Bases de dnnées intelligentes Nuveaux types de bases de dnnées incrprant plusieurs fnctinnalités Dévelppeurs Utilisateur final Outils de haut niveau Interface de haut niveau Mteur de BDI mdèle bjet + déductif Cpyright Frassn Cmbinaisn de hypermedia, QBE, inférence, O-O 204
L'évlutin des bases de dnnées 3 5 4 hiérarchique icnique systèmes experts réseau bjet nn prcédural relatinnel Langage de haut niveau BDI usager-final 2 Langage assembleur prfessinnels 1 Langage machine Cpyright Frassn1950 1960 1970 1980 1990 2000 205
Principes généraux Bases de dnnées qui incrprent des cmpsants intelligents Aide pur les pératins de recherche Méthdes de représentatin de cnnaissances Réseaux de neurnes cnnexinnistes (assciatin avec des infrmatins similaires cnnues) Cmpréhensin des prblèmes 206
Caractéristiques des BD intelligentes Feedback : s adapte au retur de l usager Interface Exemples de ce que l usager cherche u ne cherche pas Prfils de recherche Arrangement de fenêtres détaillant les recherches précédentes de l usager Pintage direct des termes 207
Aide à l usager Furnie de plusieurs façns et à plusieurs niveaux Expertise pur usagers spécialisés Suggestin de slutins Analyse des cmmentaires de l usager Refrmulatin des requêtes basée sur un thésaurus cmmun 208
Prblèmes Ambiguité des mts à différentes significatins Difficulté de cnstructin de bases de cnnaissances sans les cntextes Synthèse des infrmatins truvées pur raffinement de l aide (répndre efficacement aux questins) 209
Sujets de recherche (tpics) Cnstructin de sujets dérivés Définitin de grammaires Détails avec des cnnecteurs et pids seln des facteurs de cnfrmité Fcalisatin sur certains attributs Hiérarchie de cncepts 210
Inférences Srtie de cnclusins à partir de faits Intégratin de nuveaux faits et de règles Mteur d inférence décide sur les règles qui sernt appliquées Arbres de décisin cnsultés pur faire prgresser la recherche d infrmatins Actins prédeterminées 211
Systèmes à base de règles Un système expert représente les cnnaissances en termes de faits et règles Cnsultatin de la base pur évaluer les règles Deux techniques d inférence : chainage avant et chainage arrière Lien sémantique de type is a : Faits Mars est une planète veut dire que mars hérite des prpriétés planète l'entrepôt 41 est situé à Lennxville est-situé est un prédicat tandis que Entrepôt et Lennxville snt des arguments Clumbia Picture est-une filiale de Cca-Cla Le carbne est-un élément un fait est utilisé pur une cnnaissance permanente u tempraire 212
Règle: méthde de représentatin de l'expertise SI cnsmmatin imprtante de sel ALORS pressin sanguine élevée Cmbinaisn de règles avec les faits pur abutir à une cnclusin (nuveau fait) fait à vérifier SI inflatin est haute inflatin est haute ALORS prix des maisns est haut nuveau fait 213
Prix des maisns est haut vrai si inflatin est haut vrai Ajut de faits : Assert Retrait de faits : Retract 2 prédicats Si la pluie est présent Alrs les nuages snt présents Si A est vrai B est aussi vrai (nter que si A est faux B peut-être vrai) implicatin en avant : Si A alrs B en arrière : B Si A 214
3 frmes de règles Règles en chainage avant SI pluie est présente alrs nuages snt présents Règles en chainage arrière nuages snt présents SI pluie est présente Règles inexactes CF=25 pluie est présente SI nuages snt présents 215
Inférences Cmbinaisns de faits et de règles pur abutir à de nuveaux faits: arbre de pssibilités (arbre ET/OU) racine : dernier but à pruver à travers les neuds : chemin de preuve (sus-arbre) Chainage arrière: départ de la racine et suivi des branches jusqu'aux feuilles jusqu'à vérificatin d'un fait Chainage avant: départ des feuilles vers la racine, suivi des branches vers le but W Si X And Y Z ALORS Z; V Si Z u V ALORS W; X Y 216
Chainage arrière, exemples Faits But à pruver fcalisatin sur les cnclusins des règles vendeur A suggére argent vendeur A suggére r vendeurbsuggére argent argent est surévalué r est sus-évalué Règle 1 investisseur investit dans "X" si vendeur A suggére "X" et vendeur B suggére "X" et nn X est surévalué Règle 2 investisseur investit dans "X" si vendeur A suggére "X" et X est sus-évalué 217
But à pruver : investisseur investit dans r 1 - vérifier si ce but est atteint avec les faits et les règles présents - le fait n'est pas dans la base de fait - truver une règle dnt la cnclusin est: investisseur investit dans r 1ère règle (X relié à r) vendeur A suggére r (1) se truve dans la base de faits et vendeur B suggère r (2) ne vérifie pas base de faits u la et nn r est surévalué cnclusin d'une règle 2ème règle: n dit pruver vendeur A suggère r et r est sus-évalué 2 clauses snt dans la base de faits règle est pruvée 218
Chainage avant, exemple vendeur A suggère r vendeur A suggère argent vendeur A suggère banque natinale vendeur B suggère argent vendeur B suggère banque natinale Règle 1 si vendeur A suggère "X" et vendeur B suggère "X" alrs investisseur investit dans "X" Règle 2 si "X" investit dans Y alrs X pssède Y 219
On prend chaque fait et n verifie si les règles snt vraies 1 - vendeur A suggère r (prchain but de la même règle) vendeur B suggère r pas vérifié dans la base de faits vendeur A suggère argent vendeur B suggère argent vendeur A suggère argent OK, n rajute la cnclusin dans la base de faits investisseur investit dans argent 2ème règle : investisseur pssède argent (plus de règles n returne à BF) vendeur A suggère banque natinale, 2ème clause vérifiée vendeur B... investisseur investit dans Banque natinale rajuté dans la base de faits 2ème règle : investisseur pssède Banque natinale rajuté dans la base de faits n cherche à impliquer ce nuveau fait 1ère règle : pas de vérificatin pur X suggère Y 2ème règle : pas de vérificatin, STOP. 220
Prblématique de l'acquisitin de cnnaissances Les cnnaissances d'un expert snt subjectives et difficiles à frmaliser. Les frmalismes utilisés pur la représentatin des cnnaissances ne permettent pas un bn niveau d'abstractin et restent liés à l'implantatin. Cmment rganiser les cnnaissances en vue de leur traitement? Transfert d'expertise => Mdélisatin des cnnaissances et de la méthde de réslutin de prblèmes 221
Interface intelligente Pint critique des applicatins Muvement et navigatin circuler entre bjets infrmatin sur l'bjet questinner mdifier prendre ntes bjet curant transfert des infrmatins d'un bjet vers une base de dnnées 222
Exemple d'interface intelligente Texte BD Navigatin Avant arrière termes Pht Executin maj supr Nte 223
Outils de haut niveau Outils de décuverte Apprentissage machine et décuverte Utilisatin de l'inductin Permet à l'usager de truver autmatiquement des infrmatins cachées dans un grande base de dnnées Décuverte de relatins entre les dnnées par bservatin de mdèles prgramme d'analyse intelligent Ordinateurs sus-utilisés actuellement (30% du temps, 8h) Vlume imprtant de dnnées Temps de traitement nn utilisé En BD quelle questin pser? En apprentissage le prgramme décuvre les questins intéressantes à pser 224
Niveaux d'interactin Frmer des hypthèses Faire des requêtes Examiner résultats et mdifier hypthèses Cntinuer le cycle jusqu'à apparitin d'un mdèle Décuverte et apprentissage Traitement des requêtes Cllecte des dnnées B D I 225
Intégratin de BD et de systèmes experts Deux types de cuplage: faible et frt cuplage faible: la base de dnnées utilise le système expert pur analyser, déduire des dnnées et réintrduire les dnnées dans la base cuplage frt: la base de dnnées est une extensin du système expert Opérateurs différents seln les apprches 226
Méthdes statistiques méthdes pur analyser les dnnées numériques (pas les cnnaissances) statistiques inférentielles repsent sur des mdèles mathématiques de distributin des dnnées analyse factrielle, analyse multivariante, analyse de séries chrnlgiques elles nécessitent une cnnaissance des statistiques et la présence d'un statisticien pur les analyser prduisent les résultats sus frme d'équatins r les règles snt plus lisibles que les équatins elles évluent vers l'ia 227
Apprentissage machine Capacité d'un prgramme de décuvrir et d'apprendre par lui-même ID3 (Quinlan, 1979, Michie, 1984) Certains bns résultats mai aussi une déviatin dans les exemples peut prduire de grands changements dans les arbres de décisin Extensin avec AQ, INDUCE, CLUSTER (Michalski et al, 1983) RX et Radix (Blum, 1982-86) snt cmbinées avec des méthdes statistiques ENTAIL (Gaines et Shaw, 1096) est faite pur traiter des dnnées inexactes 228
ID3 : génére un arbre de décisin AQ généralise des règles (plus puissant que ID3) INDUCE génére des règles pur des descriptins structurelles CLUSTER regrupe les dnnées et décuvre des structures RX, RADIX traite statistiquement les dnnées temprelles ENTAIL génére des règles inexactes pur dnnées inexactes Classificatin de Hlland furnit des mdèles IXL cmbine statistiques et apprentissage machine De nmbreuses applicatins nt mntré l'efficacité de IXL industrie de fabricatin, crime, médecine,... 229
Intégrité de dnnées et cntrôle de qualité vlume de dnnées augmente et le nmbre d'erreurs aussi nécessité d'avir des utils qui détectent les erreurs cntrôle d'intégrité au niveau de la définitin de BD pssibilité d'exprimer les cntraintes en termes de règles ce qui dnne plus de flexibilité utils statistiques pur mesurer la qualité des dnnées 230
Outils de gestin hypermedia ensemble d'infrmatins dispnibles seln les intérêts des usagers. Divent permettre d'effectuer diverses tâches représentatin de cnnaissances textes et graphiques cncepts structures d'rganisatin relatins entre cncepts ntin de cntexte 231
Ingéniérie des cnnaissances/bdi ingénièrie des cnnaissances ingéniérie des BDI identifier cnnaissances identifier cnnaissances, dnnées expliciter cnnaissances lien avec BDI structure de la cnnaissance représenter la cnnaissance cnstruire interface hypermedia Utiliser la cnnaissance utiliser la BDI valider, raffiner, maintenir valider, raffiner, maintenir cnnaissance BDI 232
Outils d'aide à la décisin les tableurs snt des utils qui permettent de répndre à une variété de questins du type: what if? assurent une visibilité immédiate, une familiarité et une facilité de manipulatin utilité de dispser aussi d'utils de transfrmatin de frmats pur passer d'un système à un autre (DB2, SQL,...) et ntamment pur cmmuniquer avec SQL utilité d'asscier un util de parcurs (brwser) avec une prise de ntes et une recherche dans la BD + système d'inférence qui détermine le prchain neud intéressant pur l'usager 233
nécessité de cnnaître le prfil de l'usager (intérêts, bjets de la requête) suvent recherche de l'infrmatin avec une préccupatin à l'esprit prise de nte utile stckage de ntes cmme des bjets, indexage, éditin, regrupement de ntes par sujet anntatin de phts (série de champs retruvés par l'usager) u lien avec des ntes existantes rganisatin hiérarchique des recherches d'infrmatin (détails prgressifs furnis 234
Systèmes cnseillers Implique l'intégratin de systèmes experts et la cnduite de dialgue avec l'usager BD est cnsidérée cmme une extensin de la base de cnnaissances différents niveaux de cnseils cnseils sur demande de l'usager: What t d next? cnseil autmatique: cnseiller recmmande car déduit des infrmatins qui ne snt pas directement accessibles à l'usager cnseil stratégique: après analyse des requêtes u actins de l'usager le système recmmande les infrmatins u actins pertinentes 235
FIN 236