• Save
Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques
Upcoming SlideShare
Loading in...5
×
 

Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques

on

  • 2,353 views

Slides of my phd defense (November, the 14th 2008)

Slides of my phd defense (November, the 14th 2008)

Statistics

Views

Total Views
2,353
Views on SlideShare
2,344
Embed Views
9

Actions

Likes
2
Downloads
0
Comments
0

5 Embeds 9

http://www.cedrick-beler.fr 3
http://www.squeakside.com 2
http://www.slideshare.net 2
http://static.slidesharecdn.com 1
http://localhost:8080 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • INPT ? Université de Toulouse ?

Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques Modélisation générique d'un retour d'expérience cognitif - Application à la prévention des risques Presentation Transcript

  • Modélisation générique d’un retour d’expérience cognitif Application à la prévention des risques Directeur de thèse: Laurent GENESTE Co-encadrant: Xavier DESFORGES Tarbes, vendredi 14 novembre 2008
  • Le projet européen SUP
    • Projet SUP (Sécurité Urgence Pyrénées)
      • Projet INTERREG IIIa
        • Mise en commun des ressources technologiques et humaines pour réduire les disparités
        • Transfrontalier franco-espagnol
      • Objectif : amélioration de la sécurité dans le massif des Pyrénées
        • Activités de loisirs et activités professionnelles
          • Professionnels de la montagne et des secours
        • Un volet Intervention et un volet Prévention
          • Développement d’outils de télémédecine
          • Réalisation d’un Système d’Information (SI)
    • Notre rôle
      • Intégration d’un module de retour d’expérience dans le SI
        • Démonstrateur
        • Prévention des risques liés à la pratique d’activité en montagnes
  • Contribution au projet SUP
    • Une application de retour d’expérience adaptée
      • Basée sur le processus d’analyse d’accidents en montagne
    Description contexte de l’événement Analyses expertes Recherche des causes Explications de l’accident Restitution pour les utilisateurs Cartographie des dangers, Indicateur du risque encouru, Conseils de prévention… Accident
  • Objectifs du travail de recherche
    • Capitalisation des expériences
      • Modélisation de l’expérience
        • Description du contexte, de l’analyse d’accidents…
      • Définition d’un formalisme approprié
    • Exploitation des expériences
      • Algorithmes de recherche
      • Étude et proposition d’un indicateur du risque
    • Opérationnalisation des applications
      • Développements génériques
        • Applicables aux méthodes de résolution de problèmes industrielles
        • Favorisent la génération d’applications à partir du modèle de l’expérience
      • Automatiser les tâches logicielles récurrentes
    Capitalisation Exploitation Base expérience Base expérience
  • Plan
    • Introduction
      • Origine du projet
      • Objectifs de la thèse
    • I - Retour d’expérience
      • Définition et caractérisation
      • Applications de retour d’expérience
      • Les systèmes basés sur la connaissance
    • II – Capitalisation de l’expérience
      • Modélisation structurée de l’expérience
      • Prise en compte d’informations incertaines
      • Modèle hybride
    • III – Exploitation de l’expérience
      • Comparaison d’expériences basée sur la recherche par similarité
      • Proposition d’algorithmes de recherche adaptés
      • Extraction d’un indicateur du risque
    • IV – Opérationnalisation des applications
      • Les différentes techniques
      • Une application à la prévention des risques en montagne
    • Conclusions et perspectives
  • I - Retour d’expérience Définition Caractérisation Applications de retour d’expérience
  • Un système basé sur la connaissance (SBC)
    • «  Le management de l’expérience est un type de management des connaissances restreint aux connaissances issues de l’expérience  »
    • Une typologie des SBC
      • Statique
        • Connaissance sous forme de documents
          • Difficile de réaliser des inférences
        • Outils de type Gestion Électronique de Documents (GED)
      • Dynamique
        • Connaissance formalisée
          • Inférence possible mais expression des connaissances plus difficile
        • Exemple de langage: DL, GC - Outils : SRC (Protégé)…
    • Approche « retour d’expérience »
      • Un SBC ascendant
        • Capitalisation et exploitation de connaissances contextualisées
          • La connaissance globale des experts n’a pas à être formalisée
          • Permet de réaliser une capitalisation continue
        • Vecteur de création de connaissance générique
    Connaissance Difficulté d’inférence Difficulté d’expression statique dynamique exp1 exp2 exp3 exp4
  • Définition du retour d’expérience
    • Définition adoptée du retour d’expérience (Rakoto, 2004)
      • « Le retour d’expérience est une démarche structurée de capitalisation et d’ exploitation des connaissances issues de l’ analyse d’événements positifs ou négatifs. Elle met en œuvre un ensemble de ressources humaines et technologiques qui doivent être organisées pour contribuer à favoriser certaines pratiques performantes et à réduire les répétitions d’erreurs  »
    • Positionnement
      • Événements : positifs / négatifs
      • Retour d’expérience : crise / statistique / cognitif
      • Connaissances : statiques / dynamiques
      • Dimensions : technique / humaine
    • Le retour d’expérience nécessite
    • une représentation structurée de l’expérience (Inspirée des SRC)
    • des traitements adaptés (Inspirés du RàPC)
  • II - Modélisation de l’expérience Modélisation structurée de l’expérience Prise en compte d’informations incertaines Modèle hybride (incertain et composite)
  • Modélisation structurée de l’expérience
    • Les formalismes de représentation des connaissances
    • Choix de représentation structurelle
      • Modèle Attribut-Valeur étendu
        • Simple (composite)
        • Extensible
        • Favorisant l’opérationnalisation
          • Homogénéité
          • Pas de « passerelle »
    Logique(s) Frames DL Graphes conceptuels RS RCO Orienté Objet Représentation Opérationnalisation d o 1 d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331
  • Capitalisation
    • Macro-structure de l’expérience
      • Contexte – Analyse
    • Des représentations imparfaites
      • Contexte
        • Description du « monde »
        • Incomplet, imprécis…
      • Analyse
        • Avis subjectif d’expert
  • Modélisation de l’incertain
    • Les approches subjectives
      • Probabilités, inférence bayésienne
        • Information sur variabilité (var aléatoire)
      • Théorie des possibilités
        • Information incertaines
      • Fonctions de croyance
        • Information incertaine et aléatoire
    • Interprétation ensembliste
        • Soit une information d i
        • Domaine fini et discret
        • Distribution d’une croyance unitaire (masse)
     0 1 A 1 A 2 A 3 Probabilités   0 1 Possibilités  0 1 A 1 A 2 A 3 Croyance A 1 A 2 A 3
  • Modèle des Croyances Transférables
    • MCT
      • Une interprétation non-probabiliste des fonctions de croyance
      • Fonction de croyance = opinion d’un agent rationnel
    • Deux niveaux cognitifs distincts
      • Niveau crédal
        • Expression subjective de la connaissance
          • Raisonnement dans l’incertain
          • Aspect statique et dynamique
      • Niveau décisionnel
        • Transformation pignistique irréversible
          • Cadre probabiliste
          • Compatible avec le critère du maximum d’utilité espérée
    • Hypothèse du monde ouvert
      • Valeurs non prévues dans le modèle
        • Domaine non obligatoirement exhaustif
    Niveau crédal Niveau décisionnel Partie statique Représentation des informations Partie dynamique Révision des informations, raisonnement Transformation pignistique Conversion non réversible en probabilité
  • Notions élémentaires du MCT
    • Distribution de masse
      • Cadre de discernement
        • Domaine = cadre de discernement
        • Domaine recensant des hypothèses exclusives
      • Support de la distribution de masse
        • Parties de  « powerset » noté 2 
          •  = {a, b, c}
          • 2  = {  , {a}, {b}, {c}, {a, b}, {a, c}, {b, c},  }
      • Éléments focaux
        • Sous-ensembles de masse de croyance non-nulle
          • Singletons – masse bayésienne (distribution de probabilité)
      • Monde ouvert
        • m( Ø)≠ 0 croyance affectée aux autres hypothèses
      • Affaiblissement
        • Confiance relative entre sources
        • Expression de confiance en experts
      • Agrandissement, réduction (évolution du modèle)
    • Crédibilité et Plausibilité
     0 1 A 1 A 2 A 3 A B B B A B B
  • Modélisation du contexte
    • Un modèle hybride « Objet-MCT »
      • Modèle Attribut-Valeur étendu (descripteur)
        • Type composite
        • Appliqué au contexte
      • Valuation incertaine des attributs
        • Choix du modèle des croyances transférables
        • Interfaçage avec les valeurs de descripteurs (contexte)
          • Valuation = distribution de masse de croyance
    Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331  0 1 A 1 Valeur certaine  0 1 A 1 A 2 A 3 Valeur aléatoire  0 1 A 1 A 2 A 3 Valeur incertaine v d332
  • Modélisation de l’analyse
    • Relations entre les attributs significatifs
        • Explications de l’événement
      • Conjonction des informations significatives « ET »
        • Sous-ensemble du contexte (descripteurs)
      • Formalisation par une entité propre
        • Conjonction de descripteurs
        • Exemple d’analyse
            • valeur-d1 et valeur-d3 (vraisemblance 1 =0,75)
            • ou valeur-d1 et valeur-d5 (vraisemblance 2 =0,50)
            • ou valeur-d5 (vraisemblance 3 =0,25)
    • Construction de l’analyse
      • Utilisation de l’arbre des causes
        • Permet de remonter aux causes racines
        • Création des liens avec le contexte
  • III - Exploitation de l’expérience Algorithmes de recherche Extraction d’un indicateur du risque
  • Exploitation
  • Comparaison d’expériences
    • Deux types de recherche
      • Recherche sans analyse
        • Filtrage, interrogation de la base
        • Pondération suivant le besoin de l’utilisateur
          • Analogue à une requête dans un SGBD
      • Recherche tenant compte de l’analyse des experts
        • Prise en compte de la conjonction des informations significatives
        • Recherche biaisée par l’analyse experte
          • L’analyse agit comme une « pondération »
    • Utilisation d’une mesure de similarité entre descripteurs
      • Technique utilisée en RàPC
        • Définition de mesures de similarité locale/globale
      • Proposition d’une mesure adaptée au descripteur
        • Structure composite et incertaine
  • Comparaison d’expériences
    • Mesure de similarité
        • Liée à la notion de distance
        • Permet de comparer deux informations (de même type)
    • Littérature
      • Similarité locale/globale
        • Similarité locale
          • Entier, réel, symbolique, …
          • Fonction, matrice de similarité, …
        • Similarité globale
          • Composition de types simples
          • Calcul récursif
          • Fonction d’agrégation 
            • sim g (d o 33 ) =  ( sim(d 331 ), sim(d 332 ))
      • Similarité « objet »
        • Composites + Hiérarchiques
          • SIMIntra, SIMInter
      • Similarité objet et incertitude
        • Théorie des possibilités
          • Similarité objet - possibiliste (Ruet, 2002)
        • Proposition d’une similarité objet incertaine
          • Fonction de croyance (MCT)
    simLocal = [0,2 ; 0,8] simLocal = {0,2 ; 0,3, 0,6, 0,8} Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 d 332 d 331 EXP 2
  • Proposition de mesure de similarité
    • Similarité locale
      • Base des algorithmes d’exploitation
      • Entre deux descripteurs simples
      • Similarité « précise » connue
        • Extension à une valuation incertaine
    Similarité locale Matrice de similarité - MCT Similarité globale Minkowski, conjonctive, … Contexte d 2 d 1 d 4 d o 3 d 32 d 33 d 31 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d 33 d 31 EXP 2 Sim local (v 1 d31 , v 2 d31 ) = 0.7 Sim local (v 1 d31 , v 2 d31 ) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}  d31 = {a, b, c, d, e, f) 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 0,5 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim v 1 d31 = c v 2 d31 = b Valeur certaine v 1 d31 = {c, d, e} v 2 d31 = {a, b} Valeur incertaine
  • Similarité locale incertaine (représentation)
    • Cas particulier des distributions de masse catégorique
      • Connaissance imprécise et certaine
        •  d31 = {a, b, c, d, e, f)
        • BBA1: m({c, d, e}) = 1  v 1 d31 = {c, d, e}
        • BBA2: m ({a, b}) = 1  v 2 d31 = {a, b}
        • Sim local (v 1 d31 , v 2 d31 ) = { Sim (c, a), Sim (d, a), Sim (e, a), Sim (c, b), Sim (d, b), Sim (e, b))
        • Sim local (v 1 d31 , v 2 d31 ) = { 0,5; 0,3; 0,1; 0,7; 0,5; 0,1 }
        • Sim local (v 1 d31 , v 2 d31 ) = { 0,1; 0,1; 0,3; 0,5; 0,5; 0,7}
        • Sim local (v 1 d31 , v 2 d31 ) = { (0,1; 2); (0,3; 1); (0,5; 2); (0,7; 1) }
        • Sim local (v 1 d31 , v 2 d31 ) = { (0,1; 1/3); (0,3; 1/6); (0,5; 1/3); (0,7; 1/6) }
    S AB = { s ab ; sac ; sad ; …; sce} S AB = { 0,8 ; 0,5 ; 0,3 ; 0,1 ; 1 ; 0,7 ; 0,5 ; 0,1 ; 0,7 ; 1 ; 0,9 ; 0,7} 0,1  S AB  1 S ABpond = {(0,1; 2); (0,3; 1); (0,5; 2); (0,7; 3); (0,8; 1) ; (0,9; 1); (1; 2)} M AB = {(0,1 ; 1/6) ; (0,3 ; 1/12) ; (0,5 ; 1/6) ; (0,7 ; 1/4) ; (0,8 ; 1/12) ; (0,9 ; 1/12) ; (1 ; 1/6)} 0 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Valeur incertaine Distribution de masse bayésienne (distribution probabiliste) Sim local (v 1 d31 , v 2 d31 ) 1 f 0 1 e 0,1 0,8 1 d 0,2 0,7 0,9 1 c 0 0,1 0,5 0,7 1 b 0 0,1 0,3 0,5 0,8 1 a f e d c b a Sim
  • Similarité locale (généralisation)
    • Généralisation
      • Distribution de masse quelconque
      • Produit des masses des ensembles concernés
    • Exemple
        •  = {a, b, c } - Matrice de similarité donnée
        • BBA1 :
          • m 1 (  ) = m 11 = 0,3
          • m 1 ({b}) = m 12 = 0,7
        • BBA2 : m 2 (  ) =
          • m 21 = 0,1
          • m 2 ({b ; c}) = m 22 = 0,9
    1 c 0,8 1 b 0,1 0,6 1 a c b a   ∑ = 1 m 11 * m 21  = 0,03 m 11 * m 22  = 0,27 m 12 * m 21  = 0,07 m 12 * m 22  = 0,63  x  = {(a ; a) (a ; b) (a ; c) (b ; a) (b ; b) (b ; c) (c ; a) (c ; b) (c ; c)}  x { b, c } = {(a ; b) (a ; c) (b ; b) (b ; c) (c ; b) (c ; c)} { b } x  = {(b ; a) (b ; b) (b ; c)} { b } x { b, c } = {(b ; b) (b ; c)} Poids associé Ensembles
  • Similarité locale (généralisation) 0 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Sim local (BBA 1 , BBA 2 ) ∑ = 1 m 11 . m 21  = 0,03 m 11 . m 22  = 0,27 m 12 . m 21  = 0,07 m 12 . m 22  = 0,63 m sym (0,1) = 2/9 ; m sym (0,6) = 2/9 ; m sym (0,8) = 2/9 ; m sym (1) = 1/3 m sym (0,1) = 1/6 ; m sym (0,6) = 1/6 ; m sym (0,8) = 1/3 ; m sym (1) = 1/3 m sym (0,6) = 1/3 ; m sym (0,8) = 1/3 ; m sym (1) = 1/3 m sym (0,8) = 1/2 ; m sym (1) = 1/2 Poids associé Regroupement par niveau de similarité et par ensembles ∑ = 1 = 0,052 = 0,075 = 0,435 = 0,438 m sym (0,1) = 2/9 * 0,03 + 1/6 * 0,27 m sym (0,6) = 2/9 * 0,03 + 1/6 * 0,27 + 1/3 * 0,07 m sym (0,8) = 2/9 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 m sym (1) = 1/3 * 0,03 + 1/3 * 0,27 + 1/3 * 0,07 + 1/2 * 0,63 Résultat Regroupement par niveau de similarité
  • Similarité globale
    • Expériences composées de deux descripteurs simples
      • Equivalent à l’agrégation de deux similarités locales
    • Fonctions d’agrégation 
      • Plusieurs sémantiques possibles
    • Hypothèses
      •  (x, x) = x
      • Sim global est exprimée sur le même référentiel que Sim local (récursivité)
    Sim local (v 1 d2 , v 2 d2 ) Sim local (v 1 d1 , v 2 d1 ) 0 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Sim global (exp 1 , exp 2 ) 0 1 Contexte v 1 d 1 v 1 d 2 EXP 1 Contexte v 2 d 1 v 2 d 2 EXP 2 (1) (2) (2) (3) (1) 0,15 0,15 0,1 0,25 0,25 0,4 0,1
  • Similarité Globale - Généralisation
    • Similarité entre n descripteurs simples
      • Problème combinatoire
        • 2 SIM bba de 2 et 3 ensembles focaux 6 possibilités à agréger
        • 10 SIM bba de 5 ensembles focaux chacun 5 10 possibilités ( ~ 10M )
      • Algorithme décomposable
        • Réduit la complexité
          • 10 SIM bba de 5 ensembles focaux chacun
            • 9 agrégations de 2 descripteurs simples – 25 possibilités par couple – 225 possibilités
        • Approximation due à la discrétisation
    s 1 s 2 s 3 s 4 s 5 s 12 s 34 S 1234 s 12345 n distributions de similarité n - 1 agrégations de 2 distributions  Mink ( s 1 , s 2 )  Mink ( s 12 , s 34 )  Mink ( s 3 , s 4 )  Mink ( s 1234 , s 5 ) s 5 s 5 w 1 w 2 w 3 w 4 w 5 w 5 w 5 w 1 + w 2 w 3 + w 4 w 1 + w 2 + w 3 + w 4 w 1 + w 2 + w 3 + w 4 + w 5
  • Similarité Globale Généralisée
    • Récursivité – descripteur objet
    Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 EXP 1 Contexte d 2 d 1 d 4 d o 3 d 32 d o 33 d 31 EXP 2 Sim Global (EXP 1 , EXP 2 ) Sim local (v 1 d 2 , v 2 d 2 ) Sim local (v 1 d 1 , v 2 d 1 ) Sim local (v 1 d 4 , v 2 d 4 ) Sim global (v 1 d o 3 , v 2 d o 3 Sim local (v 1 d 32 , v 2 d 32 ) Sim local (v 1 d 33 , v 2 d 33 ) Sim local (v 1 d 31 , v 2 d 31 )
  • Évaluation du risque
  • Indicateur du risque 1 2 3 4 5 Gravité Degré d’occurrence
    • Référentiel du risque
    • Association du niveau de gravité pour chaque événement
      • Définition de courbes iso-risque ~ changement de repère
    R = P x I Aléa, vulnérabilité I ~ gravité projection Courbes iso-risque Risque I – faible II – modéré III – important IV – très important V – inacceptable I II III I II III IV I II III IV V I II III IV V I II III IV V
  • Similarité globale et indicateur du risque Similarité locale incertaine Matrice de similarité - MCT Similarité globale Minkowski Similarité globale Conjonctive Indicateur du risque
    • Paramétrable et pondérée
    • - p=1 moyenne
    • - p=2 distance euclidienne
    • ..
    • - p= infini max
    • Plus p est grand, plus les fortes valeurs ont une influence dans la mesure globale
    Conjonctive et Non-Pondérée - Adapté à la sémantique de l’analyse - L’analyse est une sorte de pondération - Une valeur nulle entraîne une similarité Globale nulle
  • Indication du risque
    • Principe
      • Dans des conditions significatives similaires, la vraisemblance d’un événement de même type (même gravité) est maximum
        • Vraisemblance = degré de reproductibilité
    • Calcul de l’indicateur
      • Comparaison entre le contexte courant et toutes les expériences
        • Exemple : comparaison d’une seule expérience composée de 2 descripteurs simples. La gravité associée est de 4
    R = { 0; 0; 0,25; 0,50 ; 0,25} 0 1 0,15 0,1 0,4 0,15 0,1 0,25 0,25
  • Implémentation générique
  • Applications de retour d’expérience
    • Applications Internet
      • Autonomes
      • Architecture client-serveur
      • Fonctionnement distribué et collaboratif
    • Technologies utilisées
      • Smalltalk (squeak)
        • http://www.squeak.org
        • Entièrement objet
        • Dynamique, réflexif
      • Seaside (applications Web dynamiques) http://www.seaside.st
      • Magritte (méta-descriptions)
    client Exp ??? Exp ??? Exp ??? PORTAI L WEB événement ……… = ………………… ……… = ………………… ……… = ………………… contexte ……… = ………………… X ……… = ………………… - ……… = ………………… X ……… = ………………… - ……… = ………………… - leçon ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… ……… = ………………… experts Exp ??? utilisateurs Base d’expériences Base de connaissance Flux de connaissance (indicateurs, règles…) Flux d’expérience Flux d’expertise (informations qui viennent compléter l’expérience a posteriori) serveur Moteur de recherche Traitements spécifiques Pré-Traitements (Analyse) Saisie
  • Techniques et outils
    • Approches de généricité
      • Métamodélisation et Ingénierie dirigée par les modèles
        • MDA et MOF
        • Essentiellement descriptif
      • Framework
        • Infrastructure orientée objet générique spécialisable
        • Inversion de contrôle – point d’entrée
      • Patterns
        • « Bonnes pratiques »
        • Modèle dynamique adaptatif (AOM)
          • Pattern Type Object et Property List
      • Métaprogrammation
        • Génération de code
        • Interprétation de métadonnées (métadescription)
  • Opérationnalisation
    • Prévention des risques d’activités en montagne
      • Validation de la génération d’applications web
        • Interface graphique
          • Basée sur méta-description
        • Persistance
          • Sérialisation modèle et expérience
        • Pas d’implémentation pour SUP des algorithmes proposés
    • Implémentation du modèle hybride proposé
      • Générateur d’applications de retour d’expérience
        • Basé sur un modèle adaptatif (AOM)
          • Modèle simple – seulement une dizaine de classes
        • Algorithmes de recherche implémentés
      • Pas de lien avec les interfaces graphiques
        • Composants génériques à développer
  • L’application du projet SUP  Saisie de l’événement  Saisie du contexte  Saisie de l’analyse
  • Modèle hybride adaptatif
  • Conclusion et perspectives
  • Conclusions et perspectives
    • Une approche de retour d’expérience applicable dans un contexte industriel de résolution de problème
        • Analyse d’accidents proche des processus de résolution de problème des organisations (PDCA, 8D, 6Sigma, …)
        • Techniques suffisamment génériques pour être utilisées hors du contexte de la prévention des risques en montagne
      • Possibilité d’intégration des résultats dans la plateforme de retour d’expérience T-Rex
        • Capitalisation des processus de résolution de problèmes PDCA, 8D.
          • Réutilisation limitée mais capitalisation détaillée de l’analyse et des actions correctives
    • Approche de modélisation dynamique intéressante et devant être approfondie
      • Déploiement rapide des systèmes de retour d’expérience
      • Modifications du modèle « en fonctionnement ».
  • Conclusions et perspectives
    • Validation des algorithmes
      • Comportement satisfaisant
      • Appliquer sur un modèle concret
    • Une sémantique plus précise
      • Lien entre descripteurs et ontologie de domaine
      • Formalisation plus précise de l’analyse
    • Augmentation du modèle
      • Réification du « domaine »
    • Couplage avec des modèles de connaissance générique
      • CSP (propagation de contraintes)
  • Merci de votre attention…