=Paper=
{{Paper
|id=Vol-547/paper-28
|storemode=property
|title=Vers une cartographie des connaissances guidée par la fouille des données
|pdfUrl=https://ceur-ws.org/Vol-547/160.pdf
|volume=Vol-547
|dblpUrl=https://dblp.org/rec/conf/ciia/BrahamiA09
}}
==Vers une cartographie des connaissances guidée par la fouille des données==
https://ceur-ws.org/Vol-547/160.pdf
Vers une cartographie des connaissances guidée par la
fouille des données
BRAHAMI Menaouer1, ATMANI Baghdad2
1
Ecole Normale Supérieurs de l’Enseignement et Technologie (ENSET)
BP : 1524 El M’Naouer, 31000 Oran, Algérie
http://www.enset-oran.dz
brahami.menaouer@enset-oran.dz mbrahami@gmail.com
2
Département Informatique, Université d’Oran
BP : 1524 El M’Naouer, 31000 Oran, Algérie
http://www.univ-oran.dz
atmani.baghdad@univ-oran.dz atmani.baghdad@gmail.com
Résumé. Ce papier présente une nouvelle approche de cartographie des
connaissances stratégique/métiers guidée par apprentissage automatique en vue
de définir la stratégie de gestion des connaissances à engager. La démarche que
nous avons expérimentée s’appuie sur une nouvelle méthode cellulaire
d’extraction de règles à partir des données nommée CASI (Cellular Automaton
for Symbolic Induction). La première étape consiste en la préparation d’une
cartographie des domaines de connaissances stratégique et métiers par le
modèle graphique. La deuxième étape à transformer le graphe de cette
cartographie sous forme de partitions, en respectant le principe booléen de la
machine cellulaire CASI. Le but, après une modélisation booléenne de la
cartographie des domaines de connaissances, est double : d’une part affiner la
cartographie par une fouille de donnée orchestrée par CASI, et d’autre part
réduire la complexité de stockage, ainsi que le temps de calcul. Seule la
modélisation booléenne de la cartographie est décrite dans ce papier.
Mots-clés : Gestion des connaissances, Cartographie, Ingénierie des
connaissances, Graphe d’induction, Machine cellulaire (CASI).
1 Introduction
La capacité d’innovation et la performance des activités deviennent actuellement
un enjeu majeur pour le succès des entreprises. L’entreprise existe aujourd'hui plus
que jamais dans un environnement très concurrentiel. Pour se placer en bonne
position sur le marché mondialisé, la gestion des connaissances s’est affirmée dans les
entreprises comme un enjeu extrêmement majeur [13].
La gestion des connaissances est vue comme un moyen d’améliorer le partage et
l’utilisation de l’information, ainsi qu’une façon de capturer les meilleures pratiques
2 BRAHAMI Menaouer1, ATMANI Baghdad2
afin de favoriser l’innovation et d’aider à la prise de décision. Plusieurs techniques de
capitalisation des connaissances ont été définies. Ces techniques héritent pour la
plupart des méthodes d’ingénierie des connaissances.
Plusieurs étapes ont été identifiées dans un processus de gestion de connaissances :
il s’agit de l’explicitation de connaissances tacites repérées comme cruciales pour
l’entreprise, du partage du capital des connaissances rendues explicite sous forme de
mémoire, de l’appropriation et de l’exploitation d’une partie de ces connaissances par
les acteurs de l’entreprise [13] (Fig. 1).
Partage Connaissances
Connaissances
explicites explicites
TIC
- Serveur de connaissances
Appropriation
Méthode et outils
Explicitation
d’ingénierie de connaissances Apprentissage
- E-Learning
• Livre de connaissances
- Visioconférence
• Retour d’expériences
Transfert direct
Connaissances Connaissances
tacites - Lieu de travail tacites
- Travail en groupe
Fig. 1. Quatre modes de creation et transfert des connaissances [13]
L’objectif prioritaire de la gestion des connaissances est de préserver le patrimoine
stratégique des connaissances, développé au fil de son existence, mais qui reste peu
explicite et demeure tacite chez les acteurs de métiers [14]. A cet effet, il y a un
certain nombre de méthodologies qui sont aujourd’hui disponibles pour formaliser ce
patrimoine stratégique de connaissances. Nous nous intéressons dans ce papier à la
cartographie des connaissances et, notre contribution consiste à exploiter les
performances confirmées et les techniques mathématiques formelles de la machine
cellulaire CASI [2] afin de concevoir un processus dynamique de cartographie guidé
par extraction des connaissances à partir des données.
2 La cartographie des connaissances
Les connaissances cartographiées peuvent être à acquérir, à surveiller, à créer, à
partager et enfin à capitaliser et à transférer. La méthode de cartographie des
connaissances permet de représenter et d’analyser les connaissances d’une entreprise
en les regroupant par domaine et en les visualisant sous forme de carte.
Dans toute opération de la gestion des connaissances, la cartographie des
connaissances a pour objectif de mettre en valeur les connaissances critiques métiers
de l’entreprise [3]. La cartographie des connaissances est d’abord une démarche
managériale dont la finalité est d’identifier les patrimoines de savoir-faire stratégique
aux actions métiers dans l’organisation. L’identification de cette dernière dans une
organisation consiste à pérenniser, développer les connaissances liées au métier de
l’entreprise ainsi qu’à sa stratégie de travail. Son but principal consiste à montrer
Vers une cartographie des connaissances guidée par la fouille des données 3
rapidement aux collaborateurs d'une organisation, d'un réseau ou d'une filière où se
trouve l'expertise recherchée. De même elle indique l’importance d’un certain savoir
et lequel risque de se perdre et qui doit donc être préservé [14].
2.1 Aperçu sur les travaux de cartographie réalisée
Les études de cas utilisées dans notre étude, sont le fruit d’un ensemble
d’expériences. Plusieurs approches d’évolution de la cartographie ont été proposées
pour organiser les ressources cognitives d’une entreprise. Aubertin et al. [3] ont
proposé deux approches la première se focalise sur la classification fonctionnelle qui
s’appuie sur un organigramme, la deuxième sur la classification par processus et la
classification par domaines qui organise la connaissance autour de sujets, objets ou
finalités. A travers l’étude des besoins de changements et l’environnement
d’évolution d’une cartographie des connaissances nous allons survoler cinq :
• Guelain Clément et al. (fev. 2007) a mené un projet pour cartographie des
connaissances et des compétences techniques critiques au sein de la direction de
l’innovation et de la recherche de la SNCF.
• Ermine J.L (2005) a réalisé un projet piloté chez chronopost International
(observatoire des métiers) et reposé sur deux objectifs ; d’une part, identifier les
savoir-faire métiers impactés par la stratégie et, d’autre part, réfléchir à l’évolution
des compétences critiques dans le futur. Pour cela, Ermine J.L [9] à élaboré le projet
en plusieurs phases, la première phase est la réalisation d’une cartographie stratégique
aux actions métiers formaliser par l’approche du modèle graphique (une carte des
domaines de connaissances). La deuxièmes phase, consiste à une analyse des savoir-
faire métiers critiques par l’utilisation des critères de criticité en tenant compte des
spécificités de Chronopost International.
• Chabot J.L (2006) a proposé une cartographie complète des différents
domaines d’expertise pour l’entreprise HYDRO-Québec. Cependant, l’objectif
prioritaire est d’identifier, d’une part, les domaines de connaissances et, d’autre part,
faire une étude de criticité pour ressortir les domaines de connaissances critique avec
l’aide de la société française Kadrant.
• Barroso A.C.O. et Ricciardi R. I. (2003) ont réalisé un projet piloté dans le
centre de radiopharmacie de Sao Paulo (IPEN). Etant donné que le domaine nucléaire
souffre de problème lié à cette accumulation considérable des connaissances : tels que
le risque de non-préservation, la difficulté de transfert, etc. ils ont élaboré le projet en
plusieurs étapes en utilisant l’approche par processus. Le processus à été décrit d’une
manière classique sous la forme de diagrammes de flux liant des activités relatives
aux processus. C’est cette cartographie, réalisée au sein de l’IPEN, qui va nous servir
de support pour illustrer notre modélisation booléenne. Barroso et Ricciardi [4] ont
utilisé une méthodologie qui s’inspire de la méthodologie cartographie par domaine
[3] pour définir les meilleurs savoir-faire stratégiques/métiers et, ensuite une
formalisation pour assurer le partage de ces connaissances.
• L’INRS (Institut National de Recherche et de Sécurité) a mené deux projet
pour cette raison. Le premier projet est piloté par [11] et qui a pour objectif de
montrer l’apport de la méthode MASK pour une capitalisation de connaissances. La
démarche a conduit à la réalisation d’un livre de connaissances. Dans cette optique,
4 BRAHAMI Menaouer1, ATMANI Baghdad2
l’INRS a lancé le deuxième projet basé sur la méthode de cartographie des
connaissances par domaine pour mettre en valeur les domaines de connaissances
critiques et qui organise les connaissances autour de sujets, d’objets ou de finalités.
L’approche par domaine est conduite à travers les phases suivantes : 1. Le repérage
des domaines de connaissances. 2. La construction de la représentation physique de
cartographie des connaissances. 3. Elaboration de critères de criticité. 4. La mise en
œuvre de l’évaluation de la criticité.
Dans ce contexte, et comme nous l’avons déjà souligné, nous nous sommes
intéressés à une cartographie des domaines de savoir-faire stratégique/métiers.
2.2 La cartographie des connaissances Stratégiques/Métiers
Le partage et le transfert des connaissances entre les générations est une question
d'actualité liée au départs massifs à la retraite prévus pour les années à venir. Il y a un
grand risque de perte de connaissance.
Dans ce contexte, nous avons travaillé sur une grande entreprise qui a mis en
œuvre et s’est engagé dans la mise en œuvre des projets de gestion des connaissances
comme une activité propre à s’intégrer dans les activité des unités pour faciliter le
partage et le transfert des connaissances aux nouvelles générations de ses employés et
permettre finalement via ce partage et le transfert de ces connaissances et la création
d’autres nouvelles pour qu’elles constituent le levier de l’innovation.
Le fondement scientifique de ce travail se base, essentiellement sur deux concepts:
la cartographie stratégique/métiers et la criticité telle que développé par le club de
gestion des connaissances [8]. Les questions clé qui sont tourner autour de ce projet
est : quelles sont nos expertises? Comment identifier les savoirs et savoir-faire?
Comment les capitaliser durablement le savoir et l’expertise des experts? Par quel
moyen rendre cette expertise diffusable et accessible aux équipes locales? Et en fin,
comment faire évaluer les connaissances pour les réutiliser?
Dans la première phase du projet, Barroso et Ricciardi [4] ont réalisé le repérage
des savoir-faire essentiellement à partir d’interview avec les experts métiers, de
processus et des documents de références. Le résultat de cette étape était de regrouper
les différentes activités en un ensemble de domaines de connaissances, puis de les
valider au fur et à mesure avec les acteurs de métiers de chaque domaine qui pourront
affiner et corriger cette première version.
Pour caractériser une carte des domaines stratégique/métiers il y a le modèle
formel et le modèle graphique. Pour illustrer la modélisation booléenne abordée dans
ce papier nous avons opté pour le modèle graphique (voir exemple dans la Figure 2).
Lors de l’analyse de criticité, Barroso et Ricciardi [4] ont opté pour la grille de
criticité élaborée par le club de gestion des connaissances (CGC) [8]. Le principe de
cette grille tourne autour de quatre dimensions: l’utilité des savoirs, la rareté, la
facilité d’utilisation et la facilité d’accès. Dans cette étude de criticité les résultats ont
permis d’établir la cartographie finale avec une mise en évidence des domaines les
plus critiques. Après avoir finalisé cette étape, Barroso et al. [4] ont obtenu la carte
cognitive qui permet une représentation visuelle de ces domaines de connaissances,
ce modèle de carte permet de représenter autour d’un sommet central des idées ou des
Vers une cartographie des connaissances guidée par la fouille des données 5
pensées en créant différentes arborescences autour de ce sommet [6]. Différentes
solutions logicielles reprennent cette approche notamment « MindManager Pro 8 »1.
Fig. 2. Exemple de cartographie des connaissances à l’IPEN [4] : vue générale
3 Fouille de données par induction booléenne
3.1 Introduction à l’apprentissage automatique
L’apprentissage automatique est certainement, en intelligence artificielle, le champ
d’application le plus fertile de ces dernières années. On sait de manière générale
qu’une des prérogatives de l’intelligence artificielle est d’apprendre à partir de
l’expérience passée de sorte que son comportement devient adaptable.
L’apprentissage automatique est ainsi le champ d’étude où l’on essaie de
reproduire la capacité de l’homme à apprendre. Les pionniers interprètent
l’apprentissage automatique comme un ensemble de changements dans un système
qui permet à ce dernier d’accomplir mieux la même tâche, ou, une tâche similaire
dans la même population dans l’avenir.
Dietterich [15] propose une approche plus fonctionnelle à l’apprentissage
automatique qui permet de l’évaluer, en le reliant à la notion de connaissance.
Dietterich distingue ainsi trois niveaux de description d’un système d’apprentissage :
– un système qui ne reçoit aucune entrée et qui accomplit le mieux une tâche,
– un système qui reçoit des connaissances en entrée, mais n’accomplit aucune
induction,
– et enfin, un système qui reçoit des entrées et en extrait des connaissances qui
ne sont connues ni implicitement ni explicitement, c’est l’apprentissage
inductif.
1 Michael & Battina : MindManager Pro 8, http://www.mindmanager.fr , 2009.
6 BRAHAMI Menaouer1, ATMANI Baghdad2
C’est cette dernière qui nous intéresse dans notre problématique, plus
particulièrement l’apprentissage empirique qui vise à produire une nouvelle
connaissance à partir des cas pratiques : des exemples, des observations, etc… C’est
ce que nous avons baptisé « vers une cartographie à partir d’une série
d’observations ».
Ce papier présente une nouvelle approche de cartographie des connaissances
stratégique/métiers guidée par apprentissage automatique en vue de définir la stratégie
de gestion des connaissances à engager. La démarche que nous avons expérimentée
s’appuie sur une nouvelle méthode cellulaire d’extraction de règles à partir des
données nommée CASI (Cellular Automata for Symbolic Induction) [2].
La première étape consiste à preparer un exemple de cartographie des domaines de
connaissances stratégique et métiers par le modèle graphique déjà réalisée en
collaboration avec le centre nucléaire de Sao Paulo (IPEN). La deuxième étape à
transformer le graphe de cette cartographie sous forme de partitions, en respectant le
principe booléen de CASI.
Le but, après une modélisation booléenne de la cartographie des domaines de
connaissances, est double: d’une part affiner la cartographie par une fouille de
données orchestrée par CASI, et d’autre part réduire la complexité de stockage, ainsi
que le temps de calcul. Seule la modélisation booléenne de la cartographie est décrite
dans ce papier.
3.2 La machine cellulaire CASI
Malgré les qualités des différentes stratégies de représentation des connaissances,
nous avons opté pour le principe booléen [1,5] de la machine CASI [2]. Le processus
général d’apprentissage automatique que la machine cellulaire CASI applique à une
population d’apprentissage est organisé en quatre étapes (Fig. 3):
1. Initialisation du graphe d’induction par automate cellulaire (coopération
entre les modules COG et CIE);
2. Optimisation du graphe d’induction booléen (coopération entre les modules
COG et CIE);
3. Génération des règles de transition (coopération entre les modules COG et
CIE);
4. Validation des règles cellulaires (coopération entre les modules CV et CIE);
Un automate cellulaire est une grille composée de cellules qui changent d’état dans
des étapes discrètes. Après chaque étape, l’état de chaque cellule est modifié selon les
états de ses voisines dans l’étape précédente. Le moteur d’inférence du système
cellulaire (CASI) utilise deux couches finies d’automates finis. La première couche,
CELFAIT, pour la base des faits et, la deuxième couche, CELREGLE, pour la base de
règles. Les états des cellules se composent de trois parties : EF, IF et SF,
respectivement ER, IR et SR, sont l’entrée, l’état interne et la sortie d’une cellule de
CELFAIT, respectivement d’une cellule de CELREGLE.
Vers une cartographie des connaissances guidée par la fouille des données 7
Expert humain Utilisateur
Interface utilisateur
1
Ωa Ωe
CASI Ωt
SIPINA COG 3 CIE CV
= = =
Apprentissage 2 Optimisation et 4 Moteur d’Inférence Validation
Symbolique génération cellulaire Cellulaire Cellulaire
Base de connaissances
Faits et Règles
Fig. 3. Diagramme général de la machine cellulaire (CASI) [2]
L’état interne, IF d’une cellule de CELFAIT indique le rôle du fait : dans notre
graphe IF = 0 correspond à un fait du type sommet (si), IF = 1 correspond à un fait du
type attribut=valeur (Xi = valeur) [2].
Pour définir le voisinage des cellules, nous utilisons les deux matrices d’incidence
d’entrée RE et de sortie RS de l’automate. RE et RS représentent la relation entrée/sortie
des faits et sont utilisées en chaînage avant. On peut également utiliser RS comme
relation d’entrée et RE comme relation de sortie pour lancer une inférence en chaînage
arrière [2]. Enfin, La dynamique de CASI pour simuler le fonctionnement du moteur
d’inférence CIE utilise deux fonctions de transitions δfait et δrègle, où δfait correspond à
la phase d’évaluation, de sélection et de filtrage, et δrègle correspond à la phase
d’exécution et que toutes les cellules obéissent en parallèle à la même règle appelée
fonction de transition locale, qui a comme conséquence une transformation globale du
système [2].
3.3 Représentation du graphe d’induction par CASI
Puisque Barroso et Ricciardi [4] ont utilisé le modèle graphique (Fig. 2) pour
représenter la cartographie des domaines de connaissances stratégique / métiers
critiques, nous considérons la partie du graphe illustrée par la figure 4, extraire de la
cartographie de la figure 2, qui explique l’axe planning avec ses thèmes et ses
domaines.
Pour illustrer l’architecture et le principe de fonctionnement du module CIE, nous
considérons la partie du graphe (voir fig. 5), extraite de la figure 4, obtenue en
utilisant les partitions S0 (partition cœur métier) = (s0), S1 (partition axes) = (s1), S2 (partition
Thèmes)= (s2), S3 (partition sous-thèmes) = (s3, s4), S4 (partition domaines)= (s5) et S5 (partition
sous-domaines)= (s6, s7).
8 BRAHAMI Menaouer1, ATMANI Baghdad2
Fig. 4. Cartographie des connaissances à l’IPEN [4]: axe « planning »
Radiopharmacy
Cœur Métiers Center
Partition S0
s0
Axes Planning
Partition S1 s1
Thèmes
System-processus
Partition S2
s2
Sous-thèmes Validation Design
Partition S3 s3 s4
Domaines
Maintenance
Partition S4 s5
Sous-domaines Planning Corrective
Partition S5 s7
s6
Fig. 5. Construction des partitions S0, S1, S2, S3, S4, S5 de la cartographie
A partir des quelles nous déduisons 7 règles de transition qui sont résumée dans la
table 1 de la forme « Si Condition alors Conclusion ».
Où Condition est une expression logique composée de conjonctions que l’on
nommera Prémisse et Conclusion la classe majoritaire dans le sommet décrit par la
condition. Par exemple, la base de connaissances des règles générées avec la machine
CASI est donnée dans table 1:
Vers une cartographie des connaissances guidée par la fouille des données 9
Table 1. Base des connaissances
Règles j Si Prémisse Alors Conclusion
Règle1 si {s0} alors {axes=Planning, s1}
Règle2 si {s1} alors {themes=System-processus, s2}
Règle3 si {s1} alors {domaines=Maintenance, s5}
Règle4 si {s2} alors {sous-themes=Validation, s3}
Règle5 si {s2} alors {sous-themes= Design, s4}
Règle6 si {s5} alors {sous-domaines=Planning, s6}
Règle7 si {s5} alors {sous-domaines=Corrective, s7}
La figure 6 montre comment la base de connaissances extraite à partir de ce graphe
est représentée par les couches CELFAIT et CELREGLE. Initialement, toutes les
entrées des cellules dans la couche CELFAIT sont passives (EF = 0), excepté celles
qui représentent la base des faits initiale (EF(1) = 1).
Faits EF IF SF Règles ER IR SR
s0 1 0 0 R1 0 1 1
axes=Planning 0 1 0 R2 0 1 1
s1 0 0 0 R3 0 1 1
themes=System-processus 0 1 0 R4 0 1 1
s2 0 0 0 R5 0 1 1
sous-themes=Validation 0 1 0 R6 0 1 1
s3 0 0 0 R7 0 1 1
sous-themes =Design 0 1 0 CELREGLE
s4 0 0 0
domaines=Maintenance 0 1 0
s5 0 0 0
sous-domaines=Planning 0 1 0
s6 0 0 0
sous-domaines =Corrective 0 1 0
s7 0 0 0
CELFAIT
Fig. 6. Configuration initiale de l’automate cellulaire
3.4 La matrices d’incidence entrée/sortie
Dans l’opération suivante nous représentons les matrices d’incidence d’entrée RE et
de sortie RS de CASI. Ainsi les deux matrices sont formulées comme suit [2], [5], [1]:
1. La relation d’entrée, notée iREj, est formulée comme suit:
∀i ∈ [1, l ], ∀j ∈ [1, r ], si (le Fait i ∈ à la Prémise de la règle j) alors RE(i, j) ← 1.
2. La relation de sortie, notée iRSj, est formulée comme suit:
∀i ∈ [1, l ], ∀j ∈ [1, r ], si (le Fait i ∈ à la Conclusion de la règle j) alors RS(i, j) ← 1.
Notez que les deux matrices RE et RS représentent la relation entrée / sortie des
faits et son utilisées en chaînage avant et, pour lancer une inférence en chaînage
arrière, il faut également utiliser RS comme relation d’entrée et RE comme relation de
sortie. Enfin, dans le tableau 2 nous représentons respectivement les deux matrices
d’incidences RE et RS comme suit:
10 BRAHAMI Menaouer1, ATMANI Baghdad2
Table 2. Les deux matrices d’incidence d’entrée / sortie de la figure 5
RE(relation d’entrée) RS (relation de sortie)
R1 R2 R3 R4 R5 R6 R7 R1 R2 R3 R4 R5 R6 R7
s0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
axes=Planning 0 0 0 0 0 0 0 1 0 0 0 0 0 0
s1 0 1 1 0 0 0 0 1 0 0 0 0 0 0
themes=System-processus 0 0 0 0 0 0 0 0 1 0 0 0 0 0
s2 0 0 0 1 1 0 0 0 1 0 0 0 0 0
sous-themes=Validation 0 0 0 0 0 0 0 0 0 0 1 0 0 0
s3 0 0 0 0 0 0 0 0 0 0 1 0 0 0
sous-themes=Design 0 0 0 0 0 0 0 0 0 0 0 1 0 0
s4 0 0 0 0 0 0 0 0 0 0 0 1 0 0
domaines=Maintenance 0 0 0 0 0 0 0 0 0 1 0 0 0 0
s5 0 0 0 0 0 1 1 0 0 1 0 0 0 0
sous-domaines=Planning 0 0 0 0 0 0 0 0 0 0 0 0 1 0
s6 0 0 0 0 0 0 0 0 0 0 0 0 1 0
sous-domaines=Corrective 0 0 0 0 0 0 0 0 0 0 0 0 0 1
s7 0 0 0 0 0 0 0 0 0 0 0 0 0 1
3.5 Les fonctions de transition
Comme nous l’avons déjà signalé, la dynamique de l’automate cellulaire CIE, pour
simuler le fonctionnement d’un Moteur d’Inférence, utilise deux fonctions de
transitions δfait et δrègle qui sont de la forme [2], [5], [1]:
1. La fonction de transition δfait pour évaluation, sélection et filtrage
T
(EF, IF, SF, ER, IR, SR) → δfait(EF, IF,EF,ER + (RE · EF), IR,SR)
2. La fonction de transition δrègle pour exécution
(EF, IF, SF, ER, IR, SR) → δrègle(EF + (RS · ER), IF,SF, ER, IR, ^ER)
Où la matrice RTE désigne la transposé de RE et ^ER la négation de ER.
En utilisant le principe cellulaire, la figure 7 suivante présente l’état global des
deux couches, CELFAIT et CELREGLE, après évaluation, sélection et filtrage en
chaînage avant selon le mode synchrone : application de la première loi de transition
δfait.
Faits EF IF SF Règles ER IR SR
s0 1 0 1 R1 1 1 1
axes=Planning 0 1 0 R2 0 1 1
s1 0 0 0 R3 0 1 1
themes=System-processus 0 1 0 R4 0 1 1
s2 0 0 0 R5 0 1 1
sous-themes=Validation 0 1 0 R6 0 1 1
s3 0 0 0 R7 0 1 1
sous-themes=Design 0 1 0 CELREGLE
s4 0 0 0
domaines=Maintenance 0 1 0
s5 0 0 0
sous-domaines=Planning 0 1 0
s6 0 0 0
sous-domaines =Corrective 0 1 0
s7 0 0 0
CELFAIT
Fig. 7. Configuration obtenue avec δfait
Vers une cartographie des connaissances guidée par la fouille des données 11
Nous considérons G0 la configuration initiale de notre automate cellulaire (voir la
Fig. 6) et, ∆ = δrègle ◦ δfait la fonction de transition globale : ∆(G0) = G1 [2]. Après
l’application de la deuxième loi de transition, δrègle, nous obtenons la configuration G1,
G2, et en fin la configuration G3. Dans la figure 8 suivante nous présentons la
configuration finale G3 :
Faits EF IF SF Règles ER IR SR
s0 1 0 1 R1 1 1 0
axes=Planning 1 1 1 R2 1 1 0
s1 1 0 1 R3 1 1 0
themes=System-processus 1 1 1 R4 1 1 0
s2 1 0 1 R5 1 1 0
sous-themes=Validation 1 1 1 R6 1 1 0
s3 1 0 1 R7 1 1 0
sous-themes =Design 1 1 1 CELREGLE
s4 1 0 1
domaines=Maintenance 1 1 1
s5 1 0 1
sous-domaines=Planning 1 1 1
s6 1 0 1
sous-domaines =Corrective 1 1 1
s7 1 0 1
CELFAIT
Fig. 8. Configuration finale G3 obtenue après deux itérations synchrones
3.6 Génération des règles de cartographie
Sous réserve que l’échantillon explicite soit représentatif de la population
originelle nous pouvons déduire, à partir de l’axe planning, quatre règles de
cartographie Cart1, Cart2, Cart3 et Cart4 qui sont de la forme: Si Condition Alors
Conclusion. La Condition est une expression logique composée de conjonction que
l’on nommera Prémisse et Conclusion la classe majoritaire dans le sommet décrit par
la conclusion. Les quatre règles de cartographie issues du modèle graphique de la
figure 4 sont :
Cart1 : Si axes=Planning et domaines=Maintenance et sous-domaines=Planning
alors classe majoritaire de s6.
Cart2 : Si axes=Planning et domaines=Maintenance et sous-domaines=Corrective
alors classe majoritaire de s7.
Cart3 : Si axes=Planning et thèmes=System-processes et sous-thèmes =Validatin
alors classe majoritaire de s3.
Cart4 : Si axes=Planning et thèmes=System-processes et sous-thèmes=Design alors
classe majoritaire de s4.
4 Conclusion
Deux motivations concurrentes nous ont amenés à proposer un principe cellulaire
pour l’optimisation, la génération, la représentation et l’utilisation d’une cartographie
booléenne de connaissances. En effet, nous avons, non seulement, souhaité avoir une
12 BRAHAMI Menaouer1, ATMANI Baghdad2
carte de connaissances optimale, mais aussi, nous avons, également, souhaité raffiner
la construction de cette carte en proposant un nouveau processus de cartographie
guidée par la fouille de données. En adoptant la modélisation booléenne, la machine
cellulaire CASI optimise la représentation de la carte. Le résultat du modèle ainsi
obtenu, est affiné par un processus d’apprentissage automatique symbolique à base de
graphe d’induction. Ce raffinement se fait par l’automate cellulaire CIE qui va assister
SIPINA (voir figure 3) dans le processus d’extraction de nouvelles connaissances
tacites à partir de cas pratiques (connaissances explicites) et assurer, par la suite, une
contribution dans le processus général de création et de transfert des connaissances
(voir figure 1).
5 Références
1. Abdelouhab F., Atmani B. : Intégration automatique des données semi-structurées dans un
entrepôt cellulaire, Troisième atelier sur les systèmes décisionnels, Mohammadia – Maroc,
pp. 109-120, 10 et 11 octobre 2008.
2. Atmani B., Beldjilali B. : Knowledge Discovery in Database : Induction Graph and Cellular
Automaton, Computing and Informatics Journal, Vol.26, N°2 p.171-197, (2007).
3. Aubertin G. : Cartographier les connaissances critiques : une démarche stratégique pour
l’entreprise. In Management des connaissances en entreprise, Ed. Lavoisier. (2004).
4. Barroso A. & Ricciardi R. : Knowledge domains cartography of the radiopharmacy center of
IPEN – a case study. Nuclear and Energy Research Institute (IPEN). Brazil, (2003).
5. Benamina M., Atmani B. : WCSS: un système cellulaire d'extraction et de gestion des
connaissances, Troisième atelier sur les systèmes décisionnels, Mohammadia – Maroc, pp.
223-234, 10 et 11 octobre 2008.
6. Buzan T. et B. Buzan. : The Mind Map Book. Plume Books. (1996).
7. Chabot J.L. : Transfert de savoir en hydro-québec perspective et stratégie. Colloque annuel
de cerfio atelier N°3, (2006).
8. Ermine J-L & Boughzala I. : Using Cartography to Sustain Inter-Generation Knowledge
Transfer: The M3C Methodology. In 2nd International Conference on Intellectual
Management, Knowledge Management and Organisational Learning. American University
in Dubai. U.A.E, (2005).
9. Ermine J-L. Méthode d’alignement stratégique pour la gestion des connaissances, Plus
d’information : 20070920-INT-méthode-gestion-connaissances.pdf, p. 11-20, (2007).
10.Guelain C. : Cartographie des connaissances critiques au service de la recherche de la
SNCF. Plus d’information (Internet): 230-cartographie_sncf.pdf, p. 1, (2007).
11.Matta N & Ermine J.L. : knowledge capitalization with a knowledge engineering approach :
the MASK method . IJCAT’2001, knowledge management and organisational memory
workshop. International Joint Conference on Artificial Intelligence, seattle, Etats-Unis, 4-10
août 2001.
12.Nhien-an le-khac & Lamine M. : Knowledge Management for Distributed Data Mining
Environments. In: International journal of computational intelligence, volume 4 - number 3,
August 5. ISSN 1304-2386. p. 3-4, (2007).
13.Nonaka I & Takeuchi H. : La connaissance créatrice, la dynamique de l'entreprise
apprenante. p. 2-6, (1997).
14.Lavinia C. : La cartographie des connaissances critiques. Plus d’Information (Internet):
Dossierdumois64ccc.pdf. P.1-12, (2006).
15.Rakotomalala R. (1997). Graphes d’induction, Thèse pour l’obtention du Diplôme de
Doctorat, Université Claude Bernard-Lyon 1.