Modélisation conjointe des connaissances humaines et machines pour de meilleures approches d’aide à la décision

Joint modelling of human and machine knowledge for decision-making

• Auteur / Autrice : Wided Ben marzouka
• Direction : Basel Solaiman, Mohamed Farah
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Atlantique Bretagne Pays de la Loire en cotutelle avec École Nationale des Sciences de l'Informatique (La Manouba, Tunisie)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et le numérique
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement de l’information médicale (Brest ; 2012-....)
• Jury : Président / Présidente : Ouajdi Korbaa
• Jury : Examinateurs / Examinatrices : Basel Solaiman, Mohamed Farah, Olfa Kanoun, Imene Khanfir, Ali Khenchaf, Imed Riadh Farah, Sami Ben Jamaa
• Jury : Rapporteurs / Rapporteuses : Olfa Kanoun, Imene Khanfir
• DOI : 10.70675/ff237ccbz9efbz41baza4cczaa41bfc4ae4b

Mots clés

Mots clés contrôlés

Raisonnement par cas

Résolution de problème -- Informatique

Détection des anomalies (informatique)

Systèmes informatiques -- Pannes

Mots clés libres

Diagnostic de pannes

Résolution de problèmes

Prise de décision

Raisonnement basé sur les cas

Cas hypothétique

Similarité possibiliste

Fault diagnosis

Solving-problem

Decision-making

Case-based reasoning

Hypothetical case

Possibilistic similarity

Résumé

Ce travail de recherche propose une nouvelle approche de modélisation des connaissances humaines et machines dans le processus d’identification des pannes (IP). Trois contributions majeures sont apportées : (1) la structuration de la base de cas hypothétiques (H-CB), qui reflète le raisonnement séquentiel des experts et permet une meilleure organisation des observations pour optimiser l’IP ; (2) l’extraction des connaissances, intégrant un raisonnement possibiliste pour traiter l’hétérogénéité des primitives observées, introduire un vecteur de connaissance possibiliste (PSK) et améliorer la précision du diagnostic grâce à une similarité possibiliste ; et (3) un apprentissage incrémental qui favorise l’intégration continue des nouvelles connaissances, garantissant ainsi l’évolution du système en fonction des nouveaux cas rencontrés et une amélioration constante des décisions. L’approche développée, Possibilistic Hypothetical Case-Based Reasoning (PH-CBR), a été validée expérimentalement. Les résultats démontrent une amélioration significative par rapport aux approches classiques de raisonnement à base de cas, réduisant le nombre de primitives nécessaires pour l’IP et optimisant l’efficacité des machines industrielles en minimisant le temps de diagnostic.

This research introduces a novel approach to modeling human and machine knowledge in the fault identification (FI). It makes three key contributions:(1) the structuring of the Hypothetical Case Base (H-CB), which captures the sequential reasoning of experts and organizes observations to enhance FI; (2) knowledge extraction, incorporating possibilistic reasoning to manage the heterogeneity of observed primitives, introduce a Possibilistic Knowledge Vector (PSK), and improve diagnostic accuracy through possibilistic similarity; and (3) an incremental learning mechanism that enables the continuous integration of new knowledge, allowing the system to evolve with newly encountered cases and refine decision-making. The proposed approach, Possibilistic Hypothetical Case-Based Reasoning (PH-CBR), has been experimentally validated. Results show significant improvements over traditional case-based reasoning methods, reducing the number of primitives required for FI and enhancing industrial machine efficiency by minimizing diagnostic time.