Date : 1995
Format : 1 vol. (215 p.)
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : français / French
Résumé / Abstract : Nous proposons dans cette thèse une méthodologie d'intégration entre deux techniques de résolution de problèmes à partir d’exemples : l'induction et le raisonnement par cas. On développe un cadre commun à ces deux approches, centre autour de la notion de biais d'apprentissage. On s'attache tout d'abord à caractériser les avantages et les inconvénients de chaque technique vis-à-vis de contraintes applicatives spécifiques : flexibilité, résistance au bruit, incrementalité, performances, représentation des connaissances. Afin de satisfaire ces contraintes, on définit une architecture qui intègre le raisonnement par cas et l'induction à plusieurs niveaux. Tout d'abord, les deux techniques doivent pouvoir être utilisées indépendamment l'une de l'autre (stratégie de boite à outils). Le deuxième niveau d'intégration consiste à échanger les résultats fournis par une des approches, de manière à améliorer ceux obtenus par l'autre (stratégie de coopération). Le troisième niveau reprend le principe d'échange de résultats, mais l'étend à différents modules algorithmiques (stratégie de travail en atelier). Le dernier niveau fond totalement les deux approches dans une plate-forme générique (stratégie d'intégration). Il nécessite la redéfinition des structures utilisées pour l'indexation dans le raisonnement par cas (arbres k-dimensionnels) et pour le diagnostic en induction (arbres de décision) en une structure unique baptisée arbre INRECA pouvant indifféremment servir de structure d'indexation ou de structure décisionnelle. Cet arbre permet l'apprentissage de concepts et de pondérations optimales des mesures de similarité. Ces architectures se concrétisent au travers de la plate-forme INRECA. D'autre part, les composantes les plus significatives d'INRECA sont reprises dans KATE, le progiciel d'aide à la décision développé à Acknosoft. On montre pourquoi l'intégration du raisonnement par cas et de l'induction est nécessaire dans le cadre d'une application industrielle : un système d'aide au diagnostic de pannes de robots manipulateurs réalisé par Acknosoft pour le service après-vente de la société Sepro Robotique
Résumé / Abstract : We propose in this work a methodology for integrating two problem solving techniques: induction and case-based reasoning. A common framework to both approaches is developed, based on the concept of learning bias. We characterize the advantages and drawbacks of each technique, with respect to applicative constraints: flexibility, resistance to noise, incrementality, performances and knowledge representation. These constraints are fulfilled by a four-levels integrated architecture. firstly, both techniques can be used independently (toolbox strategy). The second integrated level aims at exchanging results. The results offered by a technique are improved by the offer one (cooperative strategy). The third level still defines an exchange strategy, for algorithmic parts of the techniques (workbench strategy). Finally, the last level integrates seamlessly both approaches in a single generic platform (seamless level). This implies the structures used for indexing in case-based reasoning (k-d trees) and for diagnosis in induction (decisions trees) to be redefined in a single structure called the INRECA tree. This tree can be used inductively to learn concepts as well as to compute optimal weights for the similar measure. This architecture is implemented in the INRECA platform. The most relevant parts of INRECA are exploited in KATE, the decision help tool built at Acknosoft. The necessity of integration of induction and case-based reasoning is demonstrated on an industrial application that deals with diagnosis help for the after-sale support of plastic press robots at Sepro Robotique.