Systèmes experts en génie civil Un modèle probatoire : XPENT

Systèmes experts en génie civil Un modèle probatoire : XPENT René-Michel FAURE Ingénieur divisionnaire des TPE Chef du département Mécanique et Informatique Ecole nationale des Travaux publics de l'etat (ENTPE) Jean-Pierre RAJOT Ingénieur des TPE Eric CAYEUX Ingénieur des TPE Eric MAZERAN Ingénieur des TPE Ecole nationale des Travaux publics de l'etat RÉSUME L'article présente les travaux préalables qui ont servi a la définition d'un modèle probatoire de système-expert appliqué à la stabilité des pentes. On rappelle tout d'abord les principales idées et le vocabulaire attachés à la notion de système-expert. Une brève description faite des principaux systèmes experts en génie civil. Le développement du système expert XPENT une entreprise de longue haleine, et de nécessaires coopérations se sont développées. Le point d'avancement que présente cet article l'occasion de faire connaître quelques réflexions sur la construction de la base de connaissances, et de montrer que les experts qui traduisent leur savoir se valorisent à travers un tel exercice. MOTS CLÉS : Modèle mathématique - Conception assistée par ordinateur - Génie civil - Logiciel - Stabilité des talus - Intelligence Artificiel -/Intelligence artificielle Système expert - XPENT- LISP - PROLOG. Les systèmes experts, résultats de recherches encore récentes en intelligence artificielle, invissent de plus en plus rapidement le monde scientifique. Alors que les Japonais en ont fait le défi de ces dernières décennies, en lançant l'énorme projet d'ordinateurs de la cinquième génération, ils suscitent partout un intérêt croissant et de très nombreuses réalisations sont déjà opérationnelles aussi bien dans des laboratoires de recherche que dans les entreprises industrielles. Cependant, comme tout phénomène novateur de grande ampleur, à trop en entendre parler on finit par perdre l'essentiel et l'on tombe à son tour dans le travers logomachique. Aussi, pour mieux comprendre ce que constitue un système expert et pour mesurer l'impact des méthodes informatiques qui lui sont associées dans un domaine scientifique, le département Mécanique et Informatique de l'entpe a entrepris la réalisation d'un modèle probatoire de système expert, en appliquant les techniques d'intelligence artificielle, au domaine de la stabilité des pentes. La présentation de ce travail, à la fin de cet article, a pour but d'éclairer l'ingénieur sur les modalités d'un tel mariage informatique/savoir-faire et sur les difficultés qu'il soulève. 41 Bull, liaison Labo P. et Ch. - 147 - janv.-févr. 1987 - Réf. 3096

bi QU'EST-CE QU'UN SYSTÈME EXPERT? Un système expert un logiciel (programme informatique) conçu pour simuler le savoir-faire d'un spécialiste dans un domaine précis. Alors que l'informatique traditionnelle se fonde sur un ordinateur qui ne manipule guère que les nombres avec dextérité et qui le fait selon une suite d'ordres bien définis en un déroulement séquentiel fixe, l'intelligence artificielle suppose la mise au point d'un système informatique «raisonneur», capable d'enchaîner des déductions et de construire un raisonnement. De même, l'informatique classique maîtrise parfaitement le traitement de l'information quand celuici aisément formalisable par un algorithme, c'à-dire par une suite déterminée d'instructions indiquant de manière invariable la démarche à suivre pour arriver au résultat espéré. Cependant, quand il s'agit de modéliser le savoir-faire d'un expert, constitué de connaissances pragmatiques, de raisonnements par approximations souvent déclenchés par des événements extérieurs imprévisibles a priori, les programmes traditionnels ne suffisent plus! Il faut donc disposer d'outils informatiques capables de traiter des connaissances incertaines ou incomplètes et dont l'enchaînement n' pas déterminé au départ, mais se fait en formulant des hypothèses et en tenant compte de paramètres qui peuvent apparaître pendant le déroulement même du raisonnement. Un système expert peut donc se concevoir comme une tentative d'avancer dans cette voie. A partir d'un ensemble de connaissances écrites avec un formalisme approprié et selon une structure de mémorisation beaucoup plus souple qu'auparavant, un module dynamique appelé «moteur d'inférences» applique de manière sélective certaines «lois» ou plus couramment des «règles» d'expert en raffinant progressivement le raisonnement par application de plus en plus pertinente des connaissances mises à sa disposition. Une des caractéristiques principales d'un système expert donc qu'il discerne de manière non équivoque la connaissance du raisonnement en base de connaissances et moteur d'inférences, deux parties dont l'indépendance donne au système expert une éventuelle polyvalence, car les mêmes structures de déduction s'appliquent parfois à plusieurs domaines de connaissance. La base de connaissance Elle contient le maximum d'informations sur le domaine d'expertise : celles-ci peuvent être les «règles» de raisonnement, la description des concepts manipulés par le spécialiste ou toute autre donnée exploitable par le système. Le formalisme d'écriture adopté pour constituer une base de connaissances dépend du type de connaissance qu'il souhaitable de stocker, mais avec le souci constant d'être le plus simple possible pour que l'expert, en général non-informaticien, puisse relire et compléter la base. C', comme l'expérience le montre, la partie la plus délicate du travail de conception du système, car c' là que se pose le problème de la variété et de l'hétérogénéité du savoir. Pour franchir un tel obstacle sans perdre trop d'informations, plusieurs types de représentation de la connaissance ont été introduits : les règles de production, les réseaux sémantiques, les frames pu prototypes. Les règles de production Chaque unité élémentaire de connaissance prend la forme d'une règle logique du type : SITUATION - ACTION pour laquelle «action» exécutée si la «situation» du membre gauche correspond, à un instant donné, à l'état du système. Voici, par exemple, ce que cela donne dans un système d'aide à l'utilisation du code de calcul de structures TITUS (Framentec) : Règle 102 (Cette règle s'applique aux structures. Elle essayée afin de déduire l'analyse de modes propres à effectuer.) SI : 1) A : Une analyse des modes propres fait partie des analyses que l'utilisateur désire effectuer, ou B : Un calcul de modes propres doit être effectué, 2) Le nombre de degrés de liberté de la structure supérieur à 300, 3) Le domaine d'étude des modes propres autour de F (fréquence donnée), 4) Le nombre de fréquences propres dans l'intervalle (0, F) supérieur à 30, et 5) Les efforts associés aux modes propres sont calculés, ALORS : Il certain (1,0) que l'analyse des modes propres à effectuer une analyse des modes propres par la méthode de Givens avec réduction de Guyan et calcul des efforts associés. On remarquera qu'un degré de certitude peut être attribué à la conclusion de la règle (ici (1,0) car la déduction certaine), ce qui constitue une tentative de quantification ou de hiérarchisation de la vraisemblance des règles, idée puissante mais difficile à mettre en œuvre efficacement. Les réseaux sémantiques Ce mode de représentation des connaissances naît d'un besoin de classification des concepts en établissant un modèle d'interaction entre eux. 42

Exemple provient de réseau sémantique. Roche eruptive 1 Roche volcano-sédimentaire Orthogneiss provient J provient Paragneiss Gneiss I Spilite Roche métamorphique Orthogneiss basique Amphibolite Un réseau sémantique un graphe dont les noeuds représentent des entités, des individus, des relations et dont les arcs orientés sont des instances de relation binaire. Le réseau représente alors l'ensemble des assertions binaires de type : A. -> B. assertion R(A, B). La sémantique d'un nœud du réseau ainsi facilement accessible à travers l'ensemble des objets qui lui sont rattachés et par la nature des liaisons. On retrouvera sur l'exemple suivant les liens causals traduits par des flèches. Le réseau exploré par le système de façon à trouver des faits permettant de faire progresser le raisonnement (dans le cas de Prospector, les faits qui étaient la connaissance géologique du site, ne permettaient pas à l'intuition humaine l'obtention d'un résultat du fait de leur disparité. Le système expert explorant tous les arbres de son réseau a pu rassembler les faits pertinents qui permettaient de déduire l'existence du gisement). Les frames Un «frame» ou prototype une structure de données qui décrit des objets-types (donc typiques : ni communs, ni uniques!). Cette description opposée à l'énumération des caractéristiques strictement partagées par tous les objets d'un groupe permet de ranger les divers éléments de la connaissance de l'expert dans des classes avec la possibilité que des objets se distinguent par certaines propriétés particulières. Un frame a donc une partie fixe commune à une classe et inclut également des données variables caractéristiques (qui sont d'ailleurs parfois procédurales : appel d'un programme, référence à d'autres frames, etc.). Enfin, chaque prototype un tiroir qui contient d'autres prototypes également à tiroirs, d'où la possibilité d'héritage d'informations. Exemple de frame : FRAME VOITURE : (sorte de) moteur puissance fiscale immatriculation propriétaire une marque (domaine : Renault, Peugeot, Citroën, Talbot, Fiat, VW) (défaut : Renault) un moteur un nombre entre 2 et 30 [si besoin : calcul puissance fisc. (moteur)] (si ajout. : vérifier format) une personne [si ajout. : maj. (personne) voiture] Marbre Quartzite Schiste provient une instance du frame pourrait être : VOITURE V01 : marque moteur puissance fiscale immatriculation propriétaire Renault R5 5 123 ABC 75 Duchemin Roche sédimentaire pélitique Ce type de représentation de la connaissance implique généralement des aptitudes particulières du moteur d'inférences, ce qui limite son autonomie et rend l'utilisation des frames assez délicate : ce sont des outils puissants mais très évolués et pratiquement inaccessibles à l'expert, contrairement aux règles de production et aux réseaux sémantiques. Dans certaines applications, sont proposés pour pallier cet inconvénient : un dialogue en langage quasi naturel entre l'expert et la machine pour la constitution de la base de connaissances, un auto-apprentissage du système expert au fur et à mesure du traitement des différents cas qui lui sont proposés. Il existe certainement d'autres manières performantes de représenter les connaissances de l'expert, mais les trois types décrits précédemment permettent de faire un tour d'horizon rapide de ce qui généralement employé et résument assez bien les différentes notions à appréhender pour aborder la réalisation d'une base de connaissances. Examinons maintenant l'emploi qui fait de ces connaissances formalisées et rangées le plus judicieusement possible. Le moteur d'inférences Il s'agit de la partie «programmée» du système. C' un module qui utilise les connaissances de la base dans un but qui lui précisé. Son rôle de faire des inférences : passer d'une proposition vraie à une autre jugée telle en raison de son lien avec la première, ce lien apparaissant dans la règle appliquée, par héritage dans les relations du réseau sémantique, etc. Placé devant les données initiales du cas à traiter, le moteur choisit les connaissances à appliquer pour progresser, cette recherche se faisant de manière non exhaustive, C' ainsi que, contrairement aux 43

programmes envisageant combinatoirement tous les cas possibles, celui-ci utilise des processus de décision qui lui permettent d'envisager un cas plutôt qu'un autre ; des règles sur l'emploi des règles ou des techniques de création de contextes, de hiérarchisation des connaissances guident le «raisonnement». Enfin, si l'un des objectifs d'éviter «l'explosion combinatoire», il s'inscrit dans la volonté plus générale d'atteindre le temps de résolution le plus court possible, ce qui semble une priorité en cas de systèmes présentant un haut degré d'interactivité (ou nécessitant une réponse en temps réel). Par rapport à l'algorithmique classique, les avantages peuvent se résumer ainsi : capacité à manipuler des connaissances symboliques, capacité à exploiter un ensemble de connaissances modulaires, celles-ci étant souvent données en vrac et pouvant être modifiées et enrichies sans perturber l'environnement, indépendance du mécanisme de résolution et de la connaissance, qui peut être interchangeable, qualité des interfaces homme/machine : tout système expert qui se respecte capable d'expliquer son raisonnement en en retraçant les étapes à l'utilisateur. L'environnement informatique Pour réaliser des systèmes puissants manipulant des informations symboliques et offrant des interfaces le plus souvent tournées vers le langage naturel, il faut des langages de programmation et des outils de génie logiciel de plus en plus performants. Il faut donc disposer de langages facilitant la manipulation symbolique et cela de manière ultrarapide. Les plus développés sont actuellement Lisp et Prolog : Lisp le plus ancien des langages d'intelligence artificielle (il date de l'époque de la création de Fortran). Si les principes de base de ce langage sont parfaitement définis, il n'en pas de même de ses termes, d'où une prolifération de dialectes généralement incompatibles. C' un langage de manipulation de listes et d'arbres très efficace ; Prolog, beaucoup plus jeune, se réfère plus directement à la notion de système expert puisqu'il contient son propre mécanisme de résolution et son propre formalisme de représentation des connaissances. Il n' pas possible d'aborder plus en détail ces deux langages dans le cadre de cet article, car leur richesse nécessiterait beaucoup plus qu'un article, sans parler d'autres langages (Smalltalk et les langages orientés objets, etc). En matière d'aide à la conception de sytèmes experts, existe déjà toute une panoplie d'outils de développement nés de la standardisation de moteurs de systèmes experts célèbres (comme Emycin, qui un environnement de construction de système expert tiré du premier système expert performant en médecine) ou de l'évolution de certains langages (par exemple, en France le Lisp de 1TNRIA s' doté d'outils de développement tels que Ceyx ou Lecool et, aux États-Unis, l'interlisp s' adjoint Loops, et Xérox propose depuis plusieurs années des «machines Lisp» qui intègrent plusieurs outils de programmation «intelligente» dans un environnement de Lisp microcode). SYSTÈMES EXPERTS ET GÉNIE CIVIL Le génie civil un des domaines d'application par excellence des systèmes experts dans la mesure où dans la majorité des spécialités qu'il recouvre, les connaissances rent assez pragmatiques et morcelées et que la notion de savoir-faire de l'expert en structures, en mécanique des sols ou en infrastructures des transports y prend tout son sens. Applications existantes Prospector Ce système certainement le plus célèbre des systèmes experts en génie civil : c' l'un des premiers de l'histoire de l'intelligence artificielle et le premier à avoir été rentable (après avoir découvert une importante mine de molybdène). Il s'agit essentiellement d'un système de diagnostic, rassemblant des indices pour tirer des conclusions sur la présence ou non d'un certain nombre de minerais dans le sous-sol. La structure interne de représentation des connaissances fondée sur un réseau sémantique contenant les relations entre les types de roches, les formes géologiques et d'autres concepts du domaine et sur un ensemble de règles de productions qui sont compilées sous forme de graphe. Sacon et Titus Sacon et Titus ont par beaucoup d'aspects une très forte ressemblance. Tous deux ont pour but d'aider les utilisateurs d'un code de calcul de structures (Titus et Marc) dans la mise en forme des données de leur problème. Le système fournit un plan de travail constitué de la séquence optimisée des commandes principales. Ils ont été réalisés à partir de KS 300, outil de développement travaillant avec des règles de production en chaînage arrière '"et possédant un environnement de programmation considérable. (1) Chaînage arrière: en utilisant les règles «à l'envers», le moteur vérifie que des résultats conjecturés se déduisent bien des faits initiaux. 44

Cessol Cessol un système dont l'objectif de planifier des campagnes de reconnaissances géotechniques pour la construction de bâtiments. C' un système fonctionnant en chaînage avant <3) à saturation <4>, sur des règles de production dont les faits ont la forme : (prédicat objet attribut valeur) Applications potentielles Les applications potentielles sont considérables. Elles peuvent se regrouper en quatre domaines : interprétation (des observations sur les structures mécaniques, des données d'essais géotechniques, des statistiques dans le domaine des transports, par exemple, etc.), diagnostic (en stabilité des pentes, en bâtiment, etc.), planification (projets de toutes sortes pouvant faire appel entre autres aux systèmes experts), conception (le système expert alors un outil d'aide à la conception : en énergétique du bâtiment, en architecture, etc.). Le champ d'application en génie civil largement ouvert. N'oublions pas non plus que si les systèmes experts ne peuvent se substituer à un programme de calcul classique, ils peuvent, en revanche, en contrôler le déroulement (cf. Développement envisagé). Choix du moteur d'inférences Désirant réaliser un système facilement extensible, notre critère de choix a été, tout au long de sa réalisation, celui de la plus grande généralité. Le formalisme d'écriture celui de la logique prédicative des clauses de Horn, c'-à-dire un formalisme proche de celui de Prolog. 11 consiste à écrire des règles de production à une seule conclusion, mais à l'envers : conclusion <- prémisse 1, prémisse 2, prémisse n avec «conclusion» et «prémisse i» ayant la forme : prédicat (terme 1, terme 2,..., terme m) dans laquelle «prédicat» ne peut prendre que les valeurs «vrai» ou «faux». On comprend alors comment fonctionne le mécanisme de résolution : si l'on veut prouver une conclusion i, il suffit de prouver que chacune des prémisses de la règle contenant cette conclusion vraie. Si au moins l'une d'entre elles fausse, la conclusion ne pourra être prouvée. Pour qu'une clause (nom donné à ce genre de règle) soit toujours vraie, il suffit qu'elle n'ait aucune prémisse : conclusion UN MODÈLE PROBATOIRE : XPENT Choix du sujet L'ENTPE, dès la création de la voie d'approfondissement «Informatique» (en troisième année), a mis en place un enseignement en intelligence artificielle qui à l'origine d'un certain nombre de projets, dont XPENT, qui aborde un domaine dans lequel l'école travaille depuis de nombreuses années. Les études ainsi conduites l'étaient toutefois dans le domaine classique des calculs de type algorithmique (méthode de calcul à la rupture et éléments finis). Connaissant bien l'approche classique du problème de stabilité des pentes, il apparu judicieux d'introduire les nouveaux outils d'intelligence artificielle pour développer ces études. Le sujet bien délimité et les contacts avec d'autres universités permettront de mieux le cerner encore, à travers le savoir-faire d'autres experts. (2) Système développé à l'université de Chambéry sous la direction du professeur Laurent. (3) Chaînage avant : le moteur part des faits établis (données du problème) et aboutit à une conclusion en appliquant les règles «à l'endroit». (4) Chaînage avant à saturation : quand le système déduit exhaustivement tout ce qu'il possible de déduire (dans ce cas, on n'échappe pas à l'explosion combinatoire). Le choix de ce formalisme réside dans le fait qu'il facile de représenter les règles de production (avec plusieurs conclusions), les réseaux sémantiques et les frames par cette approche. Par ailleurs, le système de résolution totalement non déterministe, car si plusieurs manières de prouver une conclusion existent, elles seront toutes explorées. Cela implique que le contrôle du mécanisme de résolution ramené au niveau des clauses ellesmêmes par des règles sur les règles (métarègles). Il était en effet important, pour respecter notre critère de choix, de ne pas imposer un mécanisme de contrôle figé car l'on sait bien, en matière de stabilité des pentes, que les chemins qui mènent à une solution sont nombreux! État du prototype en janvier 1986 Une première ébauche du système opérationnelle. C' un système avec compilation des clauses, utilisant une méthode de propagation des contraintes : compilation : le système crée un réseau dans lequel s'établissent les liens permettant la démonstration de chacune des règles ; propagation des contraintes : pour maintenir la cohérence de ce réseau au fur et à mesure qu'évolue la base de clauses. 45

É Le but du système expert de trouver des solutions confortatives après un glissement de terrain, grâce au dialogue entre système expert et utilisateur. A l'heure actuelle, seule la partie «remblais» a été réalisée. Elle représente un volume d'une quarantaine de règles de mécanique des sols, soit une centaine de clauses. Ce prototype de base de connaissances, certainement très incomplet et rapidement réalisé, a déjà permis de ter le système et de laisser supposer un développement prometteur. Voici un exemple du début d'une session de travail avec le système : (mini-base expérimentale développée en 1985). *** BASE DE CONNAISSANCE EXPÉRIMEN TALE EN STABILITÉ DES PENTES *** ** Je traite certains cas simples et vous donne les premiers éléments d'une solution de confortation. ** Traitons votre cas : ** Le problème vient-il d'un remblai? ** Quelle la nature du sol? >, mou ** C'-à-dire cohérent, peu consolidé? ** Quelle la nature du remblai? > frottant ** Est-ce que la rupture observée superficielle? > non ** Est-elle profonde (pied du glissement éloigné du pied du talus)? ** Est-elle à long terme? *** JE PRÉCONISE UNE DIMINUTION DE LA HAUTEUR DU REMBLAI. *** VOUS POUVEZ CONSOLIDER LE SOL (DRAINAGE, COLONNES BALLASTÉES). ** Comment la cohésion varie-t-elle avec la profondeur (diminution, augmentation, rapide/lente...) > augmentation lente Développement envisagé L'intérêt principal, et d'ailleurs la difficulté, de la réalisation d'un système expert réside dans l'écriture de la base de connaissances. Pour comprendre la vraie nature et le pourquoi de la démarche spécifique de l'expert, une idée retenue celle de la confrontation entre les pratiques de différents experts. L'ENTPE se propose de bâtir une partie de la base de données avec des experts canadiens de l'université Laval de Québec, dans le cadre d'une convention liant les deux établissements. Des spécialistes de deux pays, différents de par leur culture scientifique et de par la nature géologique de leurs sols, devraient, espérons-le, trouver les règles communes de leur démarche, qui constitueraient ainsi des outils de référence pour le système expert. D'autres axes de développement sont envisagés, comme l'introduction de variables dans le moteur, ainsi que l'interfaçage des autres programmes de calcul (programmes d'hydraulique en éléments finis, programmes de stabilité tels que Nixes et Trolls) car, comme dans d'autres processus classiques, il faut être capable de quantifier la sécurité à un certain stade du diagnostic qualitatif. Le travail envisagé donc très important et nécessite la collaboration de plusieurs experts de domaines parfois distincts. Réflexions sur la construction de la base de connaissances La réalisation rapide d'un premier prototype de base de connaissances nous a permis de mettre en évidence que : les spécialistes sont toujours déroutés, au premier abord, par la logique formelle, qui demande quelques heures de maniement pour être acquise. La présence de l'informaticien de toute façon nécessaire pour contrôler la formulation de chaque règle ; la recherche de règles a démontré finalement que celles obtenues sont difficilement inversibles lors d'une première écriture. Si l'on établit : A déduit de..., l'écrire sous la forme : A n' pas déduit par..., loin d'être évident. Cet exercice s' avéré très utile, car il permet de bien vérifier la pensée de l'expert, qui finit par se piquer au jeu. Enfin, le travail de réflexion sur l'élaboration de règles met en évidence les démarches parfois peu sûres de l'expert et montre ainsi que ce qui s'enseigne difficilement en matière de mécanique des sols ne s'apprend pas plus facilement par le système informatique. Par contre, quand celui-ci sera capable de retrouver, à la demande, les mécanismes cachés du raisonnement d'expert et de les décomposer à l'écran, il deviendra un excellent outil de formation qui a sa place toute faite dans un établissement tel que l'entpe ; l'établissement des métarègles délicat car leur nécessité n'apparaît que lorsque les solutions sont trop peu précises en général. Il s'agit de découvrir les liens entre les règles et de les traduire en règles! Pour l'expert, la difficulté alors de traduire en langage formel plus son expérience que son savoir : pourquoi dans tel cas n'a-t-il pas tenu compte de tel paramètre? C' le point le plus difficile de la réalisation de la base de connaissances. Il demandera beaucoup de travail commun, mais sera très enrichissant. 46

CONCLUSION Peut-être plus en intelligence artificielle que dans d'autres domaines, l'expérience de codage du savoir une initiation nécessaire à l'évaluation du travail et des difficultés qui surgiront. Faire un système expert une œuvre de longue haleine également, car les choix initiaux d'architecture du système déterminent toute l'évolution à venir de celui-ci. Toute modification n' pas sans risque ; malgré la modularité du système. Enfin, l'intelligence artificielle n'interfère pas avec les connaissances théoriques générales : chaque cas d'application conduit à de nouveaux modèles. Il donc important de suivre l'évolution parallèle d'autres projets, tels que celui de 1TNRIA par exemple : SMECI (Système Multi Expert en Conception et Ingénierie). L'Ecole nationale des Travaux publics de l'etat continuera la réalisation de son modèle probatoire XPENT en collaboration avec de nombreux spécialistes pour essayer de donner à la notion de système expert son sens vrai : la collation d'un grand nombre d'expériences. La mécanique des sols s'en trouvera certainement enrichie, mais que de discussions en perspective! RÉFÉRENCES BIBLIOGRAPHIQUES AYEL, LAURENT, SOUTIF (1984), un système expert pour définir des campagnes de reconnaissances géotechniques, Congrès reconnaissance des formes et LA., AFCRT- ADI-INRIA, Paris. BENETT, EGELMORE (1979), Sacon : A knowledge based consultant for structural analysis, In IJCAI 6, p. 47-49. BRACHMAN, LEVESQUE (1985), Readings in knowledge representation, Morgan-Kaufmann, California. BUCHANAN, SHORTLIFFE (1984), Rule based expert systems, The mycin experiment of the standford heuristics programming project, Addison-Wesley. CAYEUX (1985), Systèmes experts et génie civil, ENTPE, Vaulx-en-Velin. DUDA, HART, BARETT, GASCHING, KONOLIGE, REBOH, SLOCUM (1978), Development of the prospector consultation system for mineral exploration, Final report, SRI projects 5821 and 6415. Artificial intelligence, SRI international, Menlo Park, California. FIESCHI (1984), Intelligence artificielle en médecine, Masson. GOODALL (1985), The guide to expert systems, Learned information, Oxford and New Jersey. HAYES-ROTH, WATERMAN, LENAT (1983), Building expert systems, Reading, Mass : Addison-Wesley. LENAT (nov. 1984), Les logiciels et l'intelligence Pour la science, p. 132-143. artificielle, NILSSON (1980), Principles of artificial intelligence, Tioga publishing company, Palo Alto. WATERMAN, HAYES-ROTH (1978), Pattern directed inference systems, Academic press, New York. WINSTON (1984), Artificial intelligence, 2" edition : Addison- Wesley, Reading. 47