Taux d'encadrement : 60%

Thèse CIFRE (IBM)

Dates : 2014-2017

URBS (Uncertain Reasoning for Business ruleS) est un projet de recherche appliquée d’IBM France qui a l'ambition de promouvoir les champs d'aide à la décision basés sur les règles métiers. Il prend en compte l'incertain et la dimension temporelle dans un contexte industriel par le biais d’une hybridation entre base de règles métiers et modèles graphiques probabilistes

Le concept des Systèmes de gestion à base de règles métiers (Business Rule Management System (BRMS) ) a été introduit il y a une dizaine d'année pour faciliter la création, la vérification, le déploiement et l'exécution des politiques des entreprises par l’intermédiaire d’une description de règles métiers à base de condition/action.

Le modèle graphique probabiliste le plus utilisé est certainement le réseau bayésien. Ce modèle est parmi les outils les plus connus pour modéliser la connaissance incertaine et le raisonnement avec des données incomplètes. Ils s’appuient sur une représentation des indépendances conditionnelles sous la forme d’un graphe orienté sans cycle (DAG) et sur une décomposition de la distribution de probabilité localisée en chaque nœud du graphe. Les calculs sont menés à l’aide d’algorithmes implémentant l’inférence probabiliste dans ces structures. Les réseaux bayésiens (BNs) ont été appliqués dans de nombreux domaines où l’aide à la décision est nécessaire, à titre d’exemple la médecine, le diagnostic automatique ou la robotique.

Dans cette perspective, IBM s’est particulièrement intéressé ces dernières années à l’extension probabiliste de son moteur de règles ainsi qu’à la gestion de la temporalité et a développé le prototype PPR qui permet de générer une représentation du modèle probabiliste à partir d'annotation sur des classes et/ou de réseaux bayésiens localisés. Cependant, cette méthodologie rencontre rapidement des limites dans la mesure où elle ne traite que peu de conditions complexes.
Par ailleurs, les réseaux bayésiens ont montré également leur limite dans les modèles de très grande taille difficile à créer, maintenir et utiliser, ce qui a donné naissance à un grand nombre d’extension dont les Probabilistic Relational Models (PRMs) qui proposent une modélisation objet de tels modèles. Ce travail de recherche a donc pour but de permettre un couplage entre les PRMS et les règles métiers permettant de pallier ces limitations ainsi que d’introduire des concepts temporels. Il s’agit donc de en trois grands axes:

1. Dans une première phase, on réalisera une étude comparative de l’expressivité des deux langages des PRM et BR pouvant amener à la création d'un langage commun englobant à la fois les avantages de chacun. Cette comparaison comprendra certainement un ciblage des modèles probabilistes formels et des algorithmes qui pourraient être appliqués dans notre cadre d'étude. Cela inclura la spécification formelle des réseaux bayésiens, PRM, OOBN, les modèles BLOG, une comparaison avec d'autres logiques tels que la logique floue, CRF, ontologie incertaine. Cette étude abordera également les modèles probabilistes temporels et le traitement des événements stochastiques. Il s’agira évidemment de rester dans le cadre d'extension aux BRs, et donc d’identifier, concevoir et tester les extensions de l'expressivité des règles métiers qu'exigent les Use Case (cas d'application) et qui peut être implémentée dans le langage des BR tout en gardant leur bonne propriétés par rapport à l'utilisabilité et l'efficacité des algorithmes de filtrage par motifs (pattern matching).
2. La seconde phase aura pour but l’implémentation et la validation de ce langage hybride en créant un nouveau prototype du moteur de règles probabiliste :
   1. expérimentations sur les façons d'intégrer ces prototypes dans l'environnement BRMS ODM d'IBM et sur un couplage avec les moteurs bayésiens existants (SPSS, JSmile, Bayesia, ProBT..)
   2. exploration des techniques de couplage forts des algorithmes dédiés aux nouveau cadre défini dans la première phase
   3. à terme, l’utilisation de données probabilistes permettrait de proposer l’implémentation d’un apprentissage des modèles probabilistes et des parties de productions de règles appropriées à ce nouveau cadre.
   4. un autre axe qui pourrait se révéler important est celui de l’aide à la modélisation : IDE, interface graphique, langage de haut niveau, etc. se révéleraient des outils particulièrement intéressants dans le cadre d’une modélisation menée par des experts métiers.
3. Dans une troisième phase, il s’agira d’élaborer, à partir du cadre théorique issu de la phase 1, de son expressivité, de ses contraintes, etc., une algorithmique dédiée qui permettrait de tirer partie des spécificités de ce modèle hybride afin d’améliorer les complexités en temps et en taille des calculs.

L’ensemble des travaux de la thèse sera validé et dirigé par l’utilisation d’un cas pratique du domaine industriel ; par exemple, dans le domaine de la détection de fraude, du recueil d’information dans les données publiques sur le Web, du diagnostic de système informatique décisionnel, diagnostic de panne, etc.

Bibliographie

PRM

• L.Torti, P.Wuillemin, “O3PRM Language specification“
• L. Torti, C. Gonzales, and P. Wuillemin, "Speeding-up structured probabilistic inference using pattern mining," International Journal of Approximate Reasoning, vol. 54, iss. 7, pp
• L. Torti, C. Gonzales, and P. Wuillemin, "Speeding-up structured probabilistic inference using pattern mining," International Journal of Approximate Reasoning, vol. 54, iss. 7, pp
• L. Torti, "Structured Probabilistic Inference in Object-Oriented Bayesian Networks," PhD Thesis , 2012. P. Weber, G. Medina-Oliva, C. Simon, and B. Iung, "Overview on Bayesian networks applications for dependability, risk analysis and maintenance areas," Engineering Applications of Artificial Intelligence, vol. 25, iss. 4, pp. 671-682, 2012.
• B. Iung, G. Medina-Oliva, P. Weber, and E. Levrat, "Using probabilistic relational models for knowledge representation of production systems: A new approach to assessing maintenance strategies," CIRP Annals – Manufacturing Technology, vol. 61, iss. 1, pp. 419-422, 2012.
• L. Torti, C. Gonzales, and P. Wuillemin, "Patterns Discovery for Efficient Structured Probabilistic Inference," in Proceedings of the Fifth International Conference on Scalable Uncertainty Management Fifth International Conference on Scalable Uncertainty, 2011.
• C. Gonzales and P. Wuillemin, "PRM inference using Jaffray Fays Local Conditioning," Theory and Decision, vol. 71, iss. 1, pp. 33-62, 2011.

Règles métiers

• I. Siskeviciute, “Introduction of temporal probabilistic reasoning in business rules management system” . 2012
• J. Pearl.Probabilistic Reasoning in Intelligent Systems: “Networks of Plausible Inference” . San Mateo, CA., 1988
• K.R. McNaught and A. Zagorecki. Using dynamic bayesian networks for prognostic modelling to inform maintenance decision making. In Industrial Engineering and Engineering Management . IEEE IEEM, 2009 H.Ait Kaci, P.Bonnard, “Probabilistic Production Rules”,
• Cohen T, S CHVANEVELDT R. & W IDDOWS D. “Reflective random indexing and indirect inference : A scalable method for the discovery of implicit connections. Biomed Inform 43 (2), 240–256”
• A.ElGhali, P.Bonnard, K.ELGhali, D.Hromada, H.Ait Kaci, “Règles de production et réseaux bayésiens pour l’extraction de mots clés.

Ces informations sont issues du site HAL.