|
|
|
2.2.1.1 Fiabilité
Dans le cadre de la validation des systèmes experts en pathologie des plantes à
l'INRA, nous avons évalué la fiabilité des résultats d'identificationlorsque
les programmes sont mis dans les conditions normales d'utilisation, c'est-à-dire
entre les mains des techniciens et des agriculteurs qui n'ont pas la même manière
d'observer que l'expert.
Dans le cadre de l'apprentissage, nous avons constaté que la fiabilité des
résultats dépendait surtout de la qualité des donnéesen entrée (§ 1.3.4). Nous
nous sommes alors attaqués en priorité à la robustesse de l'acquisition des
connaissances, c'est-à-dire non pas à celle des règles élaborées par méthode
d'élicitation comme pour les systèmes experts de première génération, mais à
celle des données initiales sur lesquelles va s'opérer l'induction : on suppose que
le traitement qui suivra, s'il est bien justifié, donnera des règles et des résultats
fiables par rapport aux données robustes.
Les données en entrée sont de deux sortes : les premières sont des
connaissances observableset générales sur le domaine, représentées dans le
modèle descriptif. Les secondes sont des connaissancesobservées
spécifiques, correspondant aux exemples d'apprentissage. Cette distinction au
niveau des descriptions est fondamentale pour évaluer leur fiabilité.
|
|
|
|
|
2.2.1.2 Compréhension
Pour obtenir des données robustes, il est nécessaire de bien comprendre le
domaine. Ceci est d'abord vrai au niveau de la compréhension entre l'expert et le
cogniticien ; le fait que ce dernier ait unecompétence ou une sensibilité sur le
domaine facilite grandement le dialogue. Mais surtout, comme les utilisateurs qui
identifient des échantillons ont des niveaux de connaissance très variés sur le
sujet, la phase de modélisation pour acquérir l'observable est un travail d'équipe
essentiel entre l'expert et le cogniticien. Le but est de réfléchir sur les aspects
terminologiques afin de trouver une structure de description des composants du
|
|