IC Cf. le site du projet, à l adresse :

Transcription

1 Étude critique de la méthode CommonKADS application au calage de codes de calcul Sabine Bruaux 1, Gilles Kassel 1, Gilles Morel Laboratoire de Recherche en Informatique d Amiens Université de Picardie Jules Verne 33, rue Saint-Leu Amiens Cedex 1, France 2 Centre d Études Techniques Maritimes et Fluviales 2, boulevard Gambetta BP Compiègne Cedex Contact : bruaux@laria.u-picardie.fr Résumé : Nous présentons dans cet article un retour d expérience de l utilisation de la méthode CommonKADS pour modéliser une tâche générique de calage de codes de calcul, en vue de concevoir un atelier logiciel d aide au calage. Deux limites de CommonKADS sont mises en évidence et développées, suivies de propositions pour les dépasser. La première a trait au caractère imprécis et incomplet de la notion de «rôle de connaissance». Il est proposé un cadre formel reposant sur une approche ontologique pour préciser cette notion. La seconde concerne la difficulté d utiliser la notation graphique de CML pour spécifier une structure d inférence complexe. Pour pallier cette difficulté, nous proposons de faire appel au formalisme des actigrammes SADT. Mots-clés : Application, Calage de codes de calcul, Méthode CommonKADS, Rôles de connaissance, Approche ontologique, Actigrammes SADT. 1 Introduction Les scientifiques conçoivent et utilisent depuis quasiment les débuts de l informatique des codes de calcul numériques de plus en plus complexes et puissants afin de simuler des phénomènes physiques aussi divers que la stabilité d un sol ou d un ouvrage, l écoulement d une rivière ou le fonctionnement d un cœur de réacteur nucléaire. La mise en œuvre de ces codes sur des cas réels n est toutefois pas immédiate et passe par une phase préalable généralement longue et fastidieuse appelée calage (calibration en anglais - cf. section 2) qui consiste à affecter des valeurs aux coefficients du (ou des) modèle(s) numérique(s) qui représente(nt) le système physique. Outre son coût et son caractère fastidieux, cette tâche révèle un caractère complexe et exige à la fois des connaissances pointues dans le métier concerné (hydraulique, géotechnique, nucléaire), mais aussi en matière numérique, ainsi qu une certaine expérience en matière d utilisation des codes. Il apparaît que cette connaissance et cette expérience sont actuellement faiblement capitalisées et

2 IC 2003 exploitées, notamment dans la perspective de produire des outils logiciels génériques d assistance aux ingénieurs qui pourraient semble-t-il nettement améliorer le rendement des études et leur réutilisation. En 2002, trois organismes de recherche publics (CETMEF, CEA, EDF-LNHE), qui développent et utilisent de manière régulière des logiciels de simulation dans leurs domaines scientifiques de prédilection, ont décidé de grouper leurs efforts, avec d autres partenaires universitaires (UPJV/LaRIA, UTC/Divergent) et privés (société DELTACAD), pour tenter de définir et développer un atelier d assistance au calage des codes de calcul. Ces réflexions ont été concrétisées à travers le projet RNTL CLACIC (CaLAge de Codes par Ingénierie des Connaissances) qui a été labellisé en novembre Un des objectifs majeurs de CLACIC consiste à intégrer et faire coopérer, dans un même outil et dans un même but, des méthodes classiques d optimisation mathématiques (ex : techniques de régression linéaire, élaboration de surfaces de réponse) avec des méthodes à base de connaissances (règles d expertise) et à base de cas (structuration, archivage et réutilisation de calages antérieurs). Toutefois, préalablement à la spécification et au développement d un outil logiciel qui intégrerait ces différents types de méthodes, la complexité du calage rendait nécessaire l explicitation de ce processus. Le processus global de calage, bien que s appuyant sur des connaissances propres à chaque code, suit a priori une trame récurrente et commune à tous les domaines : la trajectographie de navires (CETMEF), les écoulements en rivière pour les crues (EDF-LNHE et CETMEF) et les réactions nucléaires (CEA). La première phase du projet CLACIC a par conséquent consisté à modéliser une tâche de calage rendant compte de cette trame commune (Bruaux, 2001 & 2002), en suivant la méthode CommonKADS (Schreiber et al., 1999). Ce travail de généralisation et de modélisation n a, à notre connaissance, jamais été réalisé de manière systématique et formelle malgré l universalité du calage, probablement en partie à cause de la culture essentiellement numérique des experts en simulation. Il constitue une occasion d évaluer la méthode CommonKADS sur un cas complexe et dans un contexte quasi industriel, d identifier ses limites en matière de sémantique (primitives de modélisation) et de syntaxe (notations textuelle et graphique), et d avancer des propositions pour les dépasser en s inspirant d autres approches et méthodes. Dans une première partie (section 2), nous proposons une vue d ensemble de la démarche de modélisation que nous avons suivie ainsi que des connaissances sur le calage, à travers les principaux concepts et la décomposition fonctionnelle de la tâche. Les obstacles rencontrés à l occasion de la modélisation nous amènent dans un second temps à développer un certain nombre de critiques sur la méthode CommonKADS et le langage CML (section 3). Ces critiques débouchent sur deux propositions principales qui sont développées dans la suite de l'article. La première s intéresse à l apport d une approche ontologique pour préciser la sémantique des rôles de connaissance, se situant à l interface des concepts du domaine et des inférences (section 4). La seconde proposition explique comment on peut améliorer la lisibilité 1 Cf. le site du projet, à l adresse :

3 Étude critique de la méthode CommonKADS d une représentation graphique CML d une structure d inférence, qui devient vite confuse pour une tâche complexe. Cette proposition remet au goût du jour le formalisme des actigrammes SADT (Marca & McGowan, 1988), une méthode de spécification fonctionnelle conçue à la fin des années 70 mais qui s avère très efficace et dont les principes peuvent assez aisément être adaptés à une typologie de rôles (section 5). 2 Vue d'ensemble de la démarche de modélisation et de la tâche de calage 2.1 Objectif de la modélisation La modélisation de la tâche de calage doit d abord être resituée par rapport à l objectif final du projet CLACIC qui consiste à développer un outil d assistance à cette tâche, cette dernière étant encore aujourd hui conduite de manière très «artisanale». La méthode CommonKADS distingue bien le modèle de la tâche, qui consiste à analyser et représenter la tâche telle qu elle est réalisée dans l organisation actuelle, et le modèle d expertise qui vise à modéliser la tâche destinée à être implémentée dans un outil logiciel suite à l analyse des besoins de l organisation. Ici, dans cette phase amont du projet, il est question de comprendre, d analyser et de modéliser la tâche de calage telle qu elle est réalisée actuellement par les ingénieurs du CETMEF, du CEA et du LNHE, en vue de définir ultérieurement les services que pourraient fournir un outil logiciel d assistance. Ce modèle de la tâche vise donc à fournir un cadre d analyse commun à tous les acteurs du projet, en vue, dans un premier temps, de mieux comprendre le processus du calage et, dans un second temps, de faire émerger les besoins en matière d assistance. Par rapport au cadre standard d application de la méthode CommonKADS, le projet CLACIC présente deux originalités. Tout d abord, nous proposons d utiliser le cadre formel du modèle d expertise normalement réservé pour la tâche à implémenter - plutôt que le cadre plus général et moins formel proposé par CommonKADS pour l analyse de la tâche en contexte. La principale raison justifiant ce choix réside dans la nécessité et la volonté d orienter cette analyse vers l explicitation de connaissances complexes à un niveau suffisamment précis pour mettre en évidence les méthodes de résolution existantes ou potentielles, mathématiques ou autres, susceptibles d être utilisées pour accomplir ou assister les différentes étapes du processus de calage. Par rapport à cet objectif, le modèle d'expertise, utilisé pour modéliser la tâche en contexte, joue bien un rôle d outil pour l analyse des besoins (Tort et al., 2000). Un des objectifs secondaires de ce travail est, du reste, de disposer sur le long terme d une formalisation de la tâche de calage qui fasse référence dans la communauté française et internationale de la simulation numérique. L autre particularité forte du projet est de s appuyer non pas sur un, mais sur plusieurs contextes industriels et applicatifs. Cela complique singulièrement l analyse

4 IC 2003 et la modélisation de la tâche et nous incite même à préciser cette notion de tâche en terme de niveau d abstraction. 2.2 Modélisation d'une tâche générique La première étape a consisté à acquérir, analyser et modéliser en parallèle la tâche de calage telle qu elle est pratiquée autour de trois codes de calcul et dans trois domaines et contextes différents (Bruaux 2001, 2002). Il est vite apparu, à la lumière de ces trois modèles de tâches que l on qualifiera de «spécifiques», qu une trame commune pouvait être dégagée pour le processus de calage et par conséquent qu un modèle de tâche générique pouvait être proposé. Ce terme «générique», appliqué à une tâche, doit cependant être précisé et relativisé. La tâche de calage que nous nous efforçons de modéliser peut effectivement être considérée comme générique dans le contexte du monde de la simulation numérique et par rapport à des codes spécifiques du domaine de l hydraulique, du nucléaire. En revanche, si l on considère la généricité d une tâche dans le sens que lui donnent les auteurs de CommonKADS (Schreiber et al., 1999), inspirés par Chandrasekaran (Chandrasekaran & Johnson, 1993), cette généricité a une portée plus universelle qui permet a priori d appliquer une tâche dite générique à n importe quel domaine. Il s agit là d une nuance qu il convenait de souligner : la tâche de calage n a pas une vocation universelle mais une vocation générique dans le monde du numérique. La possibilité d étendre cette généricité au delà de la sphère du calcul n est pas à exclure mais elle n intéresse pas le projet CLACIC. Plus qu un noyau commun ou qu une compilation, le modèle générique résultat de ce travail représente une synthèse consensuelle dans laquelle chaque partie-prenante peut se retrouver et autour duquel il est possible d engager un dialogue en vue de faire avancer les étapes suivantes. En particulier, à la suite de cette première phase de travaux du projet CLACIC, ce modèle générique sert de cadre de référence commun pour l analyse des besoins de chaque organisme et pour la synthèse de ces besoins. Au-delà de l objectif opérationnel et à moyen terme visé dans le cadre du projet CLACIC, cette proposition de modèle «universel» du calage représente à nos yeux un apport important et à long terme en matière de capitalisation des connaissances de ce domaine méconnu, s appuyant sur un travail d abstraction qui devrait bénéficier à de nombreuses disciplines scientifiques qui utilisent des codes de calcul (Moisan & Ermine, 2000). 2.3 Les principales étapes du calage La première synthèse sur la tâche de calage a été décrite à l aide du formalisme CML (Schreiber et al., 1994) et fait apparaître trois étapes majeures : l initialisation, l adaptation et la validation. Rappelons tout d abord que le calage d un code consiste à affecter des valeurs à des coefficients afin que ce code reflète non seulement des phénomènes physiques généraux mais aussi la configuration particulière d un cas réel que l étude va traiter par simulation numérique. Par exemple, pour la simulation d un écoulement en

5 Étude critique de la méthode CommonKADS rivière, il faut caler des coefficients dits de Strickler qui représentent grosso modo la caractéristique des sols (rugosité) vis-à-vis des conditions aux limites de l écoulement. La première phase du calage consiste généralement à donner une valeur initiale à ces coefficients. Cette tâche d initialisation peut être soit complètement manuelle, soit assistée par un module spécifique du code, voire même par un code indépendant, selon le domaine et le code considérés. Ces valeurs initiales sont nécessaires pour enclencher le processus d affinage ou d adaptation des valeurs. Une fois initialisés, les coefficients sont soumis à des cycles de simulation utilisant le code de calcul et qui vont permettre d évaluer et d affiner leur valeur. Cette adaptation repose sur la comparaison des résultats des simulations avec des mesures réelles effectuées à l occasion d essais (cas du nucléaire ou des navires) ou d événements naturels (cas des crues). Cette phase est la plus longue et la plus importante du processus de calage puisqu elle est susceptible de nécessiter de très nombreuses simulations pour parvenir à des valeurs considérées comme correctes. Cet affinage peut s effectuer, à l instar de l initialisation, soit de manière manuelle et via l expérience de l expert du domaine et du code, soit de manière assistée par des méthodes et outils d optimisation mathématiques notamment. Cette phase d affinage des coefficients s arrête lorsque les valeurs obtenues permettent d atteindre une précision suffisante relativement aux valeurs des variablesobjectifs calculées par le code (ex : hauteurs d eau pour une crue, points de trajectoire pour un navire). Afin de confirmer et valider ces valeurs, on utilise d autres essais que ceux utilisés lors de la phase d adaptation. Cette validation comprend également une étape dite de qualification qui consiste à déterminer le domaine de fonctionnement, c est-à-dire le domaine de validité du calage obtenu vis-à-vis des paramètres d essais (ex : débit d une rivière, ordre de barre d un navire). 3 Limites de la méthode CommonKADS 3.1 Limites liées aux rôles de connaissance Une première difficulté, rencontrée lors de la modélisation des connaissances, concerne le choix des «rôles de connaissance». Cette primitive de modélisation se situe à l interface des concepts du domaine et des inférences, dont elle sert à caractériser les entrées/sorties (Schreiber et al., 1999, p. 105) : «Knowledge roles are abstract names of data objects that indicate their role in the reasoning process». Un aspect essentiel de ces rôles de connaissances est leur caractère abstrait, qu ils tiennent de leur indépendance vis-à-vis des concepts du domaine. Des exemples de rôles, fréquemment cités, sont les concepts SIGNE et HYPOTHÈSE 2 : de tels concepts n indiquent en effet en rien la nature des concepts du domaine pouvant jouer ces rôles. Les structures d inférences exprimées en termes de ces rôles abstraits ont, de fait, plus de chance de pouvoir être réutilisées pour modéliser des tâches diverses. On tient là, la principale motivation de l introduction de cette primitive de modélisation. 2 Les concepts seront désormais notés dans la police de caractères Courier New.

6 IC 2003 Les problèmes que nous avons rencontrés dans l identification des rôles de connaissances se résument en trois points : 1. D une part, nous sommes dans l incapacité de proposer pour les inférences considérées (ex : caler un code, sélectionner des modèles) des rôles de connaissance abstraits, tout en maintenant une structure d inférence compréhensible. Les seuls rôles abstraits candidats sont les concepts DONNÉE ou RÉSULTAT, voire DONNÉE DE CALAGE ou RÉSULTAT DE SÉLECTION, cependant ils restent trop abstraits pour permettre de distinguer les différentes données et les différents résultats. Par exemple, comme données du calage, on peut avoir des objets aussi différents qu un code de calcul, des caractéristiques physiques d un système (rivière, navire, cœur d un réacteur nucléaire) ou des essais réalisés sur le système. Or, ce niveau de détail s avère nécessaire pour obtenir une structure d inférence compréhensible. 2. Au contraire, s imposent à nous des concepts comme CODE À CALER et MODÈLE SÉLECTIONNÉ, que l on qualifiera de rôles «concrets» de connaissance, dans la mesure où ils font référence à un concept du domaine. Précisons que ces concepts sont exprimés par des termes consacrés, utilisés par les différents experts que nous avons interviewés. 3. Enfin, la distinction entre ces rôles concrets de connaissance et les concepts du domaine n est pas toujours aisée à faire. Par exemple, le concept PARAMÈTRE DE SIMULATION fait-il référence à une partie d un code de calcul, assimilable à un coefficient particulier, ou bien au rôle joué par des coefficients lors d une simulation? Nous attribuons nos problèmes à une limite de la méthode CommonKADS. L identification de structures d inférences génériques (indépendantes du domaine d application) n étant pas toujours possible, il n est de fait pas toujours possible de suivre la préconisation de choisir des noms abstraits pour les rôles (cf. nos points 1 et 2). Or, comme l affirment (Reynaud et al., p. 235), en conclusion d une étude critique sur la notion de rôle, cette notion n en reste pas moins digne d intérêt y compris pour les inférences non génériques : «Secondly, we claim the advantages of keeping a semantics in the roles to facilitate their interpretation and to increase their interest in non-generic models». Dans (Kassel, 1999), nous avons montré que cette notion de rôle restait justement à préciser, en distinguant notamment différents types de rôles : des rôles joués par des concepts et des rôles joués par des objets 3. En section 4, nous présentons un cadre formel pour rendre compte spécifiquement des rôles de connaissance que nous avons qualifiés de «concrets», en les assimilant à des rôles joués par des objets. Nous montrons que ce cadre formel fournit des critères pour permettre de distinguer les rôles de connaissance des concepts du domaine (cf. notre point 3, supra). 3.2 Limites liées au formalisme graphique du langage CML 3 Les termes «concept» et «objet» sont utilisés ici dans le sens plus formel que nous leur donnons en section 4.

7 Étude critique de la méthode CommonKADS Dans les premières versions de la méthode CommonKADS (Schreiber et al., 1994), ses auteurs ont associé à la syntaxe textuelle du langage CML un langage graphique semi-formel que l on peut comparer à UML (Booch et al., 1999). Ce type de représentation s avère effectivement indispensable pour donner un point de vue synthétique sur les modèles (réseau de concepts, décomposition d une tâche, flux de données) et en faciliter la compréhension par les experts du domaine. Plus récemment, ces mêmes auteurs ont tenté de proposer des équivalents de ces modèles graphiques à l aide du standard UML (Schreiber et al., 1999). Le travail de modélisation du domaine et de la tâche de calage, mené dans le cadre de CLACIC, a confirmé notre analyse antérieure sur l efficacité et les limites de ces modèles, analyse résultant d un travail similaire mené sur une base de connaissances dans le domaine des inondations (Morel, 2002). Tout d abord, le diagramme de classes UML, qui représente le cœur de la modélisation objet, s avère très proche en termes de primitives et de notation - du modèle du domaine de CommonKADS, et ce diagramme est finalement préconisé par les auteurs de la méthode en remplacement de l ancien formalisme CML (Schreiber et al., 1999). L évolution insidieuse des primitives de CML vers celles d UML, que l on peut constater dans cette même référence est toutefois contestable dans le cadre d une approche sémantique rigoureuse. Hormis cette réserve, et si l on s en tient aux primitives proposées par UML ou CommonKADS, le diagramme de classe UML donne généralement satisfaction en tant que formalisme graphique, quel que soit le domaine traité et la taille du modèle. Il permet de représenter de manière modulaire et très lisible un graphe de concepts ou de classes objet. De plus, il est possible de le compléter à l aide de formules du langage standard OCL pour représenter des contraintes sur les classes ou les relations (Warmer & Klappe, 1998). Il serait en revanche plus difficile de traduire fidèlement à l aide d un tel diagramme des langages de représentation de connaissances ou des langages d ontologie sémantiquement plus fins, mais cette question dépasse l objet de cet article. La représentation graphique des connaissances de contrôle (tâches, rôles, inférences) s avère plus délicate en CML, et a fortiori en UML. CML propose d une part une structure arborescente pour représenter la décomposition fonctionnelle de la tâche, puis une structure d inférence pour traduire l algorithme qui rend compte de la dynamique de cette décomposition. Le formalisme proposé pour la structure d inférence s avère satisfaisant en début de projet lorsque le modèle n est pas trop complexe et de petite taille. Malheureusement, ce diagramme devient de plus en plus difficile à maintenir et à lire, au fur et à mesure que le modèle augmente en taille et en complexité. Dans le cadre de la modélisation de la tâche de calage, nous sommes rapidement parvenus à la limite de représentation et de lisibilité du modèle. Selon notre point de vue, cette limite est liée à la fois à un mode de représentation «à plat» qui ne permet pas d absorber des modèles de taille quelconque, et de surcroît à un manque de rigueur dans la définition des relations entre boîtes (inférences) et flèches (entrée/sortie). À partir d une certaine taille, les diagrammes deviennent fatalement confus et illisibles, en particulier par les experts. Dès la sortie de la méthode CommonKADS et de sa mise en application, ce problème avait été détecté et des propositions d amélioration avancées, notamment en France à travers la gestion

8 IC 2003 dynamique de ces modèles via un outil logiciel comme l outil Kads-Tool (Albert et Jacques, 1993). Aucune proposition allant dans ce sens n a toutefois été intégrée dans la mise à jour de la méthode par ses auteurs (Schreiber et al., 1999). Cette limitation nous a conduit à rechercher et évaluer un formalisme graphique qui représenterait un type de modèle analogue, mais de manière plus modulaire et plus rigoureuse. Dans le langage UML, ce sont les diagrammes d activités qui semblent le mieux à même de pouvoir représenter une structure d inférence au sens de CommonKADS. Nous avons toutefois préféré le formalisme des actigrammes SADT (cf. section 5), essentiellement pour sa meilleure lisibilité globale, sa représentation plus fine et plus rigoureuse du flux de données (cf. fig. 5), et son aspect hiérarchique qui permet à travers le même modèle de représenter aussi la décomposition de la tâche. Les diagrammes d activités UML contiennent toutefois des éléments intéressants en matière de représentation du contrôle qui pourraient utilement compléter les diagrammes SADT. Nous envisageons également dans la suite de ces travaux de proposer des adaptations des actigrammes afin de prendre en compte des spécifications de l ingénierie des connaissances absentes des méthodes du génie logiciel (ex : distinction tâche/méthode). 4 Proposition d'un cadre de modélisation des rôles de connaissance 4.1 Approche ontologique Un rôle de connaissance, aussi bien qu un concept du domaine, est un concept. On peut donc avancer qu il s agit de concepts de natures différentes. Pour cerner ces natures, nous faisons appel à deux cadres formels : L ontologie des propriétés, définie par Nicola Guarino et Christopher Welty (Guarino & Welty, 2000), que nous nommerons «GW» (du nom de ses auteurs). Cette ontologie repose sur des distinctions faites entre concepts. Ces distinctions consistent en des méta-concepts (ex : SORTE, RÔLE FORMEL, TYPE, QUASI-TYPE). L ontologie des particuliers DOLCE, définie également par Nicola Guarino et des collègues dans le cadre du projet IST WonderWeb (Gangemi et al., 2002). Cette ontologie repose sur des distinctions faites entre des «particuliers», c est-à-dire des entités qui n admettent pas d instances (ex : OBJET PHYSIQUE, QUANTITÉ DE MATIÈRE, ÉVÉNEMENT, RÉGION TEMPORELLE). DOLCE étant une ontologie de haut niveau (upper level ontology), ne contient que des concepts génériques ayant vocation à subsumer les concepts d un domaine, ou plus exactement d une application (ex : CODE DE CALCUL, CRUE CENTENALE, RIVIÈRE). L utilisation de ces deux cadres dans la méthode OntoClean (Guarino & Welty, 2002) montre leur complémentarité. Les méta-concepts sont utilisés, d une part, pour étiqueter les concepts d une ontologie des particuliers comme DOLCE et contribuer

9 Étude critique de la méthode CommonKADS ainsi à en préciser la sémantique (ex : le concept CODE est un TYPE, le concept AGENT est un RÔLE FORMEL). Ils permettent, d autre part, de définir des règles contraignant les liens de subsomption entre concepts (ex : un TYPE peut subsumer un RÔLE MATÉRIEL, mais pas l inverse). La notion de «rôle de connaissance», au sens de CommonKADS, s appliquant à un ensemble de concepts, nous faisons l hypothèse qu il est possible d en rendre compte au moyen de méta-concepts. Nous partons pour cela de deux méta-concepts ayant une sémantique proche : RÔLE FORMEL et RÔLE MATÉRIEL, et faisons également référence au méta-concept TYPE. 4.2 Les méta-concepts : RÔLE FORMEL et RÔLE MATÉRIEL (rappel de leur définition) Ces méta-concepts reposent sur des notions provenant de l Ontologie Formelle (la discipline) et qui ont été adaptées par Nicola Guarino et Christopher Welty en fonction de leur usage pour la conception d ontologies : les notions de rigidité, de condition d identité et de dépendance. Nous en rappelons tout d abord la caractérisation donnée par ces auteurs (Guarino & Welty, 2000) 4. Pour la formalisation logique, les conventions suivantes sont utilisées : les variables ϕ et ψ dénotent des propriétés (unaires), la variable ρ une relation et les variables x et y des particuliers. Une propriété ϕ est rigide ssi elle est essentielle pour toutes ses instances. La formalisation de cette méta-propriété, en logique modale, fait intervenir l opérateur de nécessité nec : x ϕ(x) nec ϕ(x) Une relation ρ est une condition d identité pour une propriété ϕ ssi elle permet de distinguer deux instances arbitraires de la propriété ϕ : x,y ϕ(x) ϕ(y) (ρ(x,y) x = y) Une propriété ϕ est dépendante d une propriété ψ ssi, pour toutes les instances x de ϕ, à chaque instant t, x ne peut être présent à l instant t sans qu une certaine instance y de ψ ne soit également présente à l instant t 5. Dans la formule suivante, les prédicats DJ(ϕ,ψ) et PR(x,t) tiennent respectivement pour les relations «ϕ est disjoint de ψ» et «x est présent au temps t» et le prédicat At(t) tient pour la propriété «x est atomique» : DJ(ϕ,ψ) nec( x (ϕ(x) t (PR(x,t)) x,t ((ϕ(x) At(t) PR(x,t)) y (ψ(y) PR(y,t)))) 4 Pour des raisons de place, nous ne pouvons pas détailler ces notions dans cet article. Nous invitons le lecteur à se reporter à (Guarino & Welty, 2000) pour obtenir des éclaircissements complémentaires. 5 Plutôt que la relation de dépendance externe définie dans (Guarino & Welty, 2000), nous faisons appel ici à la relation de dépendance constante générique définie dans (Masolo et al., 2002). Cette dernière, qui repose sur la notion de présence dans le temps, s avère plus appropriée pour cerner la notion de rôle de connaissance.

10 IC 2003 Ces notions permettent de définir les méta-concepts : TYPE, RÔLE FORMEL et RÔLE MATÉRIEL : Un type est un concept rigide qui «apporte» une condition d identité, c està-dire qui porte/possède sa propre condition d identité. Un rôle formel est un concept anti-rigide (non essentiel pour toutes ses instances), dépendant et qui ne porte pas de condition d identité. Ce métaconcept tient son nom du fait qu il sert à exprimer, notamment, différents rôles joués par un particulier dans un événement. Intuitivement, ils représentent les concepts les plus généraux constituant le haut niveau d une hiérarchie de rôles (ex : AGENT, PATIENT, INSTRUMENT, RESSOURCE). Un rôle matériel est un concept anti-rigide, dépendant et portant une condition d identité. Un rôle matériel est subsumé par un rôle formel, dont il hérite les propriétés d anti-rigidité et de dépendance, et par un type, dont il hérite les conditions d identité. La figure 1 illustre le mode de définition d un rôle matériel en prenant l exemple du concept EMPLOYÉ. Ce rôle matériel est défini par rapport au type PERSONNE et au rôle formel RESSOURCE (les méta-concepts étiquetant les concepts apparaissent entre parenthèses et en caractères gras). (type) personne ressource (rôle formel) employé (rôle matériel) Fig. 1 Un rôle matériel est défini par rapport à un rôle formel et à un type. 4.3 Introduction des méta-concepts : RÔLE FORMEL DE CONNAISSANCE et RÔLE MATÉRIEL DE CONNAISSANCE Venons en à la notion de «rôle de connaissance». La caractérisation qui en est donnée dans (Schreiber et al., 1999, p. 105) «knowledge roles are abstract names of data objects that indicate their role in the reasoning process» est très proche de celle de «rôle formel». On retrouve bien, en effet, les (méta)-propriétés qui caractérisent le rôle formel : Le fait que les objets en donnée puissent jouer différents rôles au cours du raisonnement confère aux rôles de connaissance la propriété d anti-rigidité. Le fait que ces rôles portent des noms abstraits et qu ils puissent ainsi être joués par des objets de natures diverses entraîne qu ils ne portent pas de condition d identité. Le fait qu ils soient liés à un processus de raisonnement peut être interprété comme un lien de dépendance vis-à-vis de ce processus.

11 Étude critique de la méthode CommonKADS On en déduit qu un rôle de connaissance est un rôle (au sens de l ontologie GW) dont la particularité est d être dépendant d un processus de raisonnement. Ceci définit un nouveau méta-concept RÔLE FORMEL DE CONNAISSANCE. Pour formaliser cette relation de dépendance, nous ajoutons à l ontologie DOLCE le concept PROCESSUS DE RAISONNEMENT, pour lequel nous donnons la définition suivante : un processus de raisonnement est un processus qui est réalisé en partie dans l esprit d un agent. Au-delà de cette définition, il faut noter que ce concept vise n importe quelle tâche ou inférence au sens de CommonKADS. Ce concept est directement subsumé par le concept PROCESSUS, déjà présent dans l ontologie DOLCE. Nous lui faisons correspondre le prédicat unaire PROC- RAIS(x). La relation de dépendance vis-à-vis d un processus de raisonnement se formalise comme suit 6 : DJ(ϕ,PROC-RAIS) nec( x (ϕ(x) t (PR(x,t)) x,t ((ϕ(x) At(t) PR(x,t)) y (PROC-RAIS(y) PR(y,t)))) Le méta-concept RÔLE FORMEL DE CONNAISSANCE rend compte de concepts tels que : DONNÉE DE CALAGE ou RÉSULTAT DE SÉLECTION, qui correspondent bien à des rôles abstraits de connaissance. Il nous reste à traiter le cas des rôles de connaissance que nous avons qualifié en section 3 de «concrets», comme les concepts : CODE À CALER ou MODÈLE SÉLECTIONNÉ. Ces concepts mentionnant chacun un type (resp. les concepts CODE et MODÈLE), le même mode de définition que pour les rôles matériels peut leur être appliqué. Ainsi, si nous nommons RÔLE MATÉRIEL DE CONNAISSANCE cette catégorie de concepts, on peut poser qu un rôle matériel de connaissance est subsumé par un rôle formel de connaissance, dont il hérite les propriétés d anti-rigidité et de dépendance par rapport à un processus de raisonnement, et par un type, dont il hérite les conditions d identité. Deux exemples de définition de rôle matériel de connaissance sont présentés en figure 2. code (T) donnée de calage (RFC) modèle (T) résultat de sélection (RFC) code à caler (RMC) modèle sélectionné (RMC) FiG. 2 Un rôle matériel de connaissance (RMC) est défini par rapport à un rôle formel de connaissance (RFC) et un type (T). D autres exemples sont présentés en figure 3, pour illustrer la portée de ce cadre de modélisation. Tout d abord, l exemple du rôle DONNÉE PHYSIQUE DE CALAGE illustre le fait que le méta-concept TYPE s applique à des concepts de natures différentes : le concept QUALITÉ PHYSIQUE désigne une propriété, ou un 6 Nous n avons fait que remplacer la variable Ψ de la formule générale de dépendance rappelée en section 4.2 par le prédicat PROC-RAIS.

12 IC 2003 attribut, d un objet physique. L exemple du rôle CODE À CALER À PRÉPARER illustre pour sa part le cas d une dépendance simultanée vis-à-vis de deux processus de raisonnement. Une telle situation suppose que le processus de calage se décompose en plusieurs sous-processus, dont le sous-processus de préparation. qualité physique (T) donnée de calage (RFC) code (T) donnée de préparation (RFC) donnée physique de calage (RMC) code à caler (RMC) code à caler à préparer (RMC) FiG. 3 Autres exemples de définitions de rôles matériels de connaissance. En bilan, le cadre de modélisation auquel nous aboutissons distingue trois niveaux de concepts. Au premier niveau sont les rôles formels, qui désignent des participations abstraites à des processus, sans faire référence à un processus particulier (ex : DONNÉE, RÉSULTAT). Au deuxième niveau sont les rôles formels de connaissance, qui désignent des participations à des processus de raisonnement particuliers (ex : DONNÉE DE CALAGE, RÉSULTAT DE SÉLECTION). Les processus de raisonnement en question correspondent aux tâches, sous-tâches et inférences retenues pour modéliser les connaissances de contrôle de la tâche applicative, dans notre cas le calage de codes de calcul. Au troisième niveau sont les rôles matériels de connaissance, qui désignent des participations d objets du domaine à des processus de raisonnement (ex : CODE À CALER, MODÈLE SÉLECTIONNÉ). Par rapport aux rôles formels de connaissance, ils mentionnent un type, autrement dit un concept du domaine. 4.4 Proposition d'une ontologie de rôles formels Jusqu à présent, pour introduire notre cadre de modélisation, nous n avons mentionné que deux rôles formels : DONNÉE et RÉSULTAT, cependant il apparaît que ces deux seuls rôles formels sont insuffisants pour rendre compte des nuances de sens présentes dans nos rôles matériels de connaissance. Ainsi, CODE À CALER fait référence à un objet le code qui subit une action le calage au point de s en trouver structurellement modifié. Au contraire, DONNÉE PHYSIQUE DE CALAGE fait référence à un objet une qualité physique qui est utilisé comme une ressource, dans la mesure où l objet n est pas modifié. Le rôle matériel DOMAINE DE FONCTIONNEMENT DÉSIRÉ fait pour sa part référence à une ressource jouant le rôle d objectif que l on souhaite atteindre. La prise en compte de ces nuances nous paraît importante. D une part, elle contribue à préciser la nature des processus de raisonnement correspondant aux tâches

13 Étude critique de la méthode CommonKADS et inférences. D autre part, elle permet d aboutir à des structures d inférences plus facilement compréhensibles, car sémantiquement plus riches. Pour en rendre compte, nous proposons une ontologie de rôles formels, affinant les concepts DONNÉE et RÉSULTAT (cf. figure 4). Il s agit d une ontologie minimale, répondant aux besoins rencontrés jusqu à présent dans notre application. Pour chaque rôle formel, nous donnons une définition informelle : Donnée : un objet présent au début du processus de raisonnement et qui est utile à son déroulement. Résultat : un objet présent en fin du processus de raisonnement et qui est produit par ce processus. Ressource : une donnée qui ne subit pas de modification au cours du raisonnement. Patient : une donnée qui subit le processus de raisonnement et se voit transformée. Instrument : une ressource servant d outil, de moyen, pour permettre la réalisation du processus de raisonnement. Objectif : une ressource correspondant à un but à atteindre comme résultat du processus de raisonnement. rôle donnée résultat ressource patient précision du calage évaluée instrument objectif code à caler outil de visualisation multi-critères pour l évaluation domaine de fonctionnement désiré pour le calage FiG. 4 Ontologie de rôles formels, complétée par ses liens avec des rôles matériels de connaissance. 5 Utilisation des actigrammes de SADT SADT (Marca & McGowan, 1988) est une méthode de spécification fonctionnelle élaborée il y a plus de vingt ans, à une époque où l approche algorithmique et fonctionnelle était encore très dominante, notamment en informatique technique et scientifique. Cette méthode repose sur un langage de représentation graphique dont le modèle principal est composé d actigrammes. Les actigrammes SADT permettent de représenter, à quelques nuances près, l équivalent à la fois du diagramme de tâches (décomposition en sous-tâches) et du diagramme d inférence (flux de données) du langage CML de CommonKADS. Leur utilisation dans une méthode d ingénierie n est pas incongrue puisque ce formalisme a

14 IC 2003 par exemple déjà été intégré dans la méthode MACAO pour représenter le flux de données (Matta, 1995). Sur le plan sémantique, il est relativement intuitif de proposer des équivalences entre les primitives CML (tâche, inférence, rôle dynamique, rôle statique) et les primitives SADT (fonction décomposée, fonction non décomposée, donnée en entrée/sortie, donnée de contrôle). Sur le plan du formalisme graphique, les actigrammes SADT présentent deux grands avantages sur les diagrammes équivalents CML (structure d inférence) et UML (diagramme d activités) : une représentation imbriquée et modulaire de la décomposition fonctionnelle, et une définition rigoureuse du sens de lecture des diagrammes et des relations boîtes/flèches. Ces principes très clairs induisent une bien meilleure lisibilité et clarté des diagrammes. Cette qualité de lecture, primordiale pour la validation des modèles par les experts, a été expérimentée et vérifiée à l occasion de nombreux projets industriels menés notamment au CETMEF depuis la fin des années 80. A contrario, Les diagrammes «fonctionnels» de CML et UML sont souvent jugés confus et difficiles à lire. De plus, ils ne sont clairement pas adaptés à la représentation d algorithmes complexes du monde scientifique, au contraire de SADT qui s adapte par sa nature récursive à des niveaux de complexité quelconque. Dans un premier temps, nous avons traduit la structure d inférence CML en actigrammes SADT en appliquant des principes de correspondance simples et qui s imposent d eux-mêmes. L unique diagramme CML, devenu surchargé et illisible après plusieurs cycles d acquisition des connaissances, s est transformé en une hiérarchie d actigrammes relativement simples et clairs pour les experts qui ont été en mesure de les comprendre sans difficulté majeure (cf. figure 5). FiG. 5 Diagramme SADT A0 de la tâche de calage.

15 Étude critique de la méthode CommonKADS La limitation des types de rôles définis dans CommonKADS (cf. 3.1) et la définition d une typologie de rôles plus riche à partir d une approche ontologique (cf. 4.4) permettrait de pousser plus avant les propositions en matière d évolution de la représentation SADT pour les connaissances de contrôle, mais ce travail n est pas achevé. 6 Perspectives Le travail présenté dans cet article se poursuit dans plusieurs directions. Le projet CLACIC, d une part, est entré dans une deuxième étape : l analyse des besoins des utilisateurs de l atelier logiciel, en terme d assistance à la tâche de calage. Cette analyse s appuie sur le modèle de la tâche de calage qui a été élaboré. La méthode CommonKADS, amendée par les propositions présentées dans cet article, sera utilisée pour modéliser ces tâches d assistance. Sur un plan théorique, d autre part, notre objectif est d étendre l ontologie des rôles de connaissance présentée en section 4 pour inclure des concepts tels que : SIGNE et HYPOTHÈSE, que nous assimilons à des rôles joués par des concepts (Kassel, 1999). L évolution de cette ontologie devrait également nous conduire à affiner notre proposition relative à l utilisation du formalisme SADT pour représenter la structure d inférence. Références ALBERT, P. & JACQUES, G. (1993). Putting CommonKADS at work using Kads-Tool. In Kennis-technologie'93. BOOCH G., RUMBAUGH J. & JACOBSON I. (1999). Unified modelling language user guide. Addisson Wesley, 1999, 512 pages. BRUAUX S. (2001). Modélisation des Connaissances Appliquée au Calage de Codes de Simulation. Rapport Interne LaRIA , décembre BRUAUX S. (2002). Modélisation des Connaissances Appliquée au Calage des Codes de Simulation. In Présentation des posters et des démonstrations, complément aux actes de la conférence IC'2002, Rouen, mai 2002, p CHANDRASEKARAN B. & JOHNSON T. (1993). Generic Tasks and Tasks Structures: History, Critique and New Directions. In Second Generation Expert Systems, Springer-Verlag, 1993, p GANGEMI A., GUARINO N., MASOLO C., OLTRAMARI A. & SCHNEIDER L. (2002). Sweetening Ontologies with DOLCE. In Proceedings of EKAW2002, Siguenza (Spain). L article peut être édité à l adresse : ou à l adresse : GUARINO N. & WELTY C. (2000). A Formal Ontology of Properties. In R. DIENG & O. CORBY Eds. Proceedings of the 12 th International Conference on Knowledge Engineering and Knowledge Management: EKAW2000, Lecture Notes on Computer Science, Springer Verlag, p L article peut être édité à l adresse : pdf. GUARINO N. & WELTY C. (2002). Evaluating Ontological Decisions with OntoClean. Communications of the ACM, 45(2), p

16 IC 2003 KASSEL G. (1999). PHYSICIAN is a role played by an object, whereas SIGN is a role played by a concept. In Proceedings of the IJCAI 99 Workshop on Ontologies and Problem-Solving Methods: Lessons Learned and Future Trends, Stockholm (Sweden), August 2, 1999, p L article est publié sur le site : WS/. MARCA D.A. & McGOWAN C.L. (1988). SADT, Structured Analysis and Design Technique. McGraw-Hill, MASOLO C., BORGO S., GANGEMI A., GUARINO N., OLTRAMARI A. & SCHNEIDER L. (2002). The WonderWeb Library of Foundational Ontologies and the DOLCE ontology. WonderWeb Deliverable D17, Preliminary Report (vr. 2.0, ). L article peut être édité à l adresse : MATTA N. (1995). Méthodes de Résolutions de Problèmes : leur explicitation et leur représentation dans MACAO-2. Thèse de l Université Paul Sabatier de Toulouse, soutenue le 27 octobre 1995, 234 pages. MOISAN S. & ERMINE J.L. (2000). Gestion opérationnelle des connaissances sur les codes. In Actes des Journées Francophones d'ingénierie des Connaissances : IC 2000, mai 2000, Toulouse, France, p MOREL G. (2002). Contribution au rapprochement entre l ingénierie des connaissances et le génie logiciel dans le cadre de la conception d applications techniques Application au domaine de la gestion du risque inondation. Thèse de l Université de Technologie de Compiègne, France, soutenue le 4 juillet 2002, 315 pages. REYNAUD C., AUSSENAC-GILLES N., TCHOUNIKINE P. & TRICHET P. (1997). The Notion of Role in Conceptual Modeling. In Proceedings of the 10 th European Knowledge Acquisition Workshop: EKAW 97, San Feliu de Guixolls, Bonn: Springer Verlag, p SCHREIBER A.TH., WIELINGA B.J., AKKERMANS J.M., VAN DE VELDE W. & Anjewierden A. (1994). CML: The CommonKADS Conceptual Modelling Language. In Proceedings of the 8th European Knowledge Acquisition Workshop: EKAW 94, Springer-Verlag, 1994, p SCHREIBER G., AKKERMANS H., ANJEWIERDEN A., de HOOG R., SHADBOLT N., VAN de VELDE W. & WIELINGA B. (1999). Knowledge Engineering and Management: The CommonKADS Methodology. MIT Press, Cambridge, Massachusetts, London, England, 1999, 455 pages. TORT F., TEULIER R., GROSZ G. & CHARLET J. (2000). Ingénierie des besoins, ingénierie des connaissances : similarités et complémentarités des approches de modélisation. In Actes de la conférence IC 2000, mai 2000, Toulouse, France. WARMER J.B. & KLEPPE A.G. (1998). The Object Constraint Language. Addisson Wesley, 1998, 112 pages.