1 Structuration des connaissances et des savoir-faire pour lamélioration du système de production Université Louis Pasteur de Strasbourg Ecole Nationale

1

Structuration des connaissances et des savoir-fairepour l’amélioration du système de production

Université Louis Pasteur de Strasbourg

Ecole Nationale Supérieure des Arts et Industries

de Strasbourg

LR SPLR SP

Laboratoire de Recherche en Productique de Strasbourg

Thierry ERBEJA

Soutenance de Thèse de doctoratStrasbourg, le 21décembre 2001

2

Plan de l’exposéPlan de l’exposé

1 Contexte et problématique

2 Limites des outils de Classification Automatique

3 Présentation de la méthode

4 Conclusion et perspectives

3

Contexte et problématique

Capitaliser un savoir-faire à partir de l’existant

Le domaine d’application : Les entreprises manufacturières

Objectif : Se recentrer sur son savoir-faire et le capitaliser

Le support du savoir-faire :Les homme et aussi les données accumulées par l’entreprise

La question : Comment exploiter les données de l’entreprise pour identifier les savoir-faire et améliorer le système de production ?

Moyen : La catégorisation

4


Exemple : améliorer le processus de conception

Commande

Ensemble des plans = ensemble des cas traités par l’entreprise Les commandes se ressemblent souvent Pourtant à chaque commande on recommence le processus de conception


e Conception

Plan

5


Exemple : Utiliser l’existant pour améliorer le processus de conception

Représentation

Réduire la diversité inutile et « standardiser »Capitaliser le savoir-faire Amélioration du processus de conception


6


Démarche de catégorisation : difficultés et limites

Définir les objectifs de la catégorisation

Définir une représentation des objets

Classifier les objets

Valider les familles

XXXX - XX - XX XX XX - X - XX - X - X - X -

Forme

Fonction

Dimensions

Tolérances

Quantité

Brut Complexité

XXXX - XX - XX XX XX - X - XX - X - X - X -

Forme

Fonction

Dimensions

Tolérances

Matière Quantité

Brut Complexité

1

2

3

4

7

Contexte et problématique L’Analyse Typologique un outil pour les processus de catégorisation industriels ?

Connaissances supplémentaires

Analyse de la cohérence

Intégration dans le processus de

classification



Classifier avec un outild’Analyse Typologique


1

2

3

4 5

6

7

Experts de l’entreprise

Analyste

8


Problématique

Comment accélérer le processus de catégorisation des données techniques pour la capitalisation des savoir-faire et l’amélioration du système de production ?

Pourquoi les méthodes d’Analyse Typologiques sont-elles inefficaces ?Peut-on expliquer le cycle de classification ?Peut-on s’en affranchir ?D’autres méthodes de Classification Automatique sont-elles plus efficaces ?

Utiliser un Outil de Classification Automatique

9

Limites des outils de Classification AutomatiqueUne méthode de classification élémentaire

Objectif de la catégorisation

Critère d’évaluation de la pertinence d’une classification

Chercher la partition qui optimise ce critère

Le critère des experts : en partie implicite

Les critères des méthodes d’Analyse Typologique ?

10

Limites des outils de Classification Automatique Principe des méthodes d’Analyse Typologiques

Algorithme de formation des groupes

Partition des données

a b c d

a 100 66 33 0

b 66 100 0 0

c 33 0 100 66

d 0 0 66 100

Ts

v1 v2 v3a 1 4 3b 1 5 3c 5 8 4d 3 8 4

Td

Tableau de données

Tableau de similarité

P*=max F(Ts, P)

11

Limites des outils de Classification Automatique Limites des méthodes d’Analyse Typologique

1 Le langage de représentation des objets

2 L’indice de similarité une fonction régulière des attributs

3 Des méthodes heuristiques pour former les groupes

4 Le réglages de nombreux paramètres

Des méthodes qui utilisent de nombreuses hypothèse : les biais de classificationDes biais de classification souvent implicites

Deux méthodes différentes donnent des résultats différents

Il n’existe pas de modèle analytique

12

Cas idéal : homgènes et isolés Cas difficile

isolées mais pas homogènes homogènes mais pas isolées

Limites des outils de Classification Automatique Limites des méthodes d’Analyse Typologique

Exemple de paramètre : la dualité homogénéité isolation

Classification logique et empirique

V2

V1 V1

V3 V3 V3 V3

a b c d

a 100 66 33 0

b 66 100 0 0

c 33 0 100 66

d 0 0 66 100

Ts

13

Limites des outils de Classification Automatique

L’hypothèse de similarité

Dans quelle mesure ces méthodes peuvent-elles découvrir des concepts du domaine ?

V1 V2 V3

a 1 3 5

b 1 3 6

c 1 3 2

V1 V2 V3 V1 V2 V3

w1 0 0 0 w1 0 1 0C1

w2 0 1 1 w2 0 1 1

w3 1 0 1 w3 1 0 1C2

w4 1 1 0 w4 0 0 1

Td1 Td2

1 Il existe une relation simple entre les propriétés qui définissent les concepts et les attributs descriptifs

V1 V2 V3

a 0 1 2

b 1 0 7

c -1 0 3

C = { w U tels que V1 = 1 et V2 = 3 } D = { w U tels que V1 2 + V2 2 = 1 }

2 L’information est redondante

14

Limites des outils de Classification Automatique

Interprétation du cycle de classification

Le cycle de classification admet essentiellement deux origines

Les biais de classificationLe principe de la classification empirique n’est pas celui utilisé par les expertsLes hypothèses, souvent implicites et liées au fonctionnement du système, sont étrangères aux experts

L’incomplétude des donnéesL’objectif ne permet pas de définir les critères de classificationLes experts ne sont pas experts de leur savoir-faire

C’est un processus double

D’extraction et d’affinement de connaissancesLes experts verbalisent et confrontent leur savoirIls progressent par essais erreurs

De formulation du savoir-faire sous une forme exploitable par les système d’Analyse Typologique

15

Limites des outils de Classification Automatique D’autres méthodes de Classification Automatiques

La Classification ConceptuelleCluster Un langage plus évolué et moins contraignant pour la représentation des objetsLa prise en compte de connaissances supplémentairesRegrouper les objets parce qu’ensemble ils forment une classe que l’on peut décrire CobwebUn algorithme efficaceOptimise un critère assimilable à une mesure de similarité.

Les réseaux de neuronesLes cartes de KohonenUne adaptation des méthodes de réallocation utilisée en Analyse Typologique

Les algorithmes génétiques Des méthodes d’optimisation qui utilisent des critères issues de l’Analyse Typologique

16

Limites des outils de Classification AutomatiqueLes approches interactives

h = h + 1

h = 0

NON

FINOUI

Phase de calcul

Phase de dialogue

Construction de la proposition Ph

Evaluation de la proposition Ph

validation de la proposition Ph

Recueil d’informations supplémentaires

17

Limites des outils de Classification AutomatiqueLes approches interactives

Les approches de type boîte noireIntégrer dans le système de classification automatique un système expert qui va remplacer l’analyste

Les approches de type boîte en verreGuider la démarche de correction des erreursLe système doit pouvoir expliquer pourquoi il trouve un résultat

Essentiellement des approches qui aident les experts à s’adapter à l’outil

Une approche efficace des problèmes de catégorisation pour la capitalisation d’un savoir-faire à partir de l’existantinteractive1 Prendre en charge le cycle de classification2 Améliorer les étapes d’analyse et d’intégration des connaissances supplémentaires

18

Présentation de la méthode

Principe

Connaissances supplémentaires

Analyse de la cohérence

Intégration dans le processus de

classification



Classifier avec un outild’Analyse Typologique


1

2

3

4 5

6

7

Experts de l’entreprise

Analyste

19


Les règles de regroupement : la cohabitation

Les objets tels qued1 : L/D=0 et US=6 ou 8

d2 : US=1 ou 5 doivent cohabiter

Td L/D FE FI US FO

a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5

20


Les règles de regroupement : l’exclusion

Les objets tels que

d1 : L/D=0 et FE=1 ou 4

d2 : L/D=0 et FE=0ne doivent pas cohabiter

d3 : L/D=0 et FI=2 et FO=5

Td L/D FE FI US FO

a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5

21


Les règles de codification : regroupement de modalités

Si L/D=0 alorsles modalités FI=1 et FI=4

peuvent être groupées en une seule

FI=Npour comparer deux pièces

Contexte groupe 1 relation entre les deux groupes

groupe 2

Td L/D FE FI US FO

a 0 1 5 6 5b 0 1 1 8 6c 0 4 4 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 4 8 6I 0 5 2 5 5J 0 5 2 7 5

Td L/D FE FI US FO

a 0 1 5 6 5b 0 1 N 8 6c 0 4 N 8 6d 2 2 1 3 2e 1 5 6 4 8f 2 2 1 1 1g 0 0 3 5 2h 0 4 N 8 6I 0 5 2 5 5J 0 5 2 7 5

22


Exemple de base de règle formalisée

Descriptions D

Lien l R1 ( L/D = { } ; NA )

R5 ( L/D=0 FE={1, 4} ; L/D=0 FE=0 ; L/D=0 FI= 2 FO=5 ; NA )

R6 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; A )

R7 ( L/D=0 FE=0 FI=1 US=0 FO=0 ; F )

R8 ( L/D=0 FE=7 ; D )

R9 ( L/D=0 FO=6 ; A )

R10 ( L/D=0 FE=7 FO=6 ; A )

R11 ( L/D=0 FE#7 FO=6 ; A )

R12 ( L/D=0 US=6 ; A )

R13 ( L/D=0 FE=1 FI=1 US=0 FO=0 ; F )

R14 ( L/D=0 FE={1, 4} FI=1 US=0 FO=2 ; F )

R15 ( L/D=0 FE=4 FI=4 US=0 FO=0 ; D )

R16 ( L/D=0 FE=0 FI=0 US=0 ; A )

23


Evaluation des règles de codification

1 Mesure de l’utilité

2 Mesure de la redondance

3 Union et cohérence

Fc1 L/D FE FI

a - N1 -

b - - -

c - N1 -

d - N1 -

e - - -

Fc2 L/D FE FI

a - - -

b - N2 -

c - N2 -

d - - -

e - - -

Fce L/D FE FI

a - N1 -

b - N2 -

c - -

d - N1 -

e - - -

=

4 Syntaxe des règles de regroupement

24


Fonction d’appartenance des règles de regroupement

Ar1 a b c d e f g h i j

a - - - - - - - - - -

b - 1 1 - - 1 1 - 1 -

c - 1 1 - - 1 1 - 1 -

d - - - - - - - - - -

e - - - - - - - - - -

f - 1 1 - - 1 1 - 1 -

g - 1 1 - - 1 1 - 1 -

h - - - - - - - - - -i - 1 1 - - 1 1 1 -

j - - - - - - - - - -

R1 ( p1, p2, p3 ; A) avec

ext( p1 ) = { b, c }ext( p2 ) = {f, g }ext( p3 ) = { i }

25


Fonction d’appartenance des règles d’exclusion

Ar2 a b c d e f g h i j

a - - - - - - - - - -

b - - - - - - 0 0 0 -

c - - - - - - 0 0 0 -

d - - - - - - 0 0 0 -

e - - - - - - - - - -

f - - - - - - - - - -

g - 0 0 0 - - - - - -

h - 0 0 0 - - - - - -i - 0 0 0 - - - - - -

j - - - - - - - - - -

R2 ( p1, p2 ; A) avec ext( p1 ) = { b, c, d }ext( p2 ) = {g, h ,i }

26


Evaluation de la base de règles de regroupement

1 Utilité

2 Redondance

3 Union et incohérences directes

a b c d e

a - 0 0 - 0

b 0 - 0 0 0

c 0 0 - - -

d - 0 - - 0

e 0 0 - 0 -

Ar1 a b c d e

a 1 1 - 1 -

b 1 1 - 1 -

c - - - 1 -

d 1 1 1 1 -

e - - - - -

Ar2

=

a b c d e

a 1 0 1 0

b 1 0

0

c 0 0 - 1 -

d 1 1 1 0

e 0 0 - 0 -

U

27

a b c d

a 1 1 1 0

b 1 1

1

0 c 1 1

1 0

d 0 0 0 1


Evaluation de la base de règles de regroupement

4 Compatibilité avec la structure de partition

a b c d

a 1 1 - 0

b 1 1

- 0 c - - - -

d 0 0 - 1

a b c d

a 1 1 0 0

b 1 1

0 0 c 0 0 1 1

d 0 0 1 1

U1

compatible

P1 P2

a b c d

a 1 0 - 1

b 1 - - -

c 0 - 0 1

d 0 - - 1

U2

NON compatibleFermeture réflexiveFermeture symétriqueFermeture transitive

28


Stratégie d’analyse de la fonction d’appartenance experte

Ae 1 2 3 4 5 6 7 8 9 10

1 1 1 0 0 0 0 0 0 0 0

2 1 1 0 0 0 0 0 0 0 0

3 0 0 1 - - 0 0 0 0 0

4 0 0 - 1 - 0 0 0 0 0

5 0 0 - - 1 0 0 0 0 0

6 0 0 0 0 0 1 1 - - 0

7 0 0 0 0 0 1 1 - - 0

8 0 0 0 0 0 - - 1 1 -

9 0 0 0 0 0 - - 1 1 -

10 0 0 0 0 0 0 0 - - 1

29


Cohérence des règles de regroupement et de codification

a b c d

a 25 50

b 25 78

c 50 56

d 78 56

Ts a b c d

a 60 45

b 60 78

c 45 56

d 78 56

Tse a b c d

a +35 -5

b +35 0

c -5 0

d 0 0

Ts

- =

a b c d

a 1 0

b 1 -

c 0 -

d - -

Ac

a b c d

a 0 0

b 0 1

c 0 -

d 1 -

Ae

=

a b c d

a 0

b 1

c 0 -

d 1 -

CRC

30

Présentation de la méthodeIntégration de l’information issue des règlesdans le processus de classification automatique

a b c d

a 60 45 25

b 60 37 78

c 45 37 56

d 25 78 56

Tsea b c d

a 1 0 0 -

b 0 1 - 1

c 0 - 1 -

d - 1 - -

Ae a b c d

a 100 0 0 25

b 0 100 37 100

c 0 37 100 56

d 25 100 56 100

Tsec

=

ise Ae isec

s 0 = Smin

s 1 = Smax

s - = s

31

Conclusion et perspectives

Implémentation d’un logiciel prototype

Une première validation sur un cas industriel

Avons nous répondus aux objectifs ?

Analyse des limites des outils d’Analyse Typologique. Définition des caractéristiques d’un outil de Classification Automatique efficace dans le contexte de la catégorisation pour la structuration des savoir-faire à partir de l’existant. Définition d’une méthode adaptée aux processus de catégorisation pour la structuration des savoir-faire à partir de l’existant.

Conclusion

Intérêt de la démarcheOrientée vers les utilisateurs, la méthode tente de s’adapte aux experts et non l’inverse. Une réponse au problème du choix de la similarité en Analyse Typologique. Une réponse à l’absence de guide méthodologique pour l’intégration des connaissances supplémentaires dans un processus d’Analyse Typologique

LimitesToutes les connaissances supplémentaires ne sont pas formalisées.Un formalisme contraignant de représentation des objets.Difficultés pour identifier les règles à l’origine des incohérences indirectes

32

Améliorer l’expressivité du formalisme de représentation des connaissances

Etendre l’expérimentation à d’autres domaines

.

Travailler en intention au niveau des règles

Définir des outils de suivi du cycle de classification pour améliorer la convergence

Aborder les problèmes de classement

Etude de la structure de l’espace des fonctions d’appartenance.

Conclusion et perspectives

Perpectives

Documents

1 Structuration des connaissances et des savoir-faire pour lamélioration du système de production Université Louis Pasteur de Strasbourg Ecole Nationale