|
|
2.1.2 Le formalisme mathématique de description
La conception d'outils informatiques adaptés aux problèmes des biologistes
nécessite à la fois l'utilisation de techniques en statistiques, en analyse de
données, en intelligence artificielle, en ergonomie et en psychologie cognitive.
Le sujet se situant à la frontière de ces différents domaines, il est important de
présenter formellement les problèmes tels qu'ils se posent aux biologistes de
manière à pouvoir faire comprendre leur nature aux différentes communautés
amenées à les résoudre. Le langage mathématique est ainsi le dénominateur
commun permettant une meilleure communication entre les personnes concernées
et se trouve par conséquence être un facteur important de la robustesse des
solutions apportées. C'est pourquoi le chapitre 5 expose le formalisme
mathématique de description des sujets étudiés au MNHN, ce même formalisme
étant ensuite exploité dans le chapitre 7 pour la description des algorithmes de
traitement des exemples.
|
|
|
|
2.1.3 Combiner du numérique et du symbolique
L'approche numérique qui est utilisée dans le traitement permet de discriminer
efficacement un grand nombre d'exemples tout en tenant compte des petites
variations dans les descriptions. Elle permet aussi de détecter un type de bruit
particulier ou deux exemples portent la même description tout en n'appartenant
pas à la même classe : on a alors à faire à une ambiguïté totale, ce qui laisse
supposer à l'utilisateur que les mêmes causes ne produisent pas les mêmes
effets. Or, la mise en évidence d'un tel "clash" (Crémilleux, 1991) peut faire
réagir l'expert : il peut s'apercevoir qu'il a oublié de décrireun caractère
discriminant entre les deux exemples (désambiguation).
L'approche symbolique permet de représenter des connaissances complexes en
indiquant les dépendances entre objets, attributs et valeurs ainsi que des règles de
cohérence pour chaque description. Elle donne aussi la possibilité d'introduire
des connaissances complémentaires aux exemples pour traiter certains bruits
(voir plus loin) [Manago, 1988]. En les explicitant, l'apprentissage symbolique
fournit des explications justifiées par la présence de connaissances non fortuites
[Kodratoff, 1991].
L'intégration des deux approches améliore la robustesse globale du système.
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
