1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

29

Le cheminement conceptuel

d'acquérir des règle ayant un sens pour l'expert. Ceci n'est atteint que si une modélisation préalable du domaine a été établie pour indiquer les relations entre les différents objets constitutifs ainsi que leurs statuts respectifs (objet, attribut, valeur). La conclusion de ce travail est que la modélisation du domaine est la première étape indispensable pour apprendre à partir d'exemples. Ce travail n'a pas pu être réalisé à temps avant la fin du projet INSTIL. C'est la raison qui explique la faiblesse des résultatsde l'évaluation des mécanismes d'apprentissage au niveau qualitatif [Lesaffre et al., 1989].

1.3.5 Conclusion

Dans ce paragraphe, nous avons comparé les différentes démarches des chercheurs pour acquérir des connaissances expertes. Ces comparaisons sont établies en fonction de l'expérience acquise pendant les deux années d'utilisation des systèmes experts (1986-1987). Les systèmes experts essayent de modéliser le raisonnement d'un expert dans un domaine précis. Plutôt que de le modéliser sous forme de règles et d'appliquer un mécanisme déductif, nous préférons appliquer la méthode inverse en utilisant l'apprentissage inductifà partir d'exemples pour acquérir les règles expertes. Nous avons justifié ce choix en analysant le raisonnement de l'expert d'un point de vue pratique (la logique de fonctionnement : § 1.3.2), puis nous avons montré l'importance de la validation des connaissances sur le terrain (la logique d'utilisation). En effet, la qualité de l'expertise est nécessaire mais n'est pas suffisante pour obtenir des résultats robustes : l'adaptation des connaissancesà l'utilisateur cible est déterminante pour l'acceptation du système expert. Enfin, pour le traitement des connaissances, nous avons voulu comparer les techniques d'apprentissage et un système expert classique (§ 1.3.4). Nous avons appris alors qu'il était nécessaire de bien structurer les connaissances de fondpour obtenir des descriptions de qualité. Ce fut là l'origine de la conception du logiciel KATE.

IMAGE imgs/Chapitre120.gif

KATE (Knowledge Acquisition Tools for Expert systems) est un logiciel d'apprentissage à partir d'exemples issu des travaux d'INSTIL et de la thèse de Manago (1988). Tous les acteurs de ce projet ont souligné la nécessité pour les logiciels d'apprentissage automatique de posséder un bon formalisme de représentation des connaissances du domaine et des mécanismes d'exploitation capables de tirer partie de ce formalisme.

1.4.1 Une bonne représentation des connaissances

Un système d'apprentissage doit s'adapter à une représentation plus complexe de la réalité. Comme le système ID3 dont il est issu, Neddie utilise une