Qualification de resultats pour la cooperation de modeles heterogenes - application a la prediction des arrets de fermentation vinicoles

• Auteur / Autrice : JULIETTE AGABRA
• Direction : Patrick Brézillon
• Type : Thèse de doctorat
• Discipline(s) : Sciences biologiques fondamentales et appliquées
• Date : Soutenance en 1999
• Etablissement(s) : Paris 6

Résumé

Dans la plupart des applications d'aide a la decision, on dispose de donnees numeriques (historiques, capteurs,) et de savoir-faire d'expert. Pourtant ces deux types d'informations sont rarement utilisees simultanement. Or dans le cas de processus complexes, les performances d'un systeme base sur un seul type d'information peuvent s'averer limitees. Cette these se situe dans le cadre de cette problematique d'exploitation conjointe des bases de donnees et des connaissances d'experts. Contrairement a l'approche classique qui construit des systemes hybrides qui cooperent pour elaborer la solution, notre objectif est de faire cooperer des systemes independants, certains construits sur les donnees, d'autres sur l'expertise. Fonctionnant en parallele, ils etablissent chacun leur solution. La cooperation est realisee apres coup, chaque systeme conservant ainsi sa specificite de resolution. Dans les deux applications de discrimination utilisees, nous disposions de modeles preexistants, soit construits sur les donnees, soit sur l'expertise. Nous avons d'abord construit des modeles complementaires des premiers, sans chercher a obtenir des performances optimales, la cooperation ulterieure devant permettre d'ameliorer les resultats. Notre methode repose sur la qualification des resultats des modeles par des informations de sensibilite ou de confiance. La sensibilite permet de savoir si une classification reste stable lorsque les donnees d'entree varient. Nous proposons un algorithme, tres simple dans le cas des arbres de decision, de calcul de la sensibilite geometrique (distance du cas a la frontiere de decision la plus proche). Lorsque les modeles n'ont pas de surface de decision explicite, nous utilisons la confiance (probabilite que la classe fournie par le modele soit la bonne). Pour la cooperation, nous avons teste deux voies : ̱combiner la sensibilite geometrique et la confiance, ̱approcher les frontieres de decision des autres modeles par des arbres de decision.