Glossaire des termes

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z # Références

Sélectionnez la première lettre du mot dans la liste ci-dessus pour atteindre la section appropriée du glossaire. Si le terme que vous cherchez commence par un chiffre ou un symbole, choisissez le lien '#'.

- A -

Algorithmique

Étude de la résolution de problèmes par la mise en oeuvre de suites d'opérations élémentaires selon un processus défini aboutissant à une solution. Anglais : algorithmics.

 

Algorithme génétique

Une technique de programmation qui permet aux aux programmes d'ordinateurs d'évoluer à la suite de déclanchements d'instructions qui génèrent automatiquement de nouvelles instructions qui, par ricochet, se combinent comme les gènes d'un organisme vivant L'objectif est de permettre à l'ordinateur de réaliser son propre logiciel, de s'auto-enseigner afin qu'il puisse décider et accomplir les tâches qui lui sont assignées [8].

Retour en haut

..................................................
- B -

Banque de données

Ensemble de données relatif à un domaine défini des connaissances et organisé pour être offert aux consultations d'utilisateurs. Anglais : data bank.

 

Base de faits 

La base de faits contient tous les faits connus du système concernant un problème particulier en cours de traitement. Ces faits ont pu être fournis au système ou déduits par lui et la base de faits évolue en même temps que les connaissances du système sur le problème en cours de résolution.  Elle est vidée lorsque la consultation se termine et qu'un nouveau problème est soumis au système.

Base de règles

La base de règle contient le savoir faire de l'expert exprimé sous forme de règles de production.  L'ensemble base de faits et base de règles est appelé 'base de connaissance' car il contient toutes les connaissances auxquelles le système a accès pour résoudre le problème en cours de traitement. Les règles ne font jamais référence à d'autres règles mais communique à travers la base de faits.  Cette propriété est très importante car elle permet d'ajouter ou de supprimer une règle de la base sans modifier le système (4).    

Par exemple la règle R1 portant sur l'interprétation de mesures électriques dans un puits de forage:

        Si la polarisation spontanée de la roche est élevée

        Si la résistivité da la roche est élevée

        Alors il s'agit d'un grès (0,5)

Une règle comporte une partie gauche (Si ...) exprimant des conditions, et une partie droite (Alors ...) contenant des conclusions. Le nombre entre paranthèses est le coefficient de vraisemblance et exprime la confiance accordée à la conclusion. Il peut varier par exemple entre +1(certitude que oui) et -1 (certitude que non).

 

Base de connaissances

Partie d'un système expert contenant l'ensemble des informations, en particulier des objets ou des règles et des faits, qui constituent le domaine de compétence du système. Anglais : knowledge base.  Le raisonnement contenu dans la base de connaissance est exploité par le moteur d'inférences.

Base de données

Ensemble de données organisé en vue de son utilisation par des programmes correspondant à des applications distinctes et de manière à faciliter l'évolution indépendante des données et des programmes. Anglais: data base.

 

Bayses (théorie de)

Bayes était un mathématicien du XVIIIe siècle. Il a inventé une notion qui s'appelle la probabilité conditionnelle. La théorie de Bayes nous permet de déterminer la vraisemblance de nos hypothèses basé sur les experiences précédentes (ou données statistiques).  Il nous faut connaitre la probabilite à priori d'un évènement que nous pouvons utiliser afin d'interprèter la situation actuelle.

Dans quels cas pouvons-vous profiter de la théorie de Bayes?  Une condition pour appliquer cette théorie est qu'il nous faut une source riche en données statistiques. C'est-à-dire, si nous  diagnostiquions beaucoup de cas des voitures en panne et que nous collections toutes les donnés, nous pourrions profiter de la théorie de Bayes.   La formule de la probabilité conditionnelle est présentée comme ci-dessous:
où
H = hypothèse
E = évidence
P(H/E) = la probabilité pour que H soit vraie sachant l'évidence E est vraie
P(H) = la probabilité pour que H soit vraie (indépendant de E, ou probabilité a priori)
P(E/H) = la probabilité d'observer E quand H est vrai
P(E) = la probabilité d'observer E indépendamment de H.

Pour mieux estimer P(E), on peut écrire P(E) comme ci-dessous:

où
P(E/-H) = la probabilité pour que E soit vrai sachant que H est faux
P(-H) = la probabilité pour que H soit faux

Exemple: Supposons que vous soyez un mécanicien de voiture. Supposez que vous ayez les chiffres suivants:

P(b) = 10% , sur 10 voitures que vous avez repare, 10 ont eu des bougies defectueuses.
P(-b) = 1 - P(b) = 90%

P(panne/b) = si la bougie d'une voiture est defectueuse, la probabilite pour que cette voiture tombe en panne est de 80%
P(panne/-b) = la probabilite pour qu'une voiture tombe en panne a cause d'autre chose (pas la bougie) est de 60% (batterie, filtre d'air, panne d'essence, etc.).

Alors,

P(panne)= P(panne/b) P(b) + P(panne/-b) P (-b) =
80% . 10% + 60% . 90% =0.62
et
P(b/panne) = 0.129 = 13%

Retour en haut

..................................................
- C -

Certitude (théorie des facteurs de) ou coefficient de vraisemblance

La théorie des facteurs de certitude est basée sur des mesures de jugement des croyances au lieu de chiffres de probabilité rigides (par exemple la théorie probabiliste de Bayses).  Les chercheurs ont remarqué que les connaissances (savoir-faire) des experts sont souvent inexactes et donc ne sont pas en accord avec les formulations des théories de la probabilité.  Par exemple, les médecins disent souvent: "Si je vois les symptômes A et B, alors j'ai quelques indications sur le fait que le patient a telle-et-telle maladie. "Cette phrase est un jugement par le médecin qui a certain degré de confiance pour croire en ce fait (ce n'est pas une probabilité).  Donc quand les chiffres de probabilité a priori et les informations exactes sont absentes, il nous faut utiliser et analyser les situations avec des termes qualitatifs qui représentent le degré de confiance dans l'énoncé de la règle.

 

- probablement
- vraisemblablement
- il semble presque certain que

Ceux-ci sont à l'origine des facteurs de certitude. Ces facteurs prennent les valeurs entre -1 et +1 (moins 1 et plus un):

-1 représente définitivement faux
+1 représente définitivement vrai

Ainsi, on peut présenter les règles avec des facteurs de certitude

si le moteur ne démarre pas
et le moteur tousse et cale
alors la bougie est défectueuse (FC=0.8)

Le format general est:
Si E1 et E2 ... alors H (FC=FCi)

où E(i) représente une évidence.
H représente l'hypothèse.
et FC représente le facteur de certitude.

Évidences incertaines

Quand notre croyance en une évidence est moins que certaine, alors la croyance en l'inférence concernée doit être diminué. C'est-à-dire,
FC(E(i)) < 1, FC(H) < 0.8

La théorie des facteurs de certitude peut être interprétée du point de vue de la théorie probabiliste. Mais il y a des erreurs fondamentales. Par exemple, la somme des probabilités doit faire 1, mais ce n'est pas le cas pour la théorie de facteur de certitude. Cependant, la théorie a trouvé des applications pratiques où les experts humains utilisent des informations inexactes.  Par rapport à la théorie probabiliste, cette théorie est plus simple et manière de raisonner de l'humain.

En pratique il est courrant d'utiliser les qualitatifs suivants:

-1 définitivement pas
-0.8 presque certainement pas
-0.5 probablement pas
-0.4 peut-être pas
-0.2 à 0.2 inconnu
0.4 peut-être
0.6 probablement
0.8 presque certainement
1 définitivement

Notion: Les règles incertaines:

Si E alors H avec FC(règle)
Où FC(règle) représente le degré de la croyance de H étant donné E
S'il y a des nuages foncés
alors il pleuvra. FC=0.8.
En français: s'il y a des nuages foncés, il est presque certain qu'il pleuvra.

Si la terre est mouillée
alors il a plu. FC=0.6.
En français: si la terre est mouillée, il a probablement plu.

Notion: Propagation des facteurs de certitude pour les règles avec des prémisses singulières.

FC ( H, E) = FC(E) . FC(règle)

C'est-à-dire, il faut diminuer le degré de confiance en un fait si le degré de confiance en l'évidence vaut moins que un.  Par exemple, quand on voit des nuages foncés à partir d'une petite fenêtre, on n'est pas sûr que tous les nuages soient foncés.

Si il y a des nuages foncés (FC=0.6), alors il pleuvra

FC(règle=0.8)
FC(nuages foncés, pleuvra)=0.6 * 0.8 = 0.48
Il pleuvra peut-être.

Si on a des évidences négatives, alors la croyance en la règle va être négative.

FC(nuages foncés) = -0.5
FC(nuages foncés, pleuvra ) = -0.5 * 0.8 = - 0.4
Il ne pleuvra peut-être pas.

Notion: propagation des facteurs de certitude pour des règles avec plusieurs prémisses:

Si E1 et E2 et ...alors H FC(règle)
FC( H, E1 et E2 ...) = min {FC(Ei)} . FC(règle)

Ici on suppose l'indépendance conditionnelle des évidences que l'on utilise pour établir une croyance en une certaine hypothèse.

Si un patient a mal à la tête (0.8)
et s'il a le nez bouché (1)
alors il a un rhume (0.8)
FC(H,E)= 0.8 * 0.8 = 0.64. Il a probablement un rhume.

Si cette manière de combiner les facteurs de certitude ne vous semble pas correcte, essayez de lire la règle encore une fois en croyant fortement qu'un rhume est la conséquence de deux choses: mal à la tête et nez bouché. Si elle ne vous semble pas encore correct, il faut essayer une autre règle. Le point clé est de trouver une règle forte.

Il existe plusieurs autres possibilités pour désigner et propager les facteurs de certitudes dans les règles.  La méthode des sous-ensembles flous (logique floue) de .Zadeh (1978) est largement utilisée actuellement.   

Retour en haut

..................................................
- D -

Data mining

Processus analytique destiné à explorer de larges quantités de données (typiquement en marketing) afin de dégager une certaine structure et/ou des relations systématiques entre variables, puis en validant les conclusions en appliquant les structures trouvées à de nouveaux groupes de données. Le processus suit donc trois étapes : exploration, construction d'un modèle ou définition d'une structure, et validation/vérification. Idéalement, si la nature des données le permet, le processus est répété par itérations jusqu'à ce qu'un modèle "robuste" soit obtenu. Toutefois, en pratique, les options permettant de valider le modèle lors de l'analyse sont souvent limitées, et par conséquent, les résultats initiaux ont souvent un statut heuristique pouvant influencer le processus décisionnel (par exemple, "Les données semblent indiquer que la probabilité d'utiliser des somnifères s'accroît avec l'âge, plus rapidement chez les femmes que chez les hommes"). (Définition selon MathSoft - France, 1998)

Retour en haut

..................................................
- E -

(vide)

Retour en haut

..................................................
- F -

Forme

Ensemble de caractéristiques retenues pour représenter une entité en fonction du problème à résoudre. Note : Cette entité peut être une figure géométrique, une image, un son, un signal, un texte, etc. Anglais : pattern.

Retour en haut

..................................................
- G -

(vide)

Retour en haut

..................................................
- H -

Heuristique

Méthode de résolution de problèmes, non fondée sur un modèle formel et qui n'aboutit pas nécessairement à une solution. Anglais : heuristics.

Retour en haut

..................................................
- I -

Intelligence artificielle

Discipline relative au traitement par l'informatique des connaissances et du raisonnement. Anglais : artificial intelligence.

 

Implanter

Installer un logiciel ou un sous-système donné en réalisant les adaptations nécessaires à leur fonctionnement dans un environnement défini. Anglais : to implement

 

Implémenter

Réaliser la phase finale d'élaboration d'un système qui permet au matériel, aux logiciels et aux procédures d'entrer en fonction. Note : il convient de ne pas utiliser le terme implémenter comme synonyme d'implanter appliqué à un logiciel. Anglais : to implement.

 

Interactif

Qualifie les matériels, les programmes ou les conditions d'exploitation qui permettent des actions réciproques en mode dialogué avec des utilisateurs ou en temps réel avec des appareils.

 

Interface (une ...)

Jonction entre deux matériels ou logiciels leur permettant d'échanger des informations par l'adoption de règles communes, physiques ou logiques.

Retour en haut

..................................................
- J -

(vide)

Retour en haut

..................................................
- K -

(vide)

Retour en haut

..................................................
- L -

Langage à objets

Langage adapté à la programmation par objets. Note : On trouve aussi dans l'usage le terme langage orienté objets. Voir aussi : programmation par objets. Anglais : object-oriented language.

 

Langage formel

Langage qui utilise un ensemble de termes et de règles syntaxiques pour permettre de communiquer sans aucune ambiguïté (par opposition à langage naturel)

 

Langage orienté objets

Voir : langage à objets.

 

Logique floue

La logique floue intervient dans la manipulation de connaissances imparfaites. Elle permet d'aborder de nombreux problèmes liés à des connaisances ou à des faits incertains ou incomplets par l'entremise de programmes ou logiciels qui peuvent être des systèmes experts, des réseaux de neurones et autres systèmes de connaissances. Par exemple, la température extérieure de 5°C à 20°C définie des espaces flous: froid, tiède, chaud. Le qualitatif floue est employé, car la température de l'air peut être à la fois froide et tiède ou à la fois tiède et chaude [9]. Anglais: fuzzy logic.
On représente souvent la relation floue des données avec un graphique tel le suivant qui qualifie la  température .

Retour en haut

..................................................
- M -

Moteur d'inférences

Partie d'un système expert qui effectue la sélection et l'application des règles (cas d'une base de règles) en vue de la résolution d'un problème donné. Anglais : inference engine.  Par exemple, si la base de règle contient la règle R1 portant sur l'interprétation des mesures électriques dans un puits de forage:

 

R1:
Si la polarisation spontanée de la roche est élevée
Et si la résestivité de la roche est élevée
Alors il s'agit d'un grès

 

et si la base de faits contient:

la polarisation spontanée de la roche est élevée
la résestivité de la roche est élevé

le moteur d'inférence va détecter que la règle R1 peut être déclenchée et va ajouter : 'il s'agit d'un grès' à la base de faits.   Le cycle d'un moteur d'inférences comprend généralement trois étapes: le filtrage des règles, la résolution des conflits et l'exécution reternues.  Le cycle est maintenu tant qu'il y a des règles déclenchables ou que la condition d'arrêt n'a pas été déclenchée. 

Un moteur d'inférence travaille selon deux modes (l'un ou l'autre ou les deux à la fois):

il cherche à déduire de nouveaux faits à partir de faits et de règles qu'il connait, le système fonctionne alors en chaînage avant;

il cherche à établir la valeur de vérité d'un fait, c'est-à-dire à vérifier une hypothèse, le système fonctionne alors en mode arrière.

Retour en haut

..................................................
- N -

Neurone formel (un ...)

Dispositif à plusieurs entrées et une sortie qui modélise certaines propriétés du neurone biologique. Note : La valeur de sortie du neurone formel est une fonction non linéaire, généralement à seuil, d'une combinaison de valeurs d'entrée dont les coefficients de pondération sont ajustables. Anglais : artificial neurone.

Retour en haut

..................................................
- O -

(vide)

Retour en haut

..................................................
- P -

Progiciel

Ensemble complet et documenté de programmes conçu pour être fourni à plusieurs utilisateurs, en vue d'une même application ou d'une même fonction. Anglais : package.

 

Programmation par objets

Mode de programmation dans lequel les données et les procédures qui les manipulent sont regroupées en entités appelées objets. Voir aussi : langage à objets. Anglais : object-oriented programming.

Retour en haut

..................................................
- Q -

(vide)

Retour en haut

- R -

Raisonnement à base de cas

Application qui permet à l'ordinateur de décider dans un domaine faiblement théorisé. Le RBC solutionne un problème en établisant l'option de décisions la plus appropriés à la suite de sa comparaison avec des problèmes passés stockés dans une banque d'exemples ou de cas [8]. Anglais: case-based reasonning

Règles

Représentation des connaissances sous forme d'assertion générale Si condition Alors action.

 

Réseau de neurones (réseau neuronal, système neuronal)

Ensemble de neurones formels interconnectés permettant la résolution de problèmes complexes tels que la reconnaissance des formes ou le traitement du langage naturel, grâce à l'ajustement des coefficients de pondération dans une phase d'apprentissage. Anglais : neural network.

 

Retour en haut

..................................................
- S -

Système à base de connaissance

Voir système expert

 

Système expert

Un système expert est un programme informatique orienté vers l’utilisateur. Il possède une grande masse de connaissances dans un domaine spécialisé documenté par des experts. Il existe deux modes fondamentaux de systèmes experts (8): un premier orienté vers les objets et un second orienté vers les règles.   Le système expert est habituellement constitué d’une base de faits propres à un problème, d’une base de connaissances constituée d'objets ou de  règles, et d’un grand nombre de données factuelles. Les objets ou les règles permettent de relier l’enchaînement de faits les uns aux autres. À partir de ses connaissances spécialisées, et en appliquant des méthodes d’inférence, le système expert est capable de fournir des conseils relatifs à son domaine d’expertise.

 

Système de gestion de base de données

Pour une base de données, logiciel permettant d'introduire les données, de les mettre à jour et d'y accéder. Abréviation : S.G.B.D., n. m. Anglais : Data Base Management System, D.B.M.S.

Retour en haut

..................................................
- T -

(vide)

Retour en haut

..................................................
- U -

(vide)

Retour en haut

..................................................
- V -

(vide)

Retour en haut

..................................................
- W -

(vide)

Retour en haut

..................................................
- X -

(vide)

Retour en haut

..................................................
- Y -

(vide)

Retour en haut

..................................................
- Z -

(vide)

Retour en haut

..................................................
- # -

(vide)

Retour en haut

..................................................

Révision : 08-10-1998.
Copyright © 1997 Systèmon.
Tous les noms de marques ou de produits mentionnés ici appartiennent à leurs propriétaires respectifs.