en fonction des données Raisonnement à partir de la mémoire Les cas sont stockées sous forme de mémoire et les méthodes de recherche et d accès lui sont propre. La parallélisation de ces processus est la caractéristique principale de ce type de raisonnement. L accès aux données peut être fait de manière syntaxique ou par des raisonnements plus complexes Raisonnement à partir de cas Il diffère tout d abord des autres types de raisonnement de part la nature des informations stockées. Celles-ci se doivent d être suffisamment riches et complexes tout en étant en accord avec l organisation interne des cas. Ensuite, les solutions proposées peuvent être modifiées et adaptées au problème donné. Bon nombre de ces systèmes utilisent des données de la psychologie cognitive Raisonnement par analogie Il est très proche du CBR, mais il est caractérisé par la volonté de faire des analogies entre les différents cas. Il permet par exemple de ne pas tenir compte du domaine auquel appartient le Case-Based Reasoning Page 4

9 problème. Il est donc orienté vers le problème de la représentation des cas et les moyens de faire ces analogies (corrélations et transferts). 2.4 Description générale d un CBR Principes généraux Le raisonnement à base de cas est une approche de résolution de problèmes qui utilise des expériences passées pour résoudre de nouveaux problèmes. L ensemble des expériences forme une base de cas. Typiquement un cas contient au moins deux parties : une description de situation représentant un problème et une solution utilisée pour remédier à cette situation. Parfois, le cas décrit également les conséquences résultant de l application de la solution (ex : succès ou échec). Les techniques CBR permettent de produire de nouvelles solutions en extrapolant sur les situations similaires au problème à résoudre. Cette approche est adéquate pour les domaines où la similarité entre les descriptions de problèmes nous donne une indication de l utilité des solutions antécédentes. Comme nous l avons dit le CBR est un mode de résolution de problèmes qui est relativement différent des autres approches d IA. Au lieu de se reposer seulement sur des connaissances générales d un domaine, ou de faire des associations générales entre descriptions du problème et conclusions, le CBR est capable d utiliser les connaissances spécifiques d expériences précédentes, les cas. Illustrons ces principes généraux par quelques exemples : Un médecin après avoir examiné un patient se souvient d un autre patient qu il a traité deux semaines plus tôt. Ce souvenir est causé par une similarité importante entre les symptômes des deux patients, le médecin utilise le diagnotic et le traitement du patient préc dent pour déterminer le cas du nouveau patient. Un chimiste, qui a été confronté à deux explosions dramatiques, se rappelle soudain de l une de ces situations lorsque les conditions d une expérience sont semblables à celles qui avaient provoqué les explosions. Il utilise alors son expérience d un cas passé pour éviter de provoquer un nouvel incident. etc. Comme en témoigne ces exemples, raisonner en réutilisant des cas passés est un moyen puissant utilisé fréquemment pour résoudre des problèmes. Ceci est confirmé par des expériences de psychologie et de sciences cognitives. Il est également avéré que les experts procèdent de même. Des études sur le raisonnement par analogie montrent également l utilisation fréquente des expériences passées pour la résolution de problèmes nouveaux et différents. Ceci offre une assise théorique au CBR. Comme nous l avons déjà évoqué, dans la terminologie du CBR un cas dénote un problème. Une situation précédemment expérimenté, qui a été enregistrée, apprise de façon à être réutilisée pour résoudre un problème futur, est un cas passé. Un nouveau cas ou cas non résolu consiste en la description d un nouveau problème à résoudre. Notons que le terme résolution de problème est utilisé ici dans une acception large. Il ne s agit pas nécessairement de trouver la solution concrète d un problème. Il peut également s agir de critiquer, justifier une solution proposée, d interpréter une situation, de générer un ensemble de solutions possibles Avantages L approche CBR offre de nombreux avantages. Pour certaines applications, la démarche CBR est plus simple à mettre en oeuvre que celles basées sur un modèle du domaine (ex : base de règles) ; elle permet d éviter les problèmes d acquisition de connaissance (knowledge bottleneck) qui rendent difficile la conception de bases de connaissances de taille importante. Le CBR est particulièrement bien adapté aux applications dont la tâche est accomplie par des humains expérimentés dans leur Case-Based Reasoning Page 5

10 domaine et dont les expériences sont disponibles dans une base de données, dans des documents ou chez un expert humain. On l utilise pour les domaines n exigeant pas de solution optimale et dont les principes sont mal formalisés ou peu éprouvés Composantes d un système à base de cas Un système CBR est une combinaison de processus et de connaissances (knowledge containers) qui permettent de préserver et d exploiter les expériences passées. Pour simplifier notre présentation, nous nous appuyons sur le modèle générique présenté ci-après : FIG. 2.1 Modèle générique d un système CBR On y note comme principaux processus la recherche (retrieval), l adaptation (reuse), la maintenance (retain) et la construction (authoring) et comme structures de connaissances le vocabulaire d indexation, la base de cas, les métriques de similarité et les connaissances d adaptation. Nous pouvons également illustrer nos propos par un modèle sous forme de cycle : Case-Based Reasoning Page 6

11 FIG. 2.2 Cycle du CBR Nous ne commenterons pas plus la figure ci-dessus car elle est proche de ce qui a déjà été dit. Toutefois remarquons que la connaissance générale joue un rôle dans le cycle. Ce rôle est plus ou moins important selon le domaine. Cette connaissance générale doit être entendue par une connaissance dépendante du domaine et s oppose à la connaissance spécifique qui se retrouvre dans les cas. Il est possible d offrir une vue générale du CBR en présentant une hiérarchie des tâches du CBR comme suit : Case-Based Reasoning Page 7

12 FIG. 2.3 Décomposition du CBR par hiérarchie de tâches Nous verrons donc successivement les différentes tâches centrales qui doivent être effectuées par un CBR. Il existe différents types de CBR et nous ne pouvons prétendre à l exhaustivité. Malgré des tentatives d unification des modèles, les méthodes restent variées et propres aux différents domaines traités. Toutefois un CBR doit suivre un certain nombre d étapes incontournables que nous traiterons successivement. Nous verrons également les grands problèmes qui se posent et les solutions qui peuvent être avancées. Case-Based Reasoning Page 8

13 Les étapes incontournables sont les suivantes : Identifier le problème courant Trouver le cas passé le plus similaire au problème courant Utiliser ce cas pour suggérer une solution nouvelle Évaluer cette solution Mettre à jour le système avec ce nouveau cas Les grandes difficultés qui se posent sont donc les suivantes : Représentation de la connaissance Récupération de cas similaires Réutilisation de ces cas Modification de la solution (adaptation) stockage des informations relatives au problème Notons qu il n existe pas de solutions miracles et qu un grand travail reste à faire dans le domaine. Il suffit qu un de ces points soit mal traité pour que le système complet soit bancal. Il faut impérativement adapté chaque système au domaine traité. 2.5 Connaissances Les différentes connaissances utilisées par un système CBR sont regroupées en quatre catégories (knowledge containers) : vocabulaire d indexation : un ensemble d attributs ou de traits (features) qui caractérisent la description de problèmes et de solutions du domaine. Ces attributs sont utilisés pour construire la base de cas et jouent un rôle important lors de la phase de recherche. base de cas : l ensemble des expériences structurées qui seront exploitées par les phases de recherche, d adaptation et de maintenance. mesures de similarité : des fonctions pour évaluer la similarité entre deux ou plusieurs cas. Ces mesures sont définies en fonction des traits et sont utilisées pour la recherche dans la base de cas. connaissances d adaptation : des heuristiques du domaine, habituellement sous forme de règles, permettant de modifier les solutions et d évaluer leur applicabilité à de nouvelles situations. 2.6 Représentation des cas Un système à base de CBR est très dépendant de la structure et du contenu de ses cas. Comme un problème est résolu en faisant appel à une expérience passé convenant au nouveau problème, la recherche de cas et les processus de matching doivent être efficaces et rapides. De plus, comme l expérience d un problème qui vient d être résolu doit être retenue d une façon ou d une autre, ces exigences doivent aussi être respectées pour l intégration d un nouveau cas dans la mémoire. Le problème de représentation consiste d abord à déterminer ce qui doit être stocké dans un cas, il faut aussi trouver une structure décrivant bien le contenu d un cas, décider comment organiser et indexer les cas pour une recherche et une réutilisation efficace. Nous allons décrire brièvement le modèle à mémoire dynamique et le modèle de catégories et exemples Le modèle à mémoire dynamique Comme il a été dit, le premier système qui peut être considéré comme du CBR est CYRUS qui se base sur le modèle de mémoire dynamique de Schank. La mémoire de cas dans ce modèle est une structure hiérarchique de ce qu on appelle episodic memory organization packets (E-MOPS). Ce modèle a été développé à partir de la théorie plus général de Schank. L idée est d organiser les Case-Based Reasoning Page 9

14 cas spécifiques qui partagent des propriétés similaires dans une structure plus générale, un GE 5. Un GE contient trois différents types d objets : des Normes, des Cas et des Index. Les Normes sont des caractéristiques communes à tous les cas indexés dans un GE. Les index sont les différences, les points discriminants entre les cas d un GE. Un index peut pointer vers un GE plus spécifique ou directement vers un cas. Un index est composé de deux termes : le nom de l index et sa valeur. La figure qui suit illustre cette structure. FIG. 2.4 Structure des cas et des GE Ce schéma montre un GE général, avec ses cas et un GE plus spécifique. La mémoire entière forme un réseau de discrimination où un noeud est un GE, un nom d index, une valeur d index ou un cas. Chaque index relie un GE à un autre GE ou à un cas. Une valeur d index ne peut pointer que vers un cas ou un GE. L indexage est redondant, il y a plusieurs chemins vers un cas particulier ou un GE (cf cas 1 dans le schéma). Quand une nouvelle description de cas est donné et que l on recherche le cas le plus proche, le nouveau cas est introduit à la racine du réseau. La procédure de recherche est semblable pour retrouver des cas et pour les stocker. Quand une ou plusieurs caractéristiques concordent une ou plusieurs caractéristiques d un GE, on discrimine le cas en se basant sur ses traits restants. On trouve alors éventuellement le cas qui a le plus en commun avec le nouveau cas 6. Lors du stockage d un nouveau cas, lorsqu un caractère du nouveau cas correspond à une donnée d un cas existant, un GE est créé. Les deux cas sont alors discriminés à partir de leurs différences en les indexant différemment sous ce GE. Si, lors de la phase de stockage, deux cas (ou deux GE) terminent sous le même index, un nouveau GE est automatiquement créé. Ce type de mémoire est dynamique, dans le sense où les parties similaires de deux cas sont dynamiquement généralisées dans un GE et que les cas sont ensuite indexés sous un GE par leurs différences. Un cas est retenu en retrouvant le GE qui a le plus de Normes en commun avec la description du problème. Les index sous ce GE sont ensuite parcours afin de trouver le cas qui contient le plus de 5 Generalized Episode 6 Ce n est pas forcément le critère de similarité le plus pertinent, le critère de similarité peut en effet favoriser certaines caractéristiques particulières... Case-Based Reasoning Page 10

15 caractères en commun avec le problème. Le stockage d un nouveau cas se fait de la même façon, avec en plus la création dynamique de GE lorsqu il y a lieu. Comme le système d indexation est un réseau de discrimination, un cas est stocké sous chaque index qui le différencie des autres cas. Cela peut conduire à une explosion du nombre d index. Ainsi la plupart des systèmes qui utilisent ce système d indexation mettent des limites dans le choix des index pour les cas. Les propriétés dynamiques de cette organisation peuvent être vues comme une tentative de construction d une mémoire qui intègre la connaissance de cas spécifiques et la généralise. Cette organisation permet l apprentissage de connaissance généralisée ainsi que de cas spécifiques. C est un modèle plausible bien que simplifié de l apprentissage et du raisonnement humain Le modèle de catégories et exemples Le système PROTOS (1989) propose une méthode alternative pour organiser les cas dans la mémoire. Les cas sont appelés exemples. Le fondement psychologiques et philosophiques de cette méthode est l idée selon laquelle le monde réel, les concepts naturels doivent être définis de manière extensive. Les caractéristiques sont affectées avec une importance plus ou moins grande et permettent de caractériser l appartenance d un cas à une catégorie. L ensemble des cas est stocké sous forme d un graphe comprenant des catégories, des cas et des index. Chaque cas est associé à une catégorie. Un index peut pointer sur un cas ou une catégorie. Une caractéristique est, généralement, décrites par un nom et une valeur. Les index sont de trois types : liens de rappel qui relient une description de problème à des cas ou des catégories liens d exemple qui relient les catégories aux cas associés liens de différence qui relient des cas avec des cas voisins ne différant que par un nombre réduit de caractéristiques. La figure suivante illustre cette structure, les liens reliant caractéristiques et cas aux catégories. Les exemples sont classés du plus prototypique d une catégorie au moins prototypique. FIG. 2.5 Structure du modèle de catégories Trouver le cas qui correspond le mieux à un problème donné se fait par la recherche de la catégorie dont les caractéristiques sont les plus similaires à ce problème. L exemple le plus prototypique appartenant à cette catégorie est retourné. L ajout d un nouvel exemple se fait de manière similaire à la recherche, mais cette phase est suivie par l ajout de différents liens que le système impose. Case-Based Reasoning Page 11

16 2.7 Construction Ce processus, en amont des activités de résolution de problèmes du système CBR, soutend la structuration initiale de la base de cas et des autres connaissances du système à partir de différentes ressources tels des documents, bases de données ou transcriptions d interviews avec des praticiens du domaine. Ce processus, souvent effectué manuellement par le concepteur du système, se prête moins bien à l automatisation car il nécessite une connaissance du cadre applicatif pour guider, entre autre, la sélection du vocabulaire d indexation et la définition des métriques de similarités. 2.8 Recherche de cas Cette phase permet de déterminer les cas de la base qui sont les plus similaires au problème à résoudre. La procédure de recherche est habituellement implémentée par une sélection des plus proches voisins (k-nearest-neighbors) ou par la construction d une structure de partitionnement obtenue par induction. L approche des plus proches voisins utilise des métriques de similarité pour mesure la correspondance entre chaque cas et le nouveau problème à résoudre. L approche par induction génère un arbre qui répartit les cas selon différents attributs et qui permet de guider le processus de recherche. La tâche commence avec une description partielle d un problème et s achève quand un cas passé proche a été trouvé. Elle se décompose en trois sous tâches à savoir : Identification de caractéristiques Recherche initiale Sélection La tâche d identification met à jour un ensemble de problèmes, le but de la phase de recherche est de retourner un ensemble de cas qui sont suffisamment proches du cas courant, la phase de sélection travaille sur cet ensemble et choisi le meilleur cas. Certains systèmes de CBR se basent surtout sur des similarités superficielles d ordre syntaxique, d autres approches privilégient les correspondances plus profondes d ordre sémantique. Afin de développer des systèmes de mise en corrélation basés sur des similarités sémantiques et d importances relatives selon les caractéristiques considérées, une connaissance importante du domaine est nécessaire. Les similarités d ordre syntaxique ont l avantage dans des domaines où des connaissances générales sont difficiles à acquérir. D un autre côté les approches orientées sémantiques sont capables d utiliser le sens contextuel de la description d un problème pour effectuer le matching dans des domaines où une connaissance générale est possible. Il faut également adapter la stratégie de recherche au but que l on se fixe Identification de caractéristiques Identifier un problème peut simplement consister à stocker ses descriptions, mais bien souvent une approche plus élaborée est nécessaire, il s agit alors de tenter de faire comprendre le problème et d analyser le contexte. Dans certains systèmes lorsque des données sont insuffisantes ou inconnues, le CBR demande des informations complémentaires à l utilisateur. Comprendre un problème implique de filtrer les entrées bruitées, de s assurer de la cohérence des données dans le contexte, de faire ressortir les caractéristiques les plus pertinentes. Les descriptions manquantes peuvent également être générées par un modèle de connaissance pour être ensuite validé par ce modèle ou par l utilisateur Recherche initiale Cette tâche est généralement séparée en deux étapes : Une recherche initiale qui retourne un ensemble de candidats plausibles Case-Based Reasoning Page 12

17 une recherche plus élaboré qui sélectionne le meilleur de ces candidats (Voir la partie suivante pour cette étape) Dégager un ensemble de candidats plausibles se fait en utilisant les données du problème. Il s agit soit de suivre directement les index à partir des entrées du problème soit de chercher dans un modèle général de connaissance du domaine. Des métriques de similarité globales peuvent être utilisées. Ces méthodes peuvent être combinées pour s assurer une pertinence et une cohérence maximale. Les cas peuvent être retrouvés à partir des seules données mais aussi à partir de caractéristiques dégagées à partir de cas données. Les cas qui coincident parfaitement avec les entrées sont, bien évidemment, de bons candidats, mais, selon la stratégie, les cas qui ne correspondent que pour une partie des caractéristiques du problème peuvent aussi ressortir. Des tests de cohérence sont souvent effectués, particulièrement si les cas retrouvés n ont en commun qu une sous-partie des données du cas à traiter. Il peut être utile de prondérer chaque caractère en fonction de son importance pour la résolution du problème dans un contexte donné Sélection A partir de l ensemble des candidats plausibles, le meilleur doit être choisi. Cela peut avoir été fait dès la phase de recherche mais le plus souvent elle retourne un ensemble de cas. Le meilleur cas est souvent déterminé en évaluant le degré de similitude de façon plus précise. Cela est fait en tentant de générer des explications tendant à justifier des dissimilarités entre le candidat et le problème à traiter. Si les candidats trouvés s avèrent peu pertinents, une nouvelle tentative de recherche peut être déclenchée à partir de nouveaux critères. Le processus de sélection génère souvent des conséquences et des attentes à partir de chaque cas retrouvé, et tentent de les justifier. Cela peut se faire en utilisant les connaissances générales du domaine, ou en demandant à l utilisateur des confirmations ou des informations supplémentaires. Les candidats sont éventuellement classés à partir de d autres critères supplémentaires ou de métriques de similarité alternatives. D autres caractéristiques telles que l importance relative de données ou des calculs portant sur le degré de discrimination peuvent être employés. 2.9 Réutilisation de cas (Adaptation) Suite à la sélection de cas lors de la phase de recherche, le système CBR aide l usager à modifier et à réutiliser les solutions de ces cas pour résoudre son problème courant. En général, on retrouve deux approches pour l adaptation de cas. Par l approche transformationnelle (ou structurelle), on obtient une nouvelle solution en modifiant des solutions antécédentes et en les réorientant afin de satisfaire le nouveau problème. Par l approche générative (ou dérivationnelle), on garde, pour chaque cas passé, une trace des étapes qui ont permis de générer la solution. Pour un nouveau problème, une nouvelle solution est générée en appliquant l une de ces suites d étapes. Certains travaux visent également à unifier ces différentes approches d adaptation pour une proposition de modèle général. Nous allons détailler ci-après ces méthodes. Peu de systèmes CBR font de l adaptation complètement automatique. Pour la plupart des sytèmes, une intervention humaine est nécessaire pour générer partiellement ou complètement une solution à partir d exemples. Le degré d intervention humaine dépend des bénéfices en terme de qualité de solution que peut apporter l automatisation de la phase d adaptation. La réutilisation des solutions de cas passé dans le contexte de nouveaux cas se concentre sur deux aspects : quelles sont les différences entre le cas passé et le cas présent, qu elle partie du cas retrouvé peut être transféré au nouveau cas. Case-Based Reasoning Page 13

18 2.9.1 Copie Dans les tâches de classification simples les différences sont ignorées, elles sont considérées comme non pertinentes par rapport aux similarités, et la solution du cas retrouvé est transféré au nouveau cas. C est une méthode triviale de réutilisation. Toutefois, d autres systèmes doivent prendre en compte ces différences et le transfert d un cas passé au nouveau cas nécessite une adaptation tenant compte de ces dissemblances Adaptation Dans l approche transformationnelle, la solution du cas passé n est pas directement la solution du cas nouveau mais il existe des connaissances, sous la forme d opérateurs transformationnels qui s applique à la solution ancienne pour la modifier en une solution pour le cas courant. Une façon d organiser ces opérateurs est de les indexer autour des différences détectées entre le cas courant et passé retrouvé. Cet approche ne s intéresse pas à la façon dont le problème est résolu mais se concentre sur l équivalence des solutions proposées. Cela nécessite cependant une connaissance solide du domaine pour produire les opérateurs transformationnels et cela n est bien évidemment pas toujours possible. L approche dérivationnelle s intéresse à la façon dont a été résolu le cas retrouvé. Ce cas contient des informations sur la méthode qui a été utilisé pour résoudre le problème associé, ce qui inclut une justification des opérateurs utilisés, des sous-buts, des alternatives, des chemins erronés qui ont été suivis, etc. La méthode dérivationnelle réinstancie la méthode retrouvée au nouveau cas et rejoue le plan passé dans le nouveau contexte. Durant cette étape, les alternatives et chemin à succès sont explorés en priorité, alors que les échecs seront évités. De nouveaux buts seront poursuivis sur la base des anciens Maintenance Durant le cycle de vie d un système CBR, les concepteurs doivent préconiser certaines stratégies pour intégrer de nouvelles solutions dans la base de cas et pour modifier les structures du système CBR pour en optimiser les performances. Une stratégie simple est d insérer tout nouveau cas dans la base. Mais d autres stratégies visent à apporter des modifications à la structuration de la base de cas (ex : indexation) pour en faciliter l exploitation. On peut également altérer les cas en modifant leurs attributs et leur importance relative. Cet aspect de recherche est actuellement l undes plus actifs du domaine CBR Révision de cas Quand une solution généré par la phase de réutilisation n est pas correcte, l opportunité d apprendre de ses échecs s offre au système de CBR. Cette phase s intitule révision et consiste en deux tâches : évaluer la solution générée par la réutilisation. Si elle est réussie, le système apprend de ce succès (voir partie suivante), sinon le système répare la solution en utilisant des informations spécifiques du domaine Évaluation des solutions La tâche d évaluation considère le résultat de l application de la solution proposé dans l environnement réel, en faisant appel à un utilisateur ou en effectuant la tâche dans le monde réel. Ces résultats peuvent prendre beaucoup de temps à apparaître selon le type d application. Dans le domaine médical, par exemple, la déterminatin du succès ou de l échec d un traitement peut prendre plusieurs mois. Le cas peut toujours être appris et servir pendant une période transitoire, mais il doit être marqué comme non évalué. Une solution peut également être appliquée à un programme de simulation capable de générer une évaluation correcte. Case-Based Reasoning Page 14

19 Réparation des erreurs La réparation de cas implique la détection des erreurs de la solution courante et la mise à disposition des explications associées. Le système CHEF, par exemple, permet de trouver pourquoi certains buts n ont pas été réalisés. Il permet également de modifier la solution afin d éviter lécueil des erreurs précédentes Apprentissage Le CBR est fortement couplé à la notion d apprentissage. L une des forces motrices du CBR provient d ailleurs de la communauté travaillant sur l apprentissage par les machines (dont le CBR peut être considéré comme un sous domaine). La notion de CBR ne se réduit pas simplement à une méthode particulière de résolution de problèmes qui ne se soucierait pas de comment les cas sont acquis. Le CBR comprend un apprentissage de la machine qui permet notamment de mettre à jour les cas, d apprendre de nouveaux cas et de s assurer de leur cohérence. Lorsqu un problème est résolu avec succès, l expérience est retenu afin de traiter de nouveaux problèmes du même type. Quand une tentative de résolution échoue, les raisons de l échec sont identifiées et stockées afin d éviter de commettre à nouveau la même erreur à l avenir (voir réparation des erreurs). Le CBR favorise donc l apprentissage par l expérience, c est d ailleurs souvent plus facile de retenir des cas concrets que de généraliser à partir de ces cas. Bien évidemment, comme nous l avons déjà évoqué, un apprentissage efficace nécessite un ensemble de méthodes afin notamment d extraire les connaissances pertinentes de l expérience, d intégrer un cas dans une connaissance existante, d indexer les cas pour pouvoir détecter facilement les cas les plus similaires... Ce processus permet d incorporer dans système tout ce qu il est utile de retenir de la résolution du problème courant. L apprentissage des succès et des échecs des solutions proposés est possible grâce à l évaluation et à la réparation possible de ces solutions. Cela implique de sélectionner les informations pertinentes du cas qu il faut conserver, de déterminer la meilleure façon de les stocker, la meilleure façon de les indexer afin de facilement les retrouver pour des problèmes similaires et également de trouver comment les intégrer dans la structure de mémoire choisie Extraction Dans le CBR, la base de cas est mise à jour quelque soit la façon dont le problème a été résolu. Si il a été résolu en utilisant un cas passé, un nouveau cas peut être construit ou le cas passé peut être généralisé pour traiter également le nouveau cas. Si le problème a été résolu par d autres méthodes, un nouveau cas devra être construit. Dans tous les cas, une décision doit être prise sur ce qui doit être utilisé comme source d apprentissage. Les caractéristiques pertinentes du problèmes et de la solution sont des candidats évidents. Mais une explication ou une autre forme de justification révélant pourquoi une solution est bonne peuvent être également ajoutées dans le nouveau cas. Dans le cadre de l approche dérivationnelle, il faut extraire les étapes clés du raisonnement qui a été adopté. Les échecs, i.e. les informations issues des tâches de révision, peuvent aussi être extraits et stockés dans le système. Quand un échec est rencontré, le système peut alors récupérer des cas d échecs similaires, et utiliser ces informations pour améliorer sa compréhension de l échec courant Indexation Le problème d indexation est une difficultée centrale et incontournable des CBR. Il implique de décider quel type d index utiliser pour des recherches futures, et comment structure l espace de recherche. Une solution triviale du problème consiste à utiliser toutes les caractéristiques d un problème comme index. C est un problème d acquisition de connaissance, et il doit être analysé comme faisant parti de l analyse du domaine et de la phase de modélisation. Certains systèmes, comme Case-Based Reasoning Page 15

20 CBR-Talk, déterminent les caractéristiques pertinentes pouvant faire office d index, en parcourant en parallèle tous les cas de la base et en éliminant les caractères communs les plus courants du cas à traiter Intégration Il s agit de létape finale de la mise à jour. Si aucun nouveau cas a été construit, en modifiant l indexation de cas existant, les CBR apprennent à améliorer l accès à des cas similaires. L importance des index pour un cas particulier est ajusté en fonction des succès et des échecs rencontrés en utilisant ce cas. Pour les caractéristiques qui ont été jugées pertinentes à la mise à jour d une solution réussie, l association est renforcée, dans le cas contraire sa force est diminuée. De cette façon, la structure d indexation a un rôle central d adaptation et d optimisation de la mémoire des cas Modèles CBR Modèle structurel Le modèle structurel a émergé des premières vagues applicatives de systèmes CBR. Dans ce modèle, toutes les caractéristiques importantes pour décrire un cas sont déterminées à l avance par le concepteur du système. Ainsi, le concepteur élabore un modèle de données du domaine applicatif. Tel qu illustré à la figure suivante, les cas sont complètement structurés et sont représentés par des paires <attribut, valeur> (similaire à un frame ou à un objet). D un point de vue applicatif, un attribut représente une caractéristique importante du domaine d application. Les échelles de valeurs les plus fréquemment utilisées pour structurer les attributs sont les entiers/réels, les booléens et les symboles. La représentation des cas peut être sur un seul niveau ou sur plusieurs niveaux (hiérarchie d attributs). FIG. 2.6 Exemple de structuration d un cas en CBR structurel La similarité entre deux cas est mesurée en fonction de la distance entre les valeurs de mêmes attributs. Cette distance est fréquemment estimée par les mesures euclidiennes et de Hamming. La similarité globale entre deux cas est habituellement évaluée par une somme pondérée de la similarité de chacun des attributs. Comme les attributs d un cas n ont pas tous la même importance et que cette importance varie d une situation à l autre, un poids est attribué à chaque attribut de chaque cas. Ces poids permettent de pondérer la similarité globale entre deux cas en accordant un crédit plus important aux attributs les plus méritants. Tous les travaux sur l adaptation de cas sont menés dans le cadre du modèle structurel. L adaptation peut varier d une simple substitution de la valeur d un attribut jusqu à la restructuration complète d une solution. Leake identifie environ dix techniques permettant de générer des solutions par substitution, transformation partielle ou dérivation complète. Ces techniques sont habituellement mises en oeuvre par des systèmes à base de règles, ce qui nous ramène aux problèmes d acquisition de connaissance et d absence de principes généraux pour certains domaines. Pour en limiter les difficultés, certaines approches évitent l adaptation en sélectionnant, durant la phase de recherche, des cas qui nécessiteront peu d adaptation. Case-Based Reasoning Page 16

21 Modèle conversationnel Dans l approche traditionnellle (le modèle structurel), un problème doit être complètement décrit avant que ne débute la recherche dans la base de cas. Cette exigence présuppose une expertise du domaine d application permettant de bien caractériser une situation à l aide de valeurs numériques ou symboliques de sélectionner les principaux facteurs pouvant influencer la résolution de son problème. Toutefois pour certains domaines comme le service à la clientèle, ces aspects sont difficiles à déterminer à l avance, surtout pour les usagers novices de systèmes CBR. Le modèle conversationnel a donc été proposé par Inference Corporation pour surmonter ces difficultés. Il est actuellement le modèle le plus répandu parmi les applications commerciales du CBR. Comme son nom l indique, le modèle CBR conversationnel mise sur l interaction entre l usager et le système (d où la notion de conversation) pour définir progressivement le problème à résoudre et pour sélectionner les solutions les plus appropriées. Un cas conversationnel consiste en trois parties (voir figure qui suit) : un problème P : une brève description textuelle, habituellement de quelques lignes, de la nature du problème exprimée. une série de questions et de réponses Q A : des index, exprimés sous forme de questions, permettant d obtenir plus d information sur la description du problème. Chaque question a un poids représentant son importance par rapport au cas. une action A : une description textuelle de la solution à mettre en oeuvre pour ce problème. Cette description n est pas structurée. FIG. 2.7 Exemple de cas pour le modèle conversationnel Cette représentation de cas est donc une extension du modèle structurel avec des attributs de trois types bien précis : description, questions, actions. La notion de trait est étendue à la notion de question afin de pouvoir interroger l usager. Dans le schéma de résolution du CBR conversationnel, l intéraction entre le système et l usager se fait comme suit : L usager fournit au système une brève description textuelle du problème à résoudre et le système calcule la similarité entre cette description et la section problème des cas. Le système propose alors à l usager une série de questions. L usager choisit les questions auxquelles il souhaite répondre. Pour chaque réponse fournie par l usager, le système réévalue la similarité de chacun des cas. Les questions n ayant pas reçu de réponse sont présentées par ordre décroissant de priori te. Lorsqu un des cas atteint un niveau de similarité suffisamment élevé (i.e. qu il franchit un seuil), le système propose ce cas comme solution. Si aucun cas n atteint un degré de similarité suffisant et que le système n a plus de questions à poser à l usager, le problème est stocké comme étant non-résolu. Les systèmes CBR conversationnels n effectuent pas d adaptation des solutions passées. Une des raisons est que la portion solutions des cas n est pas structurée, ce qui rend difficile la formulation de connaissances d adaptation. Également, il semble que, pour les applications de type help-desk, Case-Based Reasoning Page 17

Raisonnement à base de cas textuels état de l art et perspectives

Raisonnement à base de cas textuels état de l art et perspectives Raisonnement à base de cas textuels état de l art et perspectives Luc Lamontagne Guy Lapalme Université de Montréal, Département d informatique et de recherche opérationnelle (DIRO) CP 6128, Succ. Centre-ville,

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

GIND5439 Systèmes Intelligents. Septembre 2004

GIND5439 Systèmes Intelligents. Septembre 2004 GIND5439 Systèmes Intelligents Septembre 2004 Contenu du cours Introduction aux systèmes experts Intelligence artificielle Représentation des connaissances Acquisition de connaissances Systèmes à base

Plus en détail

Les principaux domaines de l informatique

Les principaux domaines de l informatique Les principaux domaines de l informatique... abordés dans le cadre de ce cours: La Programmation Les Systèmes d Exploitation Les Systèmes d Information La Conception d Interfaces Le Calcul Scientifique

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Études sur la traduction et le multilinguisme

Études sur la traduction et le multilinguisme Études sur la traduction et le multilinguisme Contrôle de la qualité de documents dans les administrations publiques et les organisations internationales Résumé 2/2013 Traduction Europe Direct est un service

Plus en détail

MANUEL DES STAGES Master professionnel Option : Gestion Scolaire

MANUEL DES STAGES Master professionnel Option : Gestion Scolaire Université Saint-Joseph Faculté des Sciences de l Éducation MANUEL DES STAGES Master professionnel Option : Gestion Scolaire 2014 2015 Faculté des Sciences de l Education, mis à jour 26 novembre 2014 TABLE

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

Dossier de Validation des Acquis de l expérience

Dossier de Validation des Acquis de l expérience Dossier de Validation des Acquis de l expérience Etape : 2 Guide de réalisation du dossier de présentation de V.A.E. Demande concernant le Diplôme de l Ipag Diplôme de Formation Supérieure au Management

Plus en détail

Service combinators for farming virtual machines

Service combinators for farming virtual machines Master d Informatique Fondamentale École Normale Supérieure de Lyon Sémantique du parallélisme Chantal Keller Service combinators for farming virtual machines K. Bhargavan, A. D. Gordon, I. Narasamdya

Plus en détail

Méthode d extraction des signaux faibles

Méthode d extraction des signaux faibles Méthode d extraction des signaux faibles Cristelle ROUX GFI Bénélux, Luxembourg cristelle.roux@gfi.be 1. Introduction Au début d une analyse stratégique, la première question posée est très souvent la

Plus en détail

MANAGEMENT ET GESTION DES ENTREPRISES (épreuve n 299) ANNEE 2010. Epreuve conçue par HEC. Voie Technologique. Technologique 775 10,00 3,70

MANAGEMENT ET GESTION DES ENTREPRISES (épreuve n 299) ANNEE 2010. Epreuve conçue par HEC. Voie Technologique. Technologique 775 10,00 3,70 MANAGEMENT ET GESTION DES ENTREPRISES (épreuve n 299) ANNEE 2010 Epreuve conçue par HEC Voie Technologique NBRE CANDIDATS MOYENNES ECARTS-TYPE RESULTATS GLOBAUX 775 10,00 3,70 VOIES PREPARATOIRES Technologique

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

Nom de l application

Nom de l application Ministère de l Enseignement Supérieur et de la Recherche Scientifique Direction Générale des Etudes Technologiques Institut Supérieur des Etudes Technologiques de Gafsa Département Technologies de l Informatique

Plus en détail

Fiche-action n UNE PEDAGOGIE DE PROJET POUR UN L ENSEIGNEMENT D EXPLORATION SES

Fiche-action n UNE PEDAGOGIE DE PROJET POUR UN L ENSEIGNEMENT D EXPLORATION SES Fiche-action n UNE PEDAGOGIE DE PROJET POUR UN L ENSEIGNEMENT D EXPLORATION SES Objectif : Donner du sens aux Enseignements d Exploration en évaluant les compétences, placer les dispositifs d évaluation

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Les démarches en science et en technologie

Les démarches en science et en technologie Les démarches en science et en technologie (Sources LAMAP) La démarche scientifique est une démarche qui conduit à construire une procédure de résolution d'un problème en utilisant, de manière explicite,

Plus en détail

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif

Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif Séminaire DIXIT - Les nouvelles frontières de la «data intelligence» : content analytics, machine-learning, prédictif 13 avril 2015 LES INNOVATIONS DANS LA SOCIAL MEDIA INTELLIGENCE Expérience informationnelle

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Droit d auteur Max2G 2012 : Reproduction permise avec obligation d indiquer la source www.max2g.com

Droit d auteur Max2G 2012 : Reproduction permise avec obligation d indiquer la source www.max2g.com Max2G Démarche d analyse de risques avec l Assistant Méhari L analyse de risques est une approche de gestion permettant d identifier les risques négatifs pouvant affecter une organisation et de déterminer

Plus en détail

Sélectionner la bonne base de données de gestion de configurations pour mettre en place une plate-forme efficace de gestion de services.

Sélectionner la bonne base de données de gestion de configurations pour mettre en place une plate-forme efficace de gestion de services. Solutions de Service Management Guide d achat Sélectionner la bonne base de données de gestion de configurations pour mettre en place une plate-forme efficace de gestion de services. Aujourd hui, toutes

Plus en détail

Management par les processus Les facteurs clés de succès. Lionel Di Maggio Master 1 MIAGE

Management par les processus Les facteurs clés de succès. Lionel Di Maggio Master 1 MIAGE Management par les processus Les facteurs clés de succès Lionel Di Maggio Master 1 MIAGE 1 1. Objectifs et définitions 2. Le retour sur investissement des démarches 3. Les éléments structurants 4. Mise

Plus en détail

Concevoir des applications Web avec UML

Concevoir des applications Web avec UML Concevoir des applications Web avec UML Jim Conallen Éditions Eyrolles ISBN : 2-212-09172-9 2000 1 Introduction Objectifs du livre Le sujet de ce livre est le développement des applications web. Ce n est

Plus en détail

IBM Content Analytics Libérer l Information

IBM Content Analytics Libérer l Information IBM Content Analytics Libérer l Information Patrick HOFLEITNER patrick_hofleitner@fr.ibm.com Août 2011 TABLE DES MATIERES RESUME...3 INTRODUCTION...4 LA PROBLEMATIQUE...5 1 L EXPLOSION DU CONTENU NON-STRUCTURE...5

Plus en détail

11. Evaluation de la qualité des essais

11. Evaluation de la qualité des essais 11. Evaluation de la qualité des essais L évaluation de la qualité méthodologique d un essai thérapeutique est une tâche difficile [117]. L essai thérapeutique contrôlé randomisé est considéré comme étant

Plus en détail

RETRO-INGENIERIE DES BASES DE DONNEES

RETRO-INGENIERIE DES BASES DE DONNEES RETRO-INGENIERIE DES BASES DE DONNEES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas être considérés

Plus en détail

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

4 pages de recherche

4 pages de recherche 4 pages de recherche L ADOPTION DE PROGICIELS DE GESTION INTEGREE DANS LES PME : DES DEBUTS PROMETTEURS François DELTOUR, Télécom Bretagne, Laboratoire ICI, M@rsouin Jocelyne TREMENBERT, Télécom Bretagne,

Plus en détail

TRAITEMENT DES DONNÉES ET ÉTABLISSEMENT DE RAPPORTS

TRAITEMENT DES DONNÉES ET ÉTABLISSEMENT DE RAPPORTS 7 TRAITEMENT DES DONNÉES ET ÉTABLISSEMENT DE RAPPORTS INFORMATIONS GÉNÉRALES Une fois les données recueillies, celles-ci sont traitées transmises sur support informatique (saisie ), organisées et nettoyées

Plus en détail

GIND5439 Systèmes Intelligents. Chapitre 2: Systèmes à base de règles

GIND5439 Systèmes Intelligents. Chapitre 2: Systèmes à base de règles GIND5439 Systèmes Intelligents Chapitre 2: Systèmes à base de règles Contenu du chapitre Définition de connaissances Représentation des connaissances Les règles Chaînage avant et arrière Résolution de

Plus en détail

Domaines de consultation bso

Domaines de consultation bso Domaines de consultation bso Supervision Compétences-clé Conseil en organisation Coaching La supervision, le conseil en organisation et le coaching sont des domaines de consultation professionnels adaptés

Plus en détail

Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium. Comparatif Choco/Drools dans le cadre du projet JASMINe

Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium. Comparatif Choco/Drools dans le cadre du projet JASMINe Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium dans le cadre du projet JASMINe Avril 2008 Table des matières 1 Introduction 3 1.1 Rappel sur JASMINe.......................................

Plus en détail

Analyse et modélisation de tâches

Analyse et modélisation de tâches Analyse et modélisation de tâches 1. Introduction La conception de logiciel interactif (ou conception d'interface homme-machine [IHM], ou conception d'interface) est l'activité qui vise à définir le fonctionnement

Plus en détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en détail

Service On Line : Gestion des Incidents

Service On Line : Gestion des Incidents Service On Line : Gestion des Incidents Guide de l utilisateur VCSTIMELESS Support Client Octobre 07 Préface Le document SoL Guide de l utilisateur explique comment utiliser l application SoL implémentée

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Informatique Première et seconde années

Plus en détail

GPA 789 : Analyse et Conception Orientées Objet. ETS Mickaël Gardoni Bureau A 3588 tel 84 11. Mise en Œuvre UML version du 24 avril 2009

GPA 789 : Analyse et Conception Orientées Objet. ETS Mickaël Gardoni Bureau A 3588 tel 84 11. Mise en Œuvre UML version du 24 avril 2009 GPA 789 : Analyse et Conception Orientées Objet ETS Mickaël Gardoni Bureau A 3588 tel 84 11 Mise en œuvre UML 1/ 25 Introduction Mise en œuvre d UML UML n est pas une méthode 2/ 25 1 UML n est qu un langage

Plus en détail

Apprentissage par exploration

Apprentissage par exploration Apprentissage par exploration 1/32 Introduction Méthode particulière d acquisition de connaissance : apprentissage artificiel, à partir d induction. obtention des connaissances à partir d exemples. On

Plus en détail

Gérer l activité d un service informatique

Gérer l activité d un service informatique Gérer l activité d un service informatique SOMMAIRE Les activités d un service informatique sont nombreuses et variées. Leur gestion nécessite un minimum d organisation. Heureusement, une fois encore,

Plus en détail

INTRODUCTION AUX TECHNOLOGIES D INGENIERIE DES DONNEES DIRIGEE PAR LES MODELES

INTRODUCTION AUX TECHNOLOGIES D INGENIERIE DES DONNEES DIRIGEE PAR LES MODELES INTRODUCTION AUX TECHNOLOGIES D INGENIERIE DES DONNEES DIRIGEE PAR LES MODELES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information

Plus en détail

Groupe Eyrolles, 2001, 2003, 2004, ISBN : 2-212-11480-X

Groupe Eyrolles, 2001, 2003, 2004, ISBN : 2-212-11480-X Groupe Eyrolles, 2001, 2003, 2004, ISBN : 2-212-11480-X Chapitre 6 Exercices corrigés et conseils méthodologiques Mots-clés Activité continue/finie Transition automatique Contexte statique Événements «after»

Plus en détail

Projet des affaires électroniques Vérification du système en développement 2004 Réponses de la gestion (plans d action)

Projet des affaires électroniques Vérification du système en développement 2004 Réponses de la gestion (plans d action) Réponses de la gestion préparées par : Christiane Villemure, directrice de l Initiative des En date du : 14 juin 2004 Suivi des évaluations antérieures 3.1 Vérification de suivi de l Initiative des Septembre

Plus en détail

CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs!

CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs! CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE Information importante : Ces conseils ne sont pas exhaustifs! Conseils généraux : Entre 25 et 60 pages (hormis références, annexes, résumé) Format d un

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Avancée en classification multi-labels de textes en langue chinoise

Avancée en classification multi-labels de textes en langue chinoise Avancée en classification multi-labels de textes en langue chinoise Thèse en cotutelle présentée par Zhihua WEI pour les doctorats en informatique des Universités Lyon2 et Tongji La thèse est centrée sur

Plus en détail

Analyse de l activité

Analyse de l activité Plan et liens avec UE2-15 Fondamentaux des IHM (M2 UE2-6) Valérie Renault valerie.renault@lium.univ-lemans.fr Analyse préalable de l activité [UE2-6] (cours / TP) Spécifications cahier des charges et spécifications

Plus en détail

Passer de l ISO 9001:2008 à l ISO 9001:2015

Passer de l ISO 9001:2008 à l ISO 9001:2015 ISO 9001 Guide de transition Révisions ISO Passer de l ISO 9001:2008 à l ISO 9001:2015 La nouvelle norme internationale pour les systèmes de management de la qualité ISO 9001 - Système de Management de

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Recommandation dans les réseaux sociaux professionnels

Recommandation dans les réseaux sociaux professionnels Recommandation dans les réseaux sociaux professionnels Application sur un réseau bibliographique 6 mai 2010 Objectif et Motivation Techniques utilisées Algorithme exhaustive de recherche de toutes les

Plus en détail

PROJET EN ENSEIGNEMENT DE SPECIALITE BACCALAUREAT STI2D SESSION 2013

PROJET EN ENSEIGNEMENT DE SPECIALITE BACCALAUREAT STI2D SESSION 2013 PROJET EN ENSEIGNEMENT DE SPECIALITE BACCALAUREAT STI2D SESSION 2013 IA-IPR STI Académie de Versailles SOMMAIRE A/. REGLEMENTATION DU BACCALAUREAT TECHNOLOGIQUE Epreuve relative aux enseignements technologiques

Plus en détail

CAC/GL 53-2003 SECTION 1 PRÉAMBULE

CAC/GL 53-2003 SECTION 1 PRÉAMBULE DIRECTIVES SUR L APPRÉCIATION DE L ÉQUIVALENCE DE MESURES SANITAIRES ASSOCIÉES À DES SYSTÈMES D INSPECTION ET DE CERTIFICATION DES DENRÉES ALIMENTAIRES 1 SECTION 1 PRÉAMBULE CAC/GL 53-2003 1. Il n est

Plus en détail

Analyse de contenu & big data Un état de l art des applications de la sémantique en 2013

Analyse de contenu & big data Un état de l art des applications de la sémantique en 2013 Analyse de contenu & big data Un état de l art des applications de la sémantique en 2013 Sommaire 1. Editorial de F.R. Chaumartin, fondateur de Proxem (page 2) 2. Moteur de recherche sémantique (page 3)

Plus en détail

Projet : Plan Assurance Qualité

Projet : Plan Assurance Qualité Projet : Document : Plan Assurance Qualité 2UP_SPEC_DEV1 VERSION 1.00 Objet Ce document a pour objectif de définir la démarche d analyse et de conception objet ainsi les activités liées. Auteur Eric PAPET

Plus en détail

Master Sciences et technologies Mention MI : Management de l Innovation

Master Sciences et technologies Mention MI : Management de l Innovation Master Sciences et technologies Mention MI : Management de l Innovation M2 Spécialité Ingénierie et Management de la Formation (IMFL ) Présentation des UE UE de spécialité UE1 «Management des connaissances

Plus en détail

Livret informatique BTS Assistant Manager

Livret informatique BTS Assistant Manager Livret informatique BTS Assistant Manager Document d accompagnement Novembre 2008 1/12 I/ Présentation du livret informatique Principes généraux Le livret informatique utilisé en BTS Assistant de Manager

Plus en détail

INF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude

INF 1250 INTRODUCTION AUX BASES DE DONNÉES. Guide d étude INF 1250 INTRODUCTION AUX BASES DE DONNÉES Guide d étude Sous la direction de Olga Mariño Télé-université Montréal (Québec) 2011 INF 1250 Introduction aux bases de données 2 INTRODUCTION Le Guide d étude

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

IFT3902 : (Gestion de projet pour le) développement, (et la) maintenance des logiciels

IFT3902 : (Gestion de projet pour le) développement, (et la) maintenance des logiciels IFT3902 : (Gestion de projet pour le) développement, (et la) maintenance des logiciels Yann-Gaël Guéhéneuc Professeur adjoint guehene@iro.umontreal.ca, local 2345 Département d informatique et de recherche

Plus en détail

INFORMATIQUE. Licence 3 e année (L3) & Master (M1-M2) Centre d Etudes Suisse Romande Formation universitaire

INFORMATIQUE. Licence 3 e année (L3) & Master (M1-M2) Centre d Etudes Suisse Romande Formation universitaire Centre d Etudes Suisse Romande Formation universitaire INFORMATIQUE Licence 3 e année (L3) & Master (M1-M2) En collaboration avec l Université de Franche-Comté CTU de Besançon Unidistance 2 GÉNÉRALITÉS

Plus en détail

Sauvegarde et restauration en environnement VMware avec Avamar 6.0

Sauvegarde et restauration en environnement VMware avec Avamar 6.0 Livre blanc Sauvegarde et restauration en environnement VMware avec Avamar 6.0 Analyse détaillée Résumé Dans les entreprises, les environnements virtuels sont de plus en plus déployés dans le cloud. La

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Methode Mehari www.ofppt.info

Methode Mehari www.ofppt.info ROYAUME DU MAROC Office de la Formation Professionnelle et de la Promotion du Travail Methode Mehari DIRECTION RECHERCHE ET INGENIERIE DE FORMATION SECTEUR NTIC Sommaire 1. Introduction... 2 2. Chapitre

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

Supervision, coaching ou APP? 1 Les pratiques d accompagnement formateur se multiplient

Supervision, coaching ou APP? 1 Les pratiques d accompagnement formateur se multiplient Supervision, coaching ou APP? 1 Les pratiques d accompagnement formateur se multiplient Marc Thiébaud Dans de nombreux champs d activités professionnelles, on observe un développement important de pratiques

Plus en détail

Piloter un Curriculum:

Piloter un Curriculum: G U I D E T E C H N I Q U E D E X E C U T I O N N 3, I - T E C H Piloter un Curriculum: Evaluer l Efficacité d une Nouvelle Formation Les Guides Techniques d Exécution d I-TECH consistent en une série

Plus en détail

Projet de critères et de normes de gestion des risques applicables aux systèmes de paiement importants

Projet de critères et de normes de gestion des risques applicables aux systèmes de paiement importants Projet de critères et de normes de gestion des risques applicables aux systèmes de paiement importants Mémoire de l Association canadienne des paiements en réponse à la Banque du Canada Le 21 août 2015

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

Plus en détail

Le rôle de la technologie et de la pratique dans l enseignement de l informatique

Le rôle de la technologie et de la pratique dans l enseignement de l informatique Le rôle de la technologie et de la pratique dans l enseignement de l informatique Note de la commission TIC de l Académie des Technologies Février 2014 version 0.2 1. Introduction Cette courte note fait

Plus en détail

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT Introduction NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre 2009) SOMMAIRE Paragraphe Champ d application

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Stratégies métacognitives. Leur intégration dans la classe de FLE (1) 1- Introduction 2- Domaine d action 3- L apport théorique

Stratégies métacognitives. Leur intégration dans la classe de FLE (1) 1- Introduction 2- Domaine d action 3- L apport théorique Stratégies métacognitives. Leur intégration dans la classe de FLE (1) Raquel Partemi rpartemi@logos.uncu.edu.ar María Cristina Azcona sanchere@speedy.com.ar Noemí Jiménez castellotejimenez@yahoo.com.ar

Plus en détail

Un cycle de modélisation comme méthodologie supportant l élaboration d un construit théorique en recherche en éducation

Un cycle de modélisation comme méthodologie supportant l élaboration d un construit théorique en recherche en éducation Un cycle de modélisation comme méthodologie supportant l élaboration d un construit théorique en recherche en éducation Une valeur ajoutée à l anasynthèse Nicole Landry, Ph.D. Réjean Auger, Ph.D. TELUQ,

Plus en détail

F OMPI ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE

F OMPI ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE F OMPI MM/A/42/3 ORIGINAL : anglais DATE : 15 août 2009 ORGANISATION MONDIALE DE LA PROPRIÉTÉ INTELLECTUELLE GENÈVE UNION PARTICULIÈRE POUR L ENREGISTREMENT INTERNATIONAL DES MARQUES (UNION DE MADRID)

Plus en détail

IFT3902 Développement, maintenance de logiciels

IFT3902 Développement, maintenance de logiciels Département d informatique et de recherche opérationnelle IFT3902 Développement, maintenance de logiciels François Lustman professeur titulaire François Lustman, 2000 1-1 Plan du cours Ch. 1 Concepts avancés

Plus en détail

COMMENT DÉFINIR L ORIENTÉ OBJET

COMMENT DÉFINIR L ORIENTÉ OBJET COMMENT DÉFINIR L ORIENTÉ OBJET De manière superficielle, le terme «orienté objet», signifie que l on organise le logiciel comme une collection d objets dissociés comprenant à la fois une structure de

Plus en détail

LIVRET DE COMPÉTENCES A L ÉCOLE MATERNELLE

LIVRET DE COMPÉTENCES A L ÉCOLE MATERNELLE NOM : Prénom Date de naissance : LIVRET DE COMPÉTENCES A L ÉCOLE MATERNELLE Classe de toute petite section Année scolaire Nom et adresse de l école Nom des enseignants Classe de petite section Classe de

Plus en détail

d évaluation Objectifs Processus d élaboration

d évaluation Objectifs Processus d élaboration Présentation du Programme pancanadien d évaluation Le Programme pancanadien d évaluation (PPCE) représente le plus récent engagement du Conseil des ministres de l Éducation du Canada (CMEC) pour renseigner

Plus en détail

Société pour la gestion du personnel S E P

Société pour la gestion du personnel S E P Société pour la gestion du personnel S E P Section neuchâteloise Procès-verbal No 287 Présents : 27 Séance 12 septembre 2000, Grand Hôtel Les Endroits, La Chaux-de-Fonds Thème : L ÉVOLUTION DES PRATIQUES

Plus en détail

Entrepôt de données 1. Introduction

Entrepôt de données 1. Introduction Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de

Plus en détail

Introduction. Qu est-ce que Visual Basic 2008?

Introduction. Qu est-ce que Visual Basic 2008? Je suis profondément ravi que vous ayez choisi ce livre pour acquérir les compétences et techniques de programmation avec Microsoft Visual Basic 2008. Si nous nous découvrons mutuellement dans ce paragraphe,

Plus en détail

Fouille de données orientée motifs, méthodes et usages.

Fouille de données orientée motifs, méthodes et usages. Fouille de données orientée motifs, méthodes et usages. François RIOULT GREYC - Équipe Données-Documents-Langues CNRS UMR 6072 Université de Caen Basse-Normandie France Résumé La fouille de données orientée

Plus en détail

Thème 10 : Développer un concept et une architecture technique de produit

Thème 10 : Développer un concept et une architecture technique de produit Thème 10 : Développer un concept et une architecture technique de produit Serghei Floricel et Eduardo Miranda Si vous réfléchissez encore à un moyen technique pour réaliser un produit qui fonctionne et

Plus en détail

Position AMF Swaps de performance sur OPC et structurations sur gestion active DOC-2008-14

Position AMF Swaps de performance sur OPC et structurations sur gestion active DOC-2008-14 Position AMF Swaps de performance sur OPC et structurations sur Textes de référence : articles L. 214-20, L. 214-24-55, R. 214-19 II et R. 214-32-28 II du code monétaire et financier 1. Principes caractéristiques

Plus en détail

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca

Noureddine Kerzazi noureddine.kerzazi@polymtl.ca Domaine de la modélisation des processus pour le génie logiciel. Noureddine Kerzazi noureddine.kerzazi@polymtl.ca DSL4SPM Domain-Specific-Language for Software Process Modeling Il s agit d un nouveau cadre

Plus en détail

Généralités sur les bases de données

Généralités sur les bases de données Généralités sur les bases de données Qu est-ce donc qu une base de données? Que peut-on attendre d un système de gestion de bases de données? Que peut-on faire avec une base de données? 1 Des données?

Plus en détail

DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES

DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES DECHARGEMENT ET CHARGEMENT MASSIF DES DONNEES Les contenus de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas être

Plus en détail

L ARCHITECTE-RÉFÉRENT EN SÉCURITE DES SYSTÈMES D INFORMATION

L ARCHITECTE-RÉFÉRENT EN SÉCURITE DES SYSTÈMES D INFORMATION L ARCHITECTE-RÉFÉRENT EN SÉCURITE DES SYSTÈMES D INFORMATION L objectif de ce document est de définir les compétences de l architecte référent en sécurité des systèmes d information, ou «ARSSI», par le

Plus en détail

Lignes directrices de l AAI sur l éducation 2013

Lignes directrices de l AAI sur l éducation 2013 Lignes directrices de l AAI sur l éducation 2013 1. Le Conseil de l AAI a approuvé le Programme-cadre d études et les Lignes directrices sur l éducation lors de la réunion qui a eu lieu le 6 juin 1998,

Plus en détail

Méthodologie de recherche en sciences sociales Séminaire UBO Automne 2009

Méthodologie de recherche en sciences sociales Séminaire UBO Automne 2009 Méthodologie de recherche en sciences sociales Séminaire UBO Automne 2009 Table des matières Table des matières...2 1. La notion de méthode qualitative... 3 1.1 Le concept de méthodes qualitatives est

Plus en détail

Vers l automatisation de la construction de systèmes de médiation pour le commerce électronique

Vers l automatisation de la construction de systèmes de médiation pour le commerce électronique Vers l automatisation de la construction de systèmes de médiation pour le commerce électronique I. Introduction C. Reynaud, G. Giraldo Université Paris-Sud, CNRS UMR 8623, INRIA-Futurs L.R.I., Bâtiment

Plus en détail

La GED (Gestion électronique de document)

La GED (Gestion électronique de document) La notion de document La firme Gartner Group estime que : un professionnel passe en moyenne 20 à 40% de son temps dans des activités de gestion de document. la gestion des documents coûte en moyenne 6%

Plus en détail

Page 1 2 La présente invention concerne le domaine des architectures informatiques, et en particulier un procédé pour le développement d applications destiné à un fonctionnement en réseau, par exemple

Plus en détail

Mémoire professionnel - document cadre de la filière secondaire I

Mémoire professionnel - document cadre de la filière secondaire I Haute école pédagogique Filière Enseignement secondaire 1 Avenue de Cour 33 CH 1014 Lausanne www.hepl.ch Mémoire professionnel - document cadre de la filière secondaire I Afin de ne pas surcharger le texte,

Plus en détail

Exemple de développement d une application

Exemple de développement d une application Exemple de développement d une application Département Informatique TELECOM SudParis 1ère année Dépt INF 2009/2010 Table des matières Exemple de développement d une application Département Informatique,,

Plus en détail

BE1 2 : Phase d analyse Gestion des prêts dans une médiathèque

BE1 2 : Phase d analyse Gestion des prêts dans une médiathèque Gestion des prêts dans une médiathèque Équipe enseignante Revision : 1302 CSC 4002 Télécom SudParis Octobre 2015 Première étape : mise au point de la solution, aspect statique L étape d analyse nécessite

Plus en détail

Environnements de Développement

Environnements de Développement Institut Supérieur des Etudes Technologiques de Mahdia Unité d Enseignement: Environnements de Développement Mme BEN ABDELJELIL HASSINE Mouna m.bnaj@yahoo.fr Développement des systèmes d Information Syllabus

Plus en détail