Représentation des connaissances et Web sémantique ...€¦ · Introduction Historique Notions importantes Connaissances Cartes conceptuelles Ma recherche Ma^ tre de conf erences

Introduction Historique Notions importantes Connaissances Cartes conceptuelles

Representation des connaissanceset Web semantique

IntroductionMaster SDL – Universite d’Orleans

https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/

Thierry [email protected]

LIMSI-CNRS &Institut Galilee - Universite Paris 13

Septembre – decembre 2019

1/131 Repr. K & IA T Hamon

https://perso.limsi.fr/hamon/Teaching/Orleans/RC-2019-2020/

[email protected]


Ma recherche

Maıtre de conferences en Informatique a Paris 13

Recherche au Laboratoire d’Informatique et de Mecanisquepour les Sciences de l’Ingenieur (LIMSI – Orsay)

Domaine : Traitement Automatique des Langues

applique aux domaines de specialite (electricite, medecine,risque chimique, etc.)sur des textes en francais, anglais, ukrainien, arabe

Proposition d’approches pour

Constitution et enrichissement de ressources terminologiquesArticulation d’outils de TALExtraction et recherche d’information

Type de donnees textuelles : bases bibliographiques,documents techniques, dossiers patients, articles scientifiques,forums de discussion, etc.

Developpement d’outils en Perl (modules CPAN)2/131 Repr. K & IA T Hamon


Ma recherche

Constitution et enrichissement de ressources terminologiques

Exploration de corpus textuelsExtraction de termes : YATEA

[Aubin et Hamon 2006, Hamon et al. 2014, Neifar et al. 2016,

Hamon et Grabar 2016]

Acquisition de relations semantiques : SynoTerm[Hamon 2000, Grabar et al. 2008, Hamon et Grabar 2009]

Application : Identification automatique de mots-cles d’articles[Hamon 2012, Hamon 2016]

Articulation d’outils de TAL [Hamon et al. 2007]

Definition d’une plate-forme modulaire combinant des outilsde TAL pour annoter des documents avec des informationslinguistiques



Ma recherche

Extraction et recherche d’information

Fouille de dossiers patients (en anglais) :Identification des maladies, des medicaments et des traitementsmais aussi des relations entre eux et de leur niveau de certitude

[Grabar et Hamon 2009, Hamon et al. 2010, Prinet et al. 2011]

Fouille de donnees bibliographiques :Collecte des facteurs de risque associes aux maladies

[Hamon et al. 2010]

Collecte ciblee de documents sur le Web [Gollub et al. 2007]

Integration d’informations linguistiques dans le moteur derecherche de l’intranet [Grabar et al. 2009]

Fouille de forums de discussion [Hamon et Gagnayre 2013]

Identifier des competences requises par des programmesd’education therapeutiqueProfilage des internautes (identification des informationsdemographiques – en cours)



Organisation des enseignements

9 seances

Alternance de cours et de TD ou de TPTravail en binome

Pendant la plupart des seances : presentation d’articlesscientifiques en lien avec la representation des connaissances

Presentation de 15 minutes en binome5/10 minutes de questions (par tout le monde)Nombre de presentations en fonction du nombre de binomes

Evaluation

Presentation d’articles et questions poseesProjet final



Introduction

Intelligence Artificielle et representation des connaissances ?

IA : raisonnement, inference (+ apprentissage, ...)Besoin de connaissances sur le monde dans lequel le systemeintervientInference : formalisation de connaissancesBesoin de representer les connaissances pour qu’un systemepuisse les utiliser

Web semantique et representation des connaissances

WS : Formalisation de connaissances disponibles sur le WebRepresentation des connaissances sous forme d’entites XML



IntroductionRepresentation des connaissances, Web semantique et...

Traitement Automatique des Langues ?

Textes : Contiennent la plupart des connaissances produitesAcceder a ces connaissances : besoin d’analyser les textesConnaissances existantes : guide pour l’analyse de textes

Communication ?

Representations mentales des connaissances de l’emeteur et durecepteurInteraction : besoin de connaissances communes, d’inferenceOrganisation des connaissances

Didactique ?

Transmettre des connaissances : besoin de bien les representerRepresentation des connaissances : outil pour conceptualiserSupports pedagogiques numeriques : besoin d’uneformalisation des connaissances



Connaissance

Donnees, information, connaissance

5

5 ans

l’enfant est age de 5 ans

A 5 ans (en grande section), tout trouble specifique de

parole ou de langage oral doit amener a un bilan

orthophonique qui evaluera les differentes competences (...)

(Blanc&Touzin, 2014)



Representation des connaissances

Magritte, La Trahison des Images”It’s a key.””No. Much more better...It is adrawing of a key.”

Approximation de l’entite qu’on souhaite representer, en fonctionde son utilisation



Modelisation des connaissances

Recensement et

Structuration des connaissances

dans une representation schematique

pour les rendre visibles, manipulables, comprehensibles,communicables

(Paquette, 2002a)On obtient un modele de connaissances



Pourquoi faire ?

Realisation d’inferences dans un systeme � intelligent �

La representation et la modelisation des connaissances sont aucœur de l’Intelligence Artificielle

Definition de systeme de gestion des connaissances enentreprise

Realisation de supports pedagogiques ou de materieldidactique (MOOC)

Clarification du domaineStructuration des connaissances abordeesIdentification des liens entre les connaissances

Representation du modele mental relatif aux connaissancesd’un domaine

(Basque&Pudelko, 2004)



Gestion des connaissances en entreprise

Maıtrise de la collecte des informations

Circulation maıtrisee des connaissances

Integration des outils en place

Memoire et transfert d’expertise

Reperage des connaissances cruciales

Preservation des connaissances

Valorisation des connaissances

Actualisation des connaissances



Trois axes de la gestion des connaissances en entreprise

(Wikipedia)Veille et acquisition

Cohesion des connaissances

Partage des connaissances et de l’information



Plan

Introduction

Intelligence Artificielle (IA)

Historique de l’IADefinitions

Notions importantes

InferenceCodage des informationsConnaissances

Modeles de representation de connaissance

Systemes fondes sur la logiqueReseaux semantiquesLes objets structures : schemas et scripts



L’Intelligence Artificielle



Qu’est ce que l’IA concretement ?

Rechercher

Analyser, resoudre des problemes, trouver des methodes deresolution

Representer des connaissances

logique, regles, memoire, cas, langue naturelle, etc.

Mettre en application les idees 1) et 2)

Systemes Experts, Pilotes automatiques,Planification, Data Mining,Agents d’interfaces, fouille de texte, systeme de dialogueRobots, avatars, chatbots, etc.

On est loin du transparent precedent !



Qu’est ce que l’IA concretement ?

Rechercher

Analyser, resoudre des problemes, trouver des methodes deresolution

Representer des connaissances

logique, regles, memoire, cas, langue naturelle, etc.

Mettre en application les idees 1) et 2)

Systemes Experts, Pilotes automatiques,Planification, Data Mining,Agents d’interfaces, fouille de texte, systeme de dialogueRobots, avatars, chatbots, etc.

On est loin du transparent precedent !



Historique



L’Intelligence Artificielle (IA)

La naissance de l’IA est liee indirectement aux trois facteurs

le probleme de la decidabilite, auquel s’associe celui de lacalculabilitel’amelioration des capacites industrielles et des decisionseconomiquesla seconde guerre mondiale et la guerre froide



Decidabilite : definition

l’existence d’une procedure generale permettant d’attribuer lavaleur � vrai � ou � faux � a toute proposition logique

ce processus est appele � algorithme �

Un algorithme resout un probleme de decision lorsque

1 il prend en entree les parametres du probleme

2 il determine si l’enonce est vrai ou faux pour ces parametres

Exemple :

determiner si un entier naturel quelconque est premier est unprobleme de decision. Ce probleme est decidable : il existe unalgorithme (un calcul, un programme) qui le resout.



Decidabilite : probleme

Certains problemes sont indecidables c’est-a-dire qu’il n’existe pasd’algorithme ou de programme qui les resolve.Il est important de savoir si un probleme est decidable avant dechercher a le resoudre.

De nombreux problemes sont indecidables.

Le plus fameux d’entre eux est le probleme de l’arret : etrecapable de determiner, pour tout programme informatique, s’ils’arretera de lui-meme ou continuera son executioneternellement.



L’indecidabilite de l’arret

Un programme prend un entier en entree et s’arrete (1) ou boucleeternellement (0).

On suppose qu’il existe un programme h(p, q)

qui renvoie 1 si le programme p s’arrete sur la donnee qrenvoie 0 sinon

On construit un programme d(x) qui

s’arrete si h(x , x) vaut 0boucle indefiniment sinon.

On montre par l’absurde que h(p, q) n’existe pas :d(d) boucle indefiniment si et seulement si h(d , d) vaut 1, si etseulement si d(d) s’arrete.

(Turing, 1936)



L’indecidabilite de l’arret

Un programme prend un entier en entree et s’arrete (1) ou boucleeternellement (0).

On suppose qu’il existe un programme h(p, q)

qui renvoie 1 si le programme p s’arrete sur la donnee qrenvoie 0 sinon

On construit un programme d(x) qui

s’arrete si h(x , x) vaut 0boucle indefiniment sinon.

On montre par l’absurde que h(p, q) n’existe pas :d(d) boucle indefiniment si et seulement si h(d , d) vaut 1, si etseulement si d(d) s’arrete.

(Turing, 1936)



Decidabilite : probleme

Kurt Godel (1931) : theoreme d’incompletude

dans tout systeme axiomatique il existe inevitablement despropositions pour lesquelles ce meme systeme est incapable dedemontrer si elles sont vraies ou faussesainsi quel que soit la puissance d’un langage de formalisation,il existera toujours dans l’Univers des faits qu’il ne pourra pasdemontrer



Decidabilite : solution (calculabilite)

Alain Turing (1936) : notion de calculabilite

s’il est possible de calculer le resultat d’une fonction danstoutes les circonstances, alors la question associee a cettefonction est decidableMachine � de Turing � : pour toute fonction, on y trouve unemachine qui, a la fin de son calcul, fournit le resultat de cettefonction



Decidabilite : solution (calculabilite)

Calculabilite d’une fonction

il existe une procedure determinee permettant de calculer savaleur en un nombre fini d’etapes quels que soient sesarguments

Decidabilite d’une fonction

il existe une procedure determinee (ou demonstration)permettant de resoudre cette question en un nombre finid’etapes



La machine de Turing

Turing a demontre

l’existence de machines qui pouvaient ne jamais s’arreter decalculer� machine universelle � :

Turing a montre ensuite que, parmi les machines de Turing, ilexiste une pouvant simuler toutes les autreselle constitue le modele theorique des ordinateurs, premieretape sur le chemin de l’IA



La machine de Turing

Un probleme ne pouvant pas etre resolu par une machine deTuring ne peut pas l’etre par l’esprit humain

Le principe de l’IA :toute forme de pensee humaine susceptible d’etre exprimeedans un langage peut etre simulee par la machine universelle



Defi technique

Seconde guerre mondialeEnigma

Systeme allemand de codage de messages

Colossus (1943-1945)

Serie de calculateurs programmables bases sur le modele de lamachine de Turing, concus pour casser le code Lorenz



La prise de decision

Herbert Simon (Avancee des sciences economiques)

1955 : Premier langage d’IA � Le Logic Theorist � pouvantresoudre des problemes mathematiques, parfois en utilisant desdemonstrations completement originalesInference a l’aide de 3 regles :

Substitution :N’importe quelle variable peut etre substituee par uneexpressionRemplacement :Une expression peut etre remplace par sa definitionDetachement

Si A est vrai et A implique B, alors B est vrai



Le Test de Turing

1950 : jeu de l’imitation ou test de Turing

Lors de ce test, le succes permet de determiner le caractereintelligent,L’echec ne permet aucune conclusion

Ce test se base sur le comportement de l’interlocuteur, enignorant les mecanismes de ce comportement



Naissance de l’IA

Les annees 50

convergence des recherches sur ces problemes

un reseau de recherche : A. Newell, J. C. Shaw, M. L. Minsky,J. McCarthy, C. Shannon1956 : l’organisation de la conference du Dartmouth College

Le domaine a recu le nom de � IA � [McCarthy, 1956]



IA : deux ecoles

(1) Heritiers de la cybernetique

Se preoccupent des processus d’apprentissageLeur demarche est dans le cadre de la simulation numeriquesur le base des travaux de Marvin MinskyEcole du MITTravaux dans le domaine de la robotique et des systemesexperts



IA : deux ecoles

(2) l’ecole Carnegie-Mellon

Guidee par les idees d’Allan Newell, Herbert Simon sur letraitement symboliqueLogic Theorist [Newell, Shaw et Simon, 1956] : demonstrationde theoremes de la logique des propositions1957 : un systeme reellement � intelligent � le GeneralProblem Solver ou GPSSe caracterise sur les travaux sur la resolution de problemes etsur la nature de raisonnement



Annees 60-70

Projet de traduction automatique (1966)

Rapport ALPAC (Automatic Language Processing AdvisoryCouncil)

Weizenbaum, J., (1966)

ELIZA – A computer program for the study of naturallanguage communication between man and machine.

Les annees noires 1966-1969



The (in)famous ”ALPAC report”

En 1966, par the US National Academy of the SciencesY. Bar-Hillel

La bonne qualite ou l’automatisation complete ne peuvent pasetre atteintesL’automatisation complete n’est pas souhaitablecouts eventuellement plus eleves qu’avec les traducteurshumains”MT is hopeless”Recommandation :

mettre plus d’effort dans la recherche en linguistiquequ’elle contribue ou non a la traduction automatiquedirectement

Consequences : baisse des budgets pour la traductionautomatiqueMais debut des travaux en Traitement Automatique des Langues (TAL)



ELIZA

Premier agent conversationnel (chatbot) de l’histoire

Man : Pourquoi est-ce que vous ne me contredisez jamais ?

Le systeme reconnaıt les mots clefs vous et meauxquels est associee la forme : (*vous*me*) qui corresponda la transformationQu’est-ce qui vous fait penser que je 2 vous 3 ?

Machine : Qu’est-ce qui vous fait penser que je ne vouscontredis jamais ?

Evolution : ALICE (1995)



ELIZA & ALICEImplementations

http://www-ai.ijs.si/eliza/eliza.html

https://www.pandorabots.com/pandora/talk?botid=

a847934aae3456cb

http://www.strout.net/info/science/ai/brian/

http://eliza.levillage.org/index.html

http://sboisse.free.fr/technique/info/eliza.php

https://elizia.net/


http://www-ai.ijs.si/eliza/eliza.html

https://www.pandorabots.com/pandora/talk?botid=a847934aae3456cb

https://www.pandorabots.com/pandora/talk?botid=a847934aae3456cb

http://www.strout.net/info/science/ai/brian/

http://eliza.levillage.org/index.html

http://sboisse.free.fr/technique/info/eliza.php

https://elizia.net/


3 niveaux d’intelligence artificielle

Intelligence specifique (NAI )Intelligence artificielle faibleSysteme d’IA dedie a une tache

Intelligence generale (AGI )Systeme d’IA pouvant etre applique sur n’importe quel problemeauquel un humain peut s’attaquer

Super intelligence (ASI )Systeme d’IA dote de conscience et capable de comprendre sespropres raisonnements→ source de debats depuis le debut de l’IA



IA : definitions

Plusieurs definitions :

� The building of computer programs which perform taskswhich are, for the moment, performed in a more satisfactoryway by humans because they require high level mentalprocesses such as : perception learning, memory organizationand critical reasoning. � [Marvin Lee Minsky, 1956]

Son but est la creation de � programmes informatiques quipuissent se comporter ou penser intelligemment � [Gardner,1993]

� Chaque aspect de l’apprentissage ou toute autrecaracteristique de l’intelligence peut en principe etre decritd’une facon suffisamment precise pour qu’une machine puissele simuler. � [McCorduck, 1979]



IA : definition[R.Kurzweil, 1990]

Le champ de recherche relatif a la construction de machineseffectuant des taches considerees comme requerant del’intelligence

Double objectif :

Rendre les machines plus efficacesComprendre ce qu’est l’intelligence

L’etude de la connexion computationnelle entre l’action et laperception

L’intelligence se definit en termes de ses processusconstituants, comprenant

l’apprentissage,le raisonnement,la capacite de manipuler des symboles



Quatre types de definition de l’IA

1. Systeme qui pense comme les hommes (complexe)

Modelisation cognitive (GPS [Newel & Simon, 1961])

2. Systeme qui pense rationnellement (limite)

Logicisme : pensee logique

Pascal [1623-1662] (machine a calculer)Leibnitz [1646-1716] (machine a raisonner)Babbage [1792-1871] (machine analytique)



Quatre types de definition de l’IA

3. Systeme qui agit comme les hommes (theorique)

Systeme passant le test de Turing

Apprendre des connaissances (s’adapter)Representer des connaissances (memoriser)Resoudre des problemes (raisonner)Comprendre (communiquer)

4. Systeme qui agit rationnellement (pragmatique)

Agent rationnel (annee 1990)Agit selon ses croyances pour atteindre des objectifs (passeulement logique)



Quatre types de definition de l’IAResume

Objectif : construire un artefact capable deFidelite aux perfor-mances humaines

Lois de la pensee

Pensee et rai-sonnement

Penser comme des hu-mains

Penser rationnellement

Comportement Agir comme des hu-mains

Agir rationnellement

Empirique (Hypotheseset experimentations)

Agent rationnel



IA : definition

est une des branches des Sciences Cognitives

a pour objectif

d’obtenir de la machine un comportement � intelligent �

l’etude et la construction de systemes artificiels de traitementde connaissances



IA : definition

L’IA est marquee par des techniques specifiques

de representation des connaissancesde traitements de ces connaissancesd’organisation architectural des systemesd’interaction de ces systemes avec leur environnement,permettant par ailleurs leur capacite d’evolution



Les principaux langages de l’intelligence artificielle

Lisp1960, J. MacCarthy

Prolog1973, A. Colmerauer

SmallTalk1972, A. Kay, D. Ingals, T. Kaehler, A. Goldberg

JAVA1994

C++ (1993), Scheme (1975), ...



Un champ pluri-disciplinaire

Informatique

systemes, codage, ...

Linguistique

Psychologie

intelligence humaine, animale, developpement

Ergonomie

analyse des taches

Biologie, Statistique, Economie, Ethologie,

...



IA aujourd’hui



IA aujourd’hui

Ambitions initiales abandonnees

On ne pense plus faire une IA a court terme

Reflexion sur l’ethique (IA faible vs. IA forte, impact de l’IA)

Les retombees de l’IA sont partout

objets, agents, methodologies, representation desconnaissancesapproches causales, qualitativesfouille de donnees, fouille de textestatistiques non lineaires (reseaux neuronaux)programmation par contraintesnouvelles methodes d’optimisation (evolution artificielle)



IA aujourd ’huiExemples d’application

Validation de facturettes American Express

3611 pages jaunes, www.pagesjaunes.fr, etc.

Jeux de reflexion sur ordinateur

Medecine, Psychologie, Accompagnement de certains malades

Assistants personnels intelligent (Google Home, Siri, AmazonEcho)

Telephonie mobile, etc..

Resolution numerique d’une equation mathematique (solveurs)

Suivi d’une strategie gagnante dans certains jeux (Deep Blue,AlphaGo)

Identification d’une decision qui optimise un grand nombre defacteurs (Plannification, stockage, Logistique, Routage, etc.)



IA aujourd’hui

Captcha (Completely Automated Public Turing test to TellComputers and Humans Apart)� l’inverse du test de Turing � : eviter les soumissionsautomatiques de robot.

Prix Loebnerdecerne aux chatbots qui satisfont au mieux les criteres dutest de TuringExemples :

ELIZA (Weizenbaum, 1966)ALICE (Wallace, 2000, 2001, 2004)ELBOThttp://elbot_e.csoica.artificial-solutions.com/cgi-bin/elbot.cgi?START=normal%27,

%27elbot%27,%27width=425,height=650,scrollbars=no


http://elbot_e.csoica.artificial-solutions.com/cgi-bin/elbot.cgi?START=normal%27,%27elbot%27,%27width=425,height=650,scrollbars=no

http://elbot_e.csoica.artificial-solutions.com/cgi-bin/elbot.cgi?START=normal%27,%27elbot%27,%27width=425,height=650,scrollbars=no


Comment concevoir un systeme/agent intelligent ?

Approche symboliquesans se limiter a reproduire des phenomenes observables

Approche neuro-mimetique

en s’inspirant de la realite biologiqueen construisant des modeles biologiquement plausibles

Approche hybride neuro-symbolique



Approche symbolique

Fondee principalement sur la logique

Manipule des expressions et met en œuvre des processus deraisonnement

Necessite une representation explicite du probleme et desmethodes de resolution

Demande un effort important de programmation



Approche neuro-mimetique

S’inspire de la realite biologique

En construit des modeles informatique

Demande peu ou pas de programmation explicite

Exploite des processus d’apprentissage

Permet de developper des systemes auto-adaptatifs et evolutifs



Recherche en IA

De nombreux aspects :

Representation et Raisonnement

Ingenierie des Connaissances

Apprentissage Automatique

Reconnaissance des Formes, Vision

Robotique, Automatique

Traitement Automatique des Langues

Satisfaisabilite, Contraintes Sustainabiity

Interaction avec l’Humain : EIAH, IHM

Extraction et Gestion des Connaissances

Agents et Systemes Multi-Agents



La recherche en IA en France

AFIA (Association francaise pour l’intelligence artificielle)creation en 1989

Conferences annuelles : PFIA (RJCIA, IC, etc.), EGC

+ Associations thematiques (ATALA pour le TAL parexemple)

De nombreuses entreprises dans le secteur

Hub FranceIA



Recherche en IA dans le monde

AAAI (Association for the Advancement of ArtificialIntelligence)Creation en 1979

Conferences annuelles : AAAI, IJCAI, etc.

+ Associations thematiques (ACL pour le TAL par exemple)

De nombreuses entreprises dans le secteur



Quelques perspectives

Moyen terme :

Imitation du comportement humain non pas de l’humainDeep Learning (une toute petite partie de l’IA)

Long terme :

Jonction ineluctable entre Big Data et IAEthique



Notions importantes



Representation des connaissances et logique

Logique : approche declarative pour representer desconnaisances

Deux principaux outils mathematiques (parmi bien d’autres) :

Logique des propositionsLogique des predicats

Utilisation de methodes d’inference bien connues pour deduirede nouvelles connaissances→ Programmation logique



Inference

� Operation logique par laquelle on admet une proposition envertu de sa liaison avec d’autres propositions deja tenues pourvraies. � [Petit Robert]

Il ne s’agit pas d’un mecanisme unique

Il doit exister un ensemble de proprietes caracteristiques quifont qu’un processus peut etre qualifie d’inferentiel



Inference

Pour etre efficace, l’inference doit etre guidee par laconnaissance

L’ambition des premiers programmes d’IA etait de realiser unemachine a inferer universelle

Conclusion : s’il ne peut pas exister de machineuniversellement efficace pour rendre compte du comportementintelligent, donc

soit il ne peut pas en exister du toutsoit il ne peut en exister que localement



Inference

But :

Generer de nouvelles phrases (np) vraies sachant que lesanciennes sont vraiesLes anciennes phrases sont stockees dans la base deconnaissance (knowledge Base/KB)

Une regle d’inference ri permet soit :

de generer de nouvelles phrases np qui pretendent etre laconsequence semantique de KBde pretendre tester si une phrase np est la consequence logiqueou non de KB

L’ensemble des derivations elementaires est appele la preuve



Logique des propositions(syntaxe)

Propositions : un enonce

Une proposition a une valeur de verite V ou F

Exemples :

La Rochelle est en Charente-Maritime (V)La hauteur de la Tour Eiffel est inferieure a 300m

(F)

Connecteurs pour combiner les propositions

∧ ET∨ OU¬(NON)→ (IMPLIQUE)⇐⇒ (EQUIVALENT)



Equivalences (formules ayant la meme interpretation)

¬(¬A) equivaut a A

A→ B equivaut a ¬A ∨ B

¬(A ∧ B) equivaut a ¬A ∨ ¬B¬(A ∨ B) equivaut a ¬A ∧ ¬B

Les deux dernieres equivalences sont les lois de De Morgan.



Logique des propositions (autres equivalences)

Distributivite

(A ∧ B) ∨ C equivaut a (A ∨ C ) ∧ (B ∨ C )(A ∨ B) ∧ C equivaut a (A ∧ C ) ∨ (B ∧ C )

Commutativite

A ∧ B equivaut a B ∧ AA ∨ B equivaut a B ∨ A

Associativite

A ∧ (B ∧ C ) equivaut a (A ∧ B) ∧ CA ∨ (B ∨ C ) equivaut a (A ∨ B) ∨ C

Contraposee

A→ B equivaut a ¬B → ¬A



Regles d’inferences (regles de derivation)

Modus ponensSi A et (A → B ) Alors on deduit B

Modus tollensSi ¬B et (A → B) Alors on deduit ¬A

EnchaınementSi A → B et B → C alors on deduit A → C



Notions importantes

Axiomes

formules de depart

Theoremes

formules dont il existe une demonstration

Demonstration

enchaınement de derivations (ou inferences)

Decidabilite

logique des proposition est decidable (il existe un procede finipermettant de decider si une formule est un theoreme ou non)



Exemple et Limites

Exemple :

A : tout homme est mortel

B : Socrate est un homme

C : Socrate est mortel

Formule logique : A ∧ B → C

Necessite une autre proposition pour Platon, une enumeration pour”tous les philosophes”...



Logique des predicats

On definit des identificateurs (des variables) pouvant etreassocies a des valeurs (entiers, caracteres, etc.)

Un identificateur peut etre remplace par une expression (unoperateur ou une fonction mathematique) comme parexemple, x < y

On definit des predicats (H(x)) possedant une valeur de veritedependant de x

On introduit les quantificateurs existentiel ∃var et universel∀var



Exemple

Pour tout x , si x est un homme alors x est mortel

Socrate est un homme

Socrate est mortel

x est un homme : predicat H(x)

x est mortel : predicat M(x)

Formule logique : ∀x(H(x)→ M(x)) ∧ H(Socrate)→ M(Socrate)



Definition des identifiantsIdentifiants : nom des elements qu’on represente

Nom d’une variable ou d’un objet (case memoire qui contientune valeur, une instance)Une personne quelconque (valeur inconnue), Le prof deRepK&WS (valeur : Thierry Hamon), le nombre d’heures decours (valeur : 30)

Nom des fonctions et des procedures (correspond a uneaction, un etat ou un ensemble d’actions)Afficher un message, se trouve chez/a

Nom des constantes (valeurs universelles ou constantes dansun programme)π, e

Nom des fichiers contenant un programme, des donnees, desressourcesUne resources qui contient des synonymes, des connaissances,etc.



Definition des identifiants

Pour la machine : aucune importanceMais dans un programme, l’identifiant unique peut suivre desregles voire des normes

Pour l’etre humain : le choix de l’identifiant est tres importantRepresenter des connaissances, ecrire un programme,etc., c’est complique !

Il faut se rappeler de quoi on parlerIl faut donc que l’identifiant soit simple, explicite et qu’ilsignifie quelque choseOn sait immediatement a quoi correspond l’identifiantSauf cas particuliers lies a des conventions de nommage :

coordonnees dans un espace : x, y, zcompteurs de boucle : i, jconstantes universelles, fonctions mathematiques : π, e, f , g ,sin, cosen general, on n’utilise pas le caractere espace ou on lesremplace par des caracteres _



Definition des identifiants

Exemples :

personne, professeur, professeur RepKWS, nbCours

print, printf, afficheMessage, afficheMsg,

π, PI, e, g

liste synonymes.txt, connaissances.xml



Definition d’un predicat

Socrate est un homme :

Socrate : objet (personne) → la valeur d’unevariableOn veut pouvoir changer d’objet → variable p ou pers

est un homme : represente un etat → predicat H(x) ouestHomme(x)

Mais suivant le probleme, on peut aussi vouloir changerd’etat :

homme est la valeur d’un autre variable Eest un est un predicat avec deux arguments est(x , y)



Representation d’une phraseen logique des predicats

P

Punc

.

SN

Nom

homme

Art

un

SV

Verbe

est

SN

NP

Socrate

En fonction de ce qu’on veutrepresenter

Representation 1 :

Predicat : le verbe

Arguments du predicat :Nom, nom propre

Representation 2 :

Predicat : le groupe verbal

Arguments du predicat :syntagme nominal




Arthur est a la maison .P

Punc

.

SP

SN

Nom

maison

Det

la

Prep

a

SV

Verbe

est

SN

NP

Arthur

Sophie est a l’ universite .

P

Punc

.

SP

SN

Nom

universite

Det

l’

Prep

a

SV

Verbe

est

SN

NP

Sophie




Pour representer les deux phrases :

Predicat : le verbe

est (a) → seTrouve (moins mabigu et plus explicite)

Premier argument du predicat : Premier syntagme

Arthur, Sophie → Valeurs d’une variable et du premier argument

Deuxieme argument du predicat : Deuxieme syntagme

maison, universite → Valeurs d’une variable et du deuxiemeargument

Resultats :

Arthur est a la maison .

seTrouve(Arthur ,maison) ou

Sophie est a l’ universite .

seTrouve(Sophie, universite)77/131 Repr. K & IA T Hamon



Autre possibilite :

X = ArthurY = maisonseTrouve(X ,Y )

Z = SophieT = UniversiteseTrouve(Z ,T )



Unification

Appariement de clauses :

Logique des propositions : immediat

Logique des predicats : complexe car presence de variables

⇒ Utilisation du mecanisme d’unification pour rendre deuxformules identiques par substitution de variables



Bilan

Logique des propositions

Methode de preuve efficaceTrop restreint car il n’y a pas de quantificateurs

Logique des predicats

indecidable dans le cas generalarret si c’est un theoreme mais risque de ne pas s’arreter si onl’applique a une formule non valide (semi-decidable)



Programmation logique

Representation de connaissances symboliques

Calcul de connaissances par demonstration automatique

Prolog [Colmerauer, Roussel, 75]

Raisonnement dans le chaınage arriere guide par le butExemple :

homme(Socrate).

mortel(x) :- homme(x).

? mortel(Socrate)



Exemple (2)

hors d œuvre(artichauts melanie). poisson(sole meuniere).

hors d œuvre(truffes sous le sel). poisson(bar aux algues).

hors d œuvre(cresson œuf poche). dessert(sorbet aux poires).

viande(grillade de bœuf). dessert(fraises chantilly).

viande(poulet au tilleul). dessert(melon en surprise).

plat(P) :- viande(P) ; plat(P) :- poisson(P) ;

repas(E, P, D) :- hors d œuvre(E), plat(P), dessert(D) ;

? repas(artichauts melanie, bar aux algues, sorbet aux poires)

Ok

? repas(artichauts melanie, bar aux algues, Z)

> Z = sorbet aux poires

> Z = fraises chantilly

> Z = melon en surprise



Logiques non-classiques

Il est difficile d’ecrire toutes les situations avec la logique despredicats car elle est trop restrictive.On doit avoir recours a des logiques non classiques :

Logique des defauts [Reiter, 1980]

Logique modale (necessite, obligation, possibilite,impossibilite, savoir, croyance, etc.) [Moore, 1985]

Logique temporelle

Logique floue

Logique probabiliste

etc.



Connaissances

Donnees, Informations, Connaissances



Quelques notions

Donnees :

Element fondamental et objectif, qualitatif ou quantitatifservant de base a un raisonnement ou a la realisation destraitements

Informations :

Ensemble de donnees non structurees et organisees pourdonner forme a un message resultant d’un contexte donne etdonc parfaitement subjectif.



La notion de connaissance

Varie en fonction des disciplines

Anthropologue : la premiere connaissance est celle que leshommes ont d’eux-memes et de leur environnementPhilosophie : on etudie avant tout la connaissance au sens del’etat de celui qui connaıt ou sait quelque chose.Psychologie cognitive : toute activite mentale humaine sefonde sur une representation interne du monde exterieur,constituee a la fois de connaissances sur

les objetsles situationsles evenements



La notion de connaissance dans la gestion desconnaissances

Modele hierarchique de la connaissance :

C = I · U avec

C = ConnaissanceI = InformationU = Utilisation

ConnaissanceInformation assimilee

pour realiser une action

Je suis a Orleans aujourd’hui

Je m’habille chaudement

I = D · k avec

I = InformationD = Donneesk = Contexte

InformationDonnees mises en contexte

La temperature est de 10oCa Orleans aujourd’hui

DonneesElements bruts en

dehors de tout contexte

10oC



Les sources d’information existantes

Plusieurs niveaux d’informations :

Donnees brutesInformations internes, externes structurees ou pasConnaissances / competencesSavoir-faire / experiences

Plusieurs niveaux de partage

IndividualisePartageIntegre dans un processus organise



Cycle Donnees Informations Connaissances

Donnees : quatre dimensions (le sujet, l’objet et l’espace, letemps)

Analyse des donnees par rapport a un contexte

Convertion en informationsContexte : Points de repere a partir de differentes influences(langue, culture, codes symboliques et code de communicationde l’utilisateur, besoins du moment)

Connaissance : etablissement par l’utilisation d’unecorrespondance entre

la conception d’une realite,l’information sur cette realite.

La connaissance sert a preciser l’action



Cycle Donnees Informations Connaissances

Exemple :

Si Tristan est le fils de Gilles alors il a probablement autourde 30 ans de moins que lui, il porte le meme nom de famille,etc.

→ Propositions deduites et convoquees en fonction du contexte dustatut de la relation pere- fils.

L’information doit rentrer en resonance avec les referentiels derecepteur de l information.

La connaissance est caracterisee par sa propension a produirede l information



La psychologie cognitive

Toute activite mentale humaine se fonde sur unerepresentation interne du monde exterieur, constituee a la foisde connaissances sur

les objetsles situationsles evenements



La psychologie cognitive

� notre connaissance sur les etres et les objets estconstituee par ce que nous appelons les concepts. [...] Il ap-paraıt donc que le concept est une unite cognitive de base,qui decrit un objet a differents niveaux de generalites etqui permet de categoriser les objets qu’il decrit. �

(J-F.Richard, 1990, Les Activites mentales : comprendre, raisonner,trouver des solutions)



La notion de connaissance

Pour l’informatique et intelligence artificielle, lesconnaissances sont vues comme

des entites symboliques manipulables par l’ordinateur,correspondant aux significations associees a des descriptions dumonde � concepts � qui peuvent etre exprimees par le langage

L’objectif est de mettre en machine des informations de facon a ceque le programme ait la connaissance

des objets d’un domaine donne

de la realisation des taches a accomplir

des evenements susceptibles d’arriver



Connaissances pour la machine

Problemes

les modelisations de differentes formes de connaissancesleur stockageleur utilisation



Modelisation de connaissances : deux types

Une modelisation precise du fonctionnement cognitif humain,contrainte par les faits experimentaux (psychologie cognitive)

Une modelisation formelle des mecanismes de la connaissance,donc theorique et sans aucune contrainte que celles du modelelui-meme et de la machine utilisee




Un systeme artificiel est cense pouvoir executer

l’acquisition de nouvelles connaissancesla recuperation de connaissances deja acquises (rappel)le raisonnement sur les connaissances dont dispose le systeme




8 aptitudes fondamentales pour une machine IA

la perception

l’action

la planification

l’apprentissage

le TAL

la cooperation

la coordination

le metaraisonnement



Types de connaissances

Classification universelle – Porphyre (234-vers 305 ap. J.C.)

Organisation des objets principalement au moyen de la relationd’inclusion d’ensembles

Dictionnaires encyclopediques

Utilisation du langage et des illustrations pour diversifier lesmodes d’expression de la connaissancePresupposition d’une maıtrise suffisante

du langagede leur propre mode d’emploid’une masse d’elements presumes connus de tout etre humain



Types de connaissances

Quelques categories de connaissances [Kayser, 1985]

DefinitionConnaissances evolutivesIncertainesVaguesTypiquesSous-determinees

Le choix de la categorie depend du point de vue



Connaissances pour la machine : Types de connaissances

Les objets, les classes et les categories d’objets

Les evenements

Les realisations

La metaconnaissance



Connaissance ?

L’inference est l’element de base de toute description de lacognition

Pour etre efficace, l’inference doit etre guidee par laconnaissance

Inference 6= Raisonnement

Inference avec / sans representation de la connaissance



Connaissance ?

Connaissance → capacite a mobiliser des informations pouragir

Le passage de information a connaissance est lie al’experience de l’action → pas de frontiere parfaitement definie

Definition : Connaissance = Information (donnee) quiinfluence un processus.

Pas de classement universel des differents types deconnaissances (cf. tentative de Porphyre)



Representation ?

Dire que A � represente � B

Ne suffit pas pour que ce soit � vrai �

Il convient de verifier que si B a un certain effet sur unprocessus P, A demontre un effet � equivalent � sur unprocessus � equivalent �

A n’est cependant pas � equivalent � a B� Une carte n’est pas le territoire � (heureusement !)Une carte � represente � le territoire dans le cadre d’unprocessus de recherche d’un itineraire (par exemple)



Representation ?

Representer ⇔ Approximer dans le contexte d’une tache (ouactivite) particuliere

Representer ⇔ Structure de symboles pour � decrire � uneapproximation du � monde � (un modele du monde) dans lecontexte d’une tache particuliere.

Interpreter une structure (une representation) ⇔ Compositionde l’interpretation des differents symboles la constituant



Representation ?

La propriete de compositionnalite n’est pas � naturelle � dansla langueExemple : tout a l’heure ne s’interprete pas facilement commeune composition d’interpretations de tout, a et l’heure

La notion d’interpretation presuppose que le modele (dumonde) est constitue d’objets, et que parmi les symboles, il enest qui s’interpretent comme des objets du modele.

Les symboles ont la capacite de declencher des inferences.



Langage de representation

Langages formels :

un alphabet : ensemble de symboles pas necessairement reduita des caracteresun procede de formation des expressions, pas necessairement laconcatenationun ensemble d’axiomes :

des expressions obeissant aux deux premiers points ci-dessusdont on decide arbitrairement qu’ils appartiennent au systeme

des regles de derivation qui, a partir des axiomes,

permettent de produire des theoremes (c’est-a-dire desexpressions appartenant au systeme),et peuvent ensuite s’appliquer aux theoremes pour en produired’autres



Langage de representation

Representation de procedures : Langage formel

Une procedure ou l’objet d’une procedure

λ-Calculmachine de TuringAlgorithmes de Markovfonctions recursiveslogique combinatoire...

Il a ete demontre qu’un procede decrit dans une de cesmethodes X peut etre decrit a l’aide d’une autre de cesmethodes Y



Representation dans un modele (approche logique)

Langage → aspects � syntaxiques � de la representation(attention langage formel !)

Systeme de deduction → aspects � semantiques � (attention,represente un calcul et peut etre tres eloigne d’un� sens � quelconque)

Regles de valuation → � vrai �, � faux � (attention, ne pasconfondre avec le sens general vrai et faux. . . )



Notions de correction et de completude

Un systeme est � correct � si toutes les formules qui sont destheoremes sont des tautologies (valuees � vrai �)

Preuve par recurrence : on montre que la premiere formule dela preuve d’un theoreme est une tautologie et que si les n-1premieres formules d’une preuve sont des tautologies, alors laformule n est egalement une tautologie.

Un systeme est � complet � si toutes les formules qui sontdes tautologies sont des theoremes.

Preuve un peu plus compliquee, mais fonctionnant egalementsur la recurrence.



Modeles de representation de connaissance

Reseaux Semantiques

Les objets structures : schemas et scripts

Web semantique

Ontologies

A suivre...



Bilan

Analysedu besoin

Acquisition desconnaissances

Modelisation Formalisation Implementations

Sciences cognitives Representation des connaissances

Methodesd’acquisition

TraitementAutomatiquedes Langues

Cartes conceptuelles Langage formelInference

POOIHM

Ingenierie des connaissances



Cartes conceptuelles

(cartes topiques/topic maps/cartes conceptuelles, cartes mentales,cartes heuristiques, etc.)(Buzin, 1971)

Outil tres general de representation des connaissances

Agregation des informations disponibles autour d’un theme(aussi, point d’indexation, le topic)Mise en relation des informations dans un reseau semantiquea l’aide d’association

Standard ISO avec une syntaxe XML (XTM)ISO/IEC 13250 :2003 – Topic Mapsgestion distribuee de l’information et de la connaissance

Langage de requetes des cartes conceptuelles (TMQL)

http://www.topicmaps.org/


http://www.topicmaps.org/


Introduction

Objectifs :

Gerer la surabondance d’informations

Construire des reseaux de connaissances sur n’importe quellesressources

Structurer l’information



Introduction

Definition : representation graphique d’un ensemble deconcepts relies entre eux

Fonctionnalites

Ordonnancement et classement des informations/connaissancesOrganisation de structures complexes



Introduction

Organisation similaire a un livre : 2 couches

Contenu : le niveau informationnel

information stockee dans un format quelconquetexte, image, videeo

l’index de fin du livre : le niveau conceptuel (connaissance)

sujet : concept representant l’informationassociation : relation entre sujets

Mise en relation des 2 couches avec les relations d’occurrence



Introduction

3 notions primitives :

1. sujet (Topic/concept) i.e. individus des langages derepresentation de connaissances

nom donne aux concepts.Possibilites :

plusieurs noms pour le meme conceptDefinition de cartes conceptuelles multilinguesnoms partages par plusieurs concepts

2. Association : mise en relation de concepts, permet lanavigation dans le sujet

3. Occurrences : entite externe pouvant etre indexee par lestopicsRessource associee a un concept (URL, livre, image, etc.)



Introduction

Mais aussi :

Portee : specification du contexte dans lequel une relation estvalide

Facette : prise en compte d’un aspect particulier (sorte defiltrage)



Representations

3 types de nœuds : topic, association, portee

4 types d’arcs (instance, occurrence, portee, nom)

Relations : des nœuds dont les arcs sortant portent desetiquettes identifiant leur role

Interpretations differentes donnees aux primitives suivant lesetiquettes placees sur les arcs et les nœuds

(Baget&al, 2003)



Exemple de carte conceptuelle

Extrait de (Baget&al, 2003)

le topic de vol est instanciepar myFlight

il a pour nom

� vol pour Boston � dont la portee est celle de mesdiscussions avec des colegueset � flight AF322 � lors de discussions avec l’immigrationamericaine




Exploration de Mars par la NASA (Briggs&al, 2004)






Applications generales

Identification des concepts d’un theme ou d’uneproblematique, et des liens existants entre les concepts

Construction progressive de la synthese d’un theme, d’unconcept, d’une problematique

Definition des differents aspects d’une problematique ou d’untheme, etude de cas, simulation

Evaluation de la description d’un processus (symptome d’unpatient et lien avec les traitements)



Applications

Conception de portails Web

Conception d’intranet d’entreprise (gestion de la connaissancede l’entreprise)

Connection de systemes d’information d’entreprise

eLearning

Modelisation des processus metiers

Organisation et compte-rendu de reunion

...

Nombreuses utilisation en pedagogie et dans l’education



Sur le plan pedagogique

Apprentissage des signifiants grace aux liens entre les concepts

Structuration des connaissances grace a leur ordonnancementet leur classement

Utilisation de connaissances anterieures et integration expliciteavec de nouvelles connaissances



Construction d’une carte conceptuelle

1. Definition/identification des concepts (central, generaux,specifiques).

2. Hierarchisation des concepts

3. Definition des relations entre les concepts, en precisant leurtype

4. Association de ressources ou d’exemples (Video, image,son, schema/diagramme, URL)

5. Revision/verification de la carte produite

Logiciels : Freemind, freeplane, Cmap tool, Inspiration



Conception d’une carte conceptuelle

Regles de conception :

Un concept de plus haut niveau (concept central)

Les concepts generaux sont places en haut. Les conceptsspecifiques sont places plus bas

Les concepts sont representes dans des formes specifiquesavec un nom a l’interieur

Les fleches orientees (−→) represente les liens. Un mot estassocie a chaque lien.



Exemple (1)

Identification des concepts



Exemple (2)

Organisation des concepts



Exemple (3)

Mise en relation des concepts



Cartes conceptuelles : bilan

Avantages :

Mode de representation naturel

Possibilite de representation graphique des ontologies

Inconvenients :

Pas de semantique claire (pas de semantique formelle)

Utilisation de n’importe quel type de concept et de relation

On privilegie la richesse du langage et les interpretationsmultiples



Sources des transparents

Transparents de Iris Eshkol

...



Hamon (Thierry), Grana (Martin), Raggio (Vıctor), Grabar (Natalia) et Naya (Hugo). –

Identification of relations between risk factors and their pathologies or health conditions by mining scientificliterature. In : Proceedings of MEDINFO 2010, pp. 964–968. –PMID : 20841827.

Hamon (Thierry), Engstrom (Christopher) et Silvestrov (Sergei). –

Term ranking adaptation to the domain : genetic algorithm based optimisation of the C-Value. In :Proceedings of PolTAL 2014 – Advances in Natural Language Processing, ed. par Springer , pp. 71–83.

Hamon (Thierry), Nazarenko (Adeline), Poibeau (Thierry), Aubin (Sophie) et Deriviere (Julien). –

A Robust Linguistic Platform for Efficient and Domain specific Web Content Analysis. In : Proceedings ofRIAO 2007. –Pittsburgh, USA, 2007. 15 pages.

Aubin (Sophie) et Hamon (Thierry). –

Improving Term Extraction with Terminological Resources. In : Advances in Natural Language Processing(5th International Conference on NLP, FinTAL 2006), ed. par Salakoski (Tapio), Ginter (Filip),Pyysalo (Sampo) et Pahikkala (Tapio). pp. 380–387. –Springer.

Hamon (Thierry) et Grabar (Natalia). –

Exploring Graph Structure for Detection of Reliability Zones within Synonym Resources : Experiment withthe Gene Ontology. In : Proceedings of BioNLP’2009 – Workshop of NAACL-HLT 2009. –Boulder, Colorado, June 2009.

Hamon (Thierry) et Grabar (Natalia). –

Adaptation of Cross-Lingual Transfer Methods for the Building of Medical Terminology in Ukrainian. In :Proceedings of the 17th International Conference on Intelligent Text Processing and ComputationalLinguistics (CICLING2016). –Springer.

Hamon (Thierry) et Gagnayre (RA c©mi). –

Improving knowledge of patient skills thanks to automatic analysis of online discussions. Patient Educationand Counseling, 2013. –Special section on Health Communication and Artificial Intelligence (IF : 2.305, 5yIF : 2.929).131/131 Repr. K & IA T Hamon


Neifar (Wafa), Hamon (Thierry), Zweigenbaum (Pierre), Khemakhem (Mariem Ellouze) et Belguith

(Lamia Hadrich). –Adaptation of a Term Extractor to Arabic Specialised Texts : First Experiments and Limits. In :Proceedings of the 17th International Conference on Intelligent Text Processing and ComputationalLinguistics (CICLING2016), ed. par Springer .

Grabar (Natalia), Jaulent (Marie-Christine) et Hamon (Thierry). –

Combination of endogenous clues for profiling inferred semantic relations : experiments with Gene Ontology.In : Proceedings of the AMIA 2008 Annual Symposium, pp. 252–256. –Washington, DC, November 2008. PMID 18999042.

Grabar (Natalia), Varoutas (Paul-Christophe), Rizand (Philippe), Livartowski (Alain) et Hamon

(Thierry). –Automatic acquisition of Synonym Ressources and Assessment of their Impact on the Enhanced Search inEHRs. Methods of Information in Medicine, vol. 48 (2), 2009, pp. 149–154. –PMID 19283312, DOI 10.3414/ME9213.

Gollub (Koraljka), Hamon (Thierry) et Ardo (Anders). –

Automated classification of textual documents based on a controlled vocabulary in engineering. KnowledgeOrganization, vol. 34 (4), 2007, pp. 247–263.

Perinet (Amandine), Grabar (Natalia) et Hamon (Thierry). –

Identification des assertions dans les textes medicaux : application a la relation {patient, problememedical}. Traitement Automatique des Langues (TAL), vol. 52 (1), 2011, pp. 97–132.

Grabar (Natalia) et Hamon (Thierry). –

Exploitation of speculation markers to identify the structure of biomedical scientific writing. In :Proceedings of AMIA 2009 Symposium, pp. 203–207. –San Francisco, USA, November 2009.

Hamon (Thierry). –

Rapport de Stage a l’UQAM - 19 juin - 21 juillet 2000, octobre 2000.

Hamon (Thierry). –131/131 Repr. K & IA T Hamon


Indexation automatique de notices bibliographiques a l’aide d’approches d’acquisition terminologique. In :Actes de DEFT 2016, pp. 20–26. –Paris, France, Juillet 2016. Atelier de la conference JEP-TALN-RECITAL 2016.

Hamon (Thierry). –

Acquisition terminologique pour identifier les mots cles d’articles scientifiques. In : Actes de l’atelier DEFT2012, pp. 25–31. –Grenoble, France, Juin 2012.


Documents

Représentation des connaissances et Web sémantique ...€¦ · Introduction Historique Notions importantes Connaissances Cartes conceptuelles Ma recherche Ma^ tre de conf erences