23

Le cheminement conceptuel

Mais dans ces systèmes, on ne se cantonne pas seulement au niveau de la structuration d'une base de règles. Outre les connaissances déclaratives, SMECI intègre des connaissances factuelles représentées sous forme d'objets (catégories, prototypes) et des connaissances procédurales (démons, méthodes). Ainsi, ces systèmes experts répondent à la critique comme quoi ils sont encore trop superficiels au niveau de la représentation profonde des associations phénoménologiques qu'ils sont capable de faire [Bonnet, 1984], [Pitrat, 1987] : en effet, ils peuvent posséder un modèled'organisation des objets du domaine et l'utiliser pour inférer des données manquantes par un raisonnement de bon sens (si type(culture) est "plein-champ", alors chauffage(culture) est "froid" et mode(culture) est "en-terre"), ils donnent la possibilité de décomposer le problème en modules de connaissance (tâches) indépendants et de piloter la résolution de problèmes à l'aidede stratégies d'inférence variées (profondeur, largeur, meilleur d'abord).

Comme nous le constatons, les systèmes experts se sont développés surtout autour de la simulation du raisonnement. Or, avant de raisonner pour résoudre un problème, il faut être capable d'acquérir les conceptssur lesquels on raisonne.

Cette faculté est le propre de l'inductionqui est le processus qui va inférer des règles générales (ou plutôt des hypothèses) à partir des cas particuliers. Cette raison nous a conduit à étudier l'apprentissage inductif à partir d'exemples qui permet de découvrir des connaissances déclaratives (des définitions, c'est-à-dire quelque chose de vrai ou faux) caractérisant des concepts, à partir de connaissances factuelles (des descriptions, cf. chapitre 3). Les règles induites sous la forme d'un arbre de décision sont ensuite utilisées comme pour les systèmes experts de première et seconde génération.

De plus, l'apprentissage automatique a été désigné pour répondre à la constatation suivante : autant l'expert peut être compétent pour résoudre des problèmes concrets, autant il n'est pas nécessairement un bon professeur capable d'expliquer de façon logique par des règles abstraites comment il raisonne. Nous pensons qu'il est effectivement plus simple et plus naturel de laisser l'expert décrire des échantillons de différentes classes que de lui demander de fournir des définitions qui permettront de les reconnaître. Cela permet aussi de tenir compte des exceptions multiples que l'on trouve obligatoirement dans la nature et qui constituent toutes des exemples "couvrant" la même classe. De ce fait, l'expert peut adopter une démarche exploratoire pour comprendre la manière dont il a lui- même pu (auparavant) apprendre son domaine : les règles en sortie peuvent être contrôlées par les données qu'il a lui-même entrées, ce qui est plus "confortable" que l'énoncé de règles abstraites. Le résultat est de toute manière identique à celui des générateurs de systèmes experts : il s'agit de construire un système à base de connaissances.