interopérabilité en informatique

1. Ontologies et système d’information= Interopérabilité? Catherine ROUSSEY

2. Objectifs  Interopérabilité des Systèmes d’Information:  Capacité d’un SI ou de ses composants de partager des informations ou des applications.  Comment l’usage de référentiel métier peut améliorer la communication entre des systèmes d’information…  Vrai pour les thematiciens et aussi vrai pour les informaticiens  Mais attention il y a plusieurs niveaux d’interopérabilité…  Objectif facile a atteindre techniquement ?  eXtensive Markup Language (XML)?  Et dans la réalité qu’est ce qui se passe… ENITAB 2010 2

3. Plan  Introduction • Données, informations, connaissances • Modèles informatique • Ontologies  Types d’ontologies / Différents objectifs  Ontologies Terminologiques : interopérabilité lexicale • Exemple, Format, Type de Système d’information  Ontologie de Données: interopérabilité de données  Ontologie Logique: interopérabilité d’objets  Construction d’ontologies 3 ENITAB 2010

4. Données, Informations, Connaissances  Donnée: un élément d’information percevable manipulable  Information: donnée + sens + contexte type  Connaissance: information + stabilité + croyance abstraction+ traitement  généralisation d’un ensemble d’information  toujours propre à une personne  partagée par d’autres personnes 4 ENITAB 2010

5. Données, Informations, Connaissances 5 Donnée Information Connaissances Données Données typées Modèle Classes POO Modèle Classe IA Modèle Entité BD ENITAB 2010

6. Modèle informatique Entités en BD Relationnelle: information + regroupement + vérification  Données quantitatives et qualitatives  Stocker une grande masse de données dans le but de faciliter leur interrogation et leur gestion.  Éviter la redondance pour éliminer les incohérences de Mise à Jour  Organisation se construit sur le partage de données communes (inclusion d’attributs).  Vérifier la cohérence des données lors de l’insertion et de la MàJ contraintes d’intégrité  Hypothèses du monde fermé  Ce qui n’est pas dans la BD n’existe pas… Animal IdentificationCode: String SexCode: String BirthDay: Date RaceCode: String EspeceCode: String Weight: Number Espece IdentificationCode: String Name: String 6 ENITAB 2010

7. Modèle informatique Classes objet au sens POO: information + généralisation + traitement  Données quantitatives et qualitatives  Organiser les traitements complexes sur ces données  La classe « animal » a des données avec des méthodes associées « beDeseased »  La hiérarchie des classes est construite sur les méthodes (les comportements)  Grace au typage (la classe) certains traitements sont impossibles « getMarried » Animal Identification: String Sex: String BirthDay: Date Race: String Bovin beDeseased() getMilkProduction() 7 ENITAB 2010

8. Modèle informatique Connaissances formelles en IA: information + généralisation + vérification + raisonnement  Description qualitative des objets  Type + conditions d’appartenances d’un objet à un type  Il n’y a pas d’entreprise agricole sans exploitation agricole  Raisonnement = traitement particulier  Validation du modèle  Classification automatique de la hiérarchie  Inférence = création de nouvelles connaissances  Hypothèse du monde ouvert EntrepriseAgricole ExploitationAgricole estAssocié Organisation *1 8 ENITAB 2010

9. Schéma général: donnée, information, connaissances Données Information Connaissances Perception Sens dans un contexte Résultat d’un processus d’apprentissage: une généralisation d’un ensemble d’information que l’on va mémoriser Données Données typées Classes en POO Description sous forme d’attribut (description quantitative & qualitative ) + méthodes (traitements) Classes en IA Des traitement particuliers sur les données qualitatives Différent niveau de granularité : information structurée  non structurées BD Relationnelle Données fortement structurées optimisées pour le stockage 9 ENITAB 2010

10. Exercices: formes géométriques  Point  Ligne  Triangle  Triangle rectangle  Carré  Rectangle  Trapèze  Parallélogramme  Cercle ENITAB 2010 10

11. Ontologies définition  Ontologie avec un O majuscule (philosophie): Une science: une branche de la métaphysique qui a pour objectif l’étude de l’être, c'est-à-dire l'étude des propriétés générales de tout ce qui est…  Ontologies au pluriel avec un o minuscule (informatique): Outils informatiques résultat d’une modélisation d’un domaine d’étude défini pour un objectif donné acceptée par une communauté d’utilisateurs … 11 ENITAB 2010

12. Term Les composants des ontologies 12 Concept Instance Semantic Relation Instance Relation Logical Definition Concept Term Instance Property Semantic Relation Term Linguistic Relation Textual Definition Classe Term Instance Relation hasLabel Property Semantic Relation Linguistic Relation Natural language Definition Logical formula isInstanceOf hasArgument hasID hasArgument hasArgument hasName hasName * * * 1 * * 1 1 * * ** 1 * * * * * Terminological Ontology Data Ontology Logical Ontology Semantic Relation Instance Relation ENITAB 2010

13. Ontologies Terminologiques: Composants 13 Classe Terme Instance Relation hasLabel Linguistic Relation Natural language Definition hasArgument hasID hasName * * * 1 1 * * * * * ENITAB 2010

14. A relatively large natural stream of water Ontologies Terminologiques: Exemple 14 rivière fleuve river rio A relatively large natural stream of water Water course Una corriente relativamente larga corriente de agua natural Cours d’eau naturel de moyenne ou de faible importance, qui en principe n’aboutit pas directement à la mer Cours d’eau naturel généralement important (plus spécialement lorsque ce cours d’eau se jette dans la mer) ENITAB 2010

15. Ontologies Terminologiques: Exemple 15 rivière fleuve river rio A relatively large natural stream of water Water course Una corriente relativamente larga corriente de agua natural Cours d’eau naturel de moyenne ou de faible importance, qui en principe n’aboutit pas directement à la mer Cours d’eau naturel généralement important (plus spécialement lorsque ce cours d’eau se jette dans la mer) A relatively large natural stream of water ENITAB 2010

16. Ontologies Terminologiques: Autres exemples  GEMET Thesaurus http://www.eionet.europa.eu/gemet/index_html?lan gcode=fr  AGROVOC thesaurus http://aims.fao.org  International Hydrographic Dictionary http://www.iho.int/english/home/  Wordnet lexical database: http://www.wordnet- online.com/ ENITAB 2010 16

17. Ontologies terminologiques: format SKOS: Simple Knowledge Organization System http://www.w3.org/2004/02/skos/intro 17 ENITAB 2010

18. Ontologies terminologiques: format RDF Resource Description Framework Douglas Richard Hofstadter. Gödel, Escher, Bach: an Eternal Golden Braid. Basic Book 1999 (ISBN 0-465-02656-7) <rdf:Description rdf:about='http://cemagref/enitab/module7'> <titre>Les Ontologies dans les Systèmes d’Information</titre> <enseignant>Catherine Roussey</enseignant> </rdf:Description> 18 ENITAB 2010

19. Interopérabilité lexicale: Système de Recherche d’Information Système de Recherche d’Information Multilingue 1 2 3 Corpus multilingue Requête Liste de documents ordonnés Ressource sémantique multilingue Ontologie terminologique 19 ENITAB 2010

20. Interopérabilité lexicale: Semantic Web Search Engine mapping annotationrequête résultat Moteur d’inférence Ontologie du web Base d’annotation Pages Web identifiées par des URI 20 annotation annotation ENITAB 2010

21. Ontologies de Données: Composants 21 Classe Term Instance Relation hasLabel Property Semantic Relation isInstanceOf hasID hasArgument hasArgument hasName hasName 1 1 * 1 * * * * 1 * 1 1 Instance Relation Natural language Definition * 1 ENITAB 2010

22. Ontologies de Données: Exemple GIEA 22 ENITAB 2010

23. Ontologies de Données: Exemple SANDRE 23 Périmetre d’épandage Zone homogene Produit Parcelle du périmètre Exploitation agricole Champ Parcelle culturale Parcelle d’épandage Unité culturale Parcelle épandue Parcelle prévue ENITAB 2010

24. Ontologies de Données: Exemple OTAG ENITAB 2010 24

25. Ontologie de données: Format XML  Unified Modeling Language (UML)  XML Metadata Interchange (XMI)  http://www.omg.org/technology/documents/formal/xmi.htm  Geographic Markup Language (GML)  http://www.opengis.net/gml/ ENITAB 2010 25

26. Interopérabilité de Données: Format d’échange de données Blue data Blue system Green data Green system Red data Red system Standard d’échange de données Ontologie de Données 26 Project: SYGEMO, SIE Pesticide ENITAB 2010

27. Interopérabilité des modèles UML Stage de Marc Zimmermann soutenue en sept 2010  Au Cemagref les modèles de données sont décrit avec UML à l’aide d’Ateliers de Génie Logiciel (AGL) :  décrire les modèles grâce à UML  générer du code  stocker le modèle dans un fichier XMI 27 ENITAB 2010

28. Interopérabilité des modèles UML: Problème  Evolution de la norme UML (1.3, 1.4, 2.0, 2.1,…)  Evolution de la norme XMI (1.0, 1.1, 1.2, 2.0, 2.1,…)  1 modèle UML = 1 version de UML + 1 version de XMI  De nombreux AGL (dans plusieurs versions) sont utilisés par des agents du CEMAGREF Est-ce qu’un modèle généré à Anthony en 1998 peut être utilisé à Clermont en 2010 ? Interopérabilité ? 28 ENITAB 2010

29. Interopérabilité des modèles UML: Problème  Réseau des AGL utilisés au CEMAGREF

30. Interopérabilité des modèles UML: Solution UML (XMI) UML (XMI)ontologie (OWL)  Construire le workflow XML pour l’interopérabilité des données  Application Model Ontology StyleSheet Transformation (MOST) disponible  XML, XMI, XSLT, OWL 30 ENITAB 2010

31. 31 Interopérabilité des modèles UML: Conclusion Modèles de données incorrectes  Mauvaise sérialisation en XMI des AGL: • XML non conforme • L’instance XMI ne suit pas la DTD ou le XSD associé à la norme UML • Le norme UML 2.1 semble être plus stable.  Mauvaise modélisation des utilisateurs • Redéfinition de type simple, • Utilisation de classes non définies • Redéfinition d’attributs déjà existants: name, label, nom, id • Manque de commentaires • Manque de modularité ENITAB 2010

32. 32 Interopérabilité des modèles UML: Conclusion Correction des modèles  par transformation des erreurs types (antipatrons)  Définir des bonnes pratiques (patrons de conception): • Modèles de données de qualité et validé • Normaliser le vocabulaire • Réutilisable et combinable (modularité) • Consensuel: Fusionner des modèles existants ENITAB 2010

33. Ontologies Logiques: Composants 33 Classe Term Instance Relation hasLabel Property Semantic Relation Natural language Definition Logical formula isInstanceOf hasID hasArgument hasArgument hasName hasName * * * 1 * * 1 1 * * ** 1 * * * Instance Relation ENITAB 2010

34. Ontologies Logiques: Exemple Hydrontology 34 ENITAB 2010

38. Ontologies Logiques: Exemple Relations topologiques définies par l’utilisateur NTPP (object1, object2) EC (object2, object3) NTPP (object3, object4) … code generator Fichiers de configuration Transformation rules <owl:Class rdf:about="#object1 "> <rdfs:subClassOf rdf:resource="#i_object2"/> <rdfs:subClassOf rdf:resource="&owl;Thing"/> </owl:Class> Ontologie logique object1 object6 Protégé + DIG reasoner 6 1 3 52 4 Liste des incohérences Validation automatique de contraintes topologiques 38 ENITAB 2010

39. Ontologies Logiques: : format OWL: Ontology Web Language  OWL Lite  OWL DL  OWL Full 39 www.w3.org 2007 ENITAB 2010

40. Interopérabilité d’Objets: médiation et intégration de bases de données Blue data Green data Red data query retrieve Wrapper for the Blue DB local schema Wrapper for the Red DB Mediator mapping local schema Mediated virtual database local schema Global schema 40 FORUM project ENITAB 2010

41. Interopérabilité d’Objets: médiation et intégration de bases de données 41 query retrieve PhenomenOntology Mapping blue database blue database Gomez-Pérez, A Ramos Gargantilla JA, Rodríguez Pascual A, Vilches Blázquez LM (2008). The IGN-E case: Integrating through a hidden ontology Lecture notes in geoinformation and cartography p 417-434 IGN-E project : the Phenomen Ontology ENITAB 2010

42. Conclusion 42Increasing Interoperability Capability IncreasingKnowledge Lexical Interoperability Data Interoperability Knowledge Model Interoperability Object Interoperability List Thesaurus Taxonomy Conceptual Model Logical Theory Controlled Vocabulary Glossary UML DB Schema XML Schema ER Model OWL Description Logic Lexical Database RDF SKOS ENITAB 2010

43. Ontologies = des choix 1. Choix des traitements/ usage: pourquoi faire? 2. K partagée   consensus sur un domaine  Théorie minimale pour comprendre le domaine 3. Modélisation  Choisir des concepts  Choisir des invariants ou primitives qui permettent de différencier les concepts les uns des autres • propriétés • relations   construire une taxonomie (une hiérarchie) 4. Nommer les éléments  Vocabulaire normalisé 5. Formalisme:  choix d’un langage capable d’effectuer les traitements demandé en 1. 43 ENITAB 2010

44. Méthodes de construction d’ontologies Cycle de vie en plusieurs étapes 1. Spécification 2. Acquisition de Connaissances 3. Formalisation 4. Évaluation 5. Documentation 44 ENITAB 2010

45. Spécification  a quoi va servir l’ontologie?  Identifier le but de l’application  limiter le domaine  les objets  les usagers, les points de vues  les sources documentaires  Les autres ontologies  Trouver les questions auxquelles devra répondre l’ontologie.  Trouver les scénarios d’utilisation des connaissances 45 ENITAB 2010

46. Acquisition des connaissances  Réutiliser des ontologies existantes  top level ontology  Ontologie d’une partie du domaine ex. ontologie des unités  Identifier les termes importants  normaliser le vocabulaire  Identifier les concepts et les relations du domaine  Définition écrite en Langue Naturelle  Trouver les conditions minimales et suffisantes pour dire qu’un objet appartient à une classe donnée.  Trouver les différences entre classes sœurs et classe mère/ classe fille  Stratégie différente suivant les sources étudiées:  Thesaurus,  Base de données,  texte etc… 46 ENITAB 2010

47. Construire la taxonomie de concepts  Hiérarchie avec une relation is a ou relation de subsomption  3 stratégies pour identifier les concepts  Bottom-up :  spécialisé  général,  concepts très détaillés pas nécessairement utiles  Top-down:  général  spécialisé,  facilite la cohérence et la réutilisation mais dirige la conception suivant un point de vue  Middle-out:  concept important  spécialisé, général;  ontologies modulaires, facilite la stabilité des résultats 47 ENITAB 2010

48. Formalisation  Coder l’ontologie dans un langage formel  des outils: Protégé, Kaon, OntoEdit …  Trouver les classes, les attributs, les types, les contraintes  Peupler l’ontologie: instancier les classes  base de connaissances 48 ENITAB 2010

49. Evaluation  Construction d’ontologie: un domaine récent  Valider la taxonomie:  Pas de cycle  Toutes les instances d’une classe sont aussi les instances de la classe mère  Hiérarchie homogène: pas de classe isolée, pas de listes de sous classes trop importante  Tester l’application  Répondre aux questions de la phase de spécification 49 ENITAB 2010

50. Documentation  Donner des explications  Expliquer les choix de modélisation  Définition en langage naturel  Concepts, propriétés, relations, contraintes  Lier les concepts aux sources dont sont issues les définitions 50 ENITAB 2010

51. Conclusion  Toutes les méthodes sont faites pour des experts en ontologies qui communiquent avec des experts du domaine  La phase d’acquisition des connaissances est la plus longue et la plus fastidieuse.  Écrire une ontologie valide n’est pas évident  Différence entre un concept et un terme, une instance et une classe, …  Trouver un consensus entre experts du domaine  La relation partie-de n’est pas la relation hiérarchique de la taxonomie 51 ENITAB 2010

52. Bibliographie sur la construction d’ontologies  Outils  Neon Toolkit  KAON  Protégé  …  Article de Références  Gómez-Pérez, A. (1998). Knowledge sharing and reuse. Handbook of Applied Expert Systems. Liebowitz, editor, CRC Press.  Gómez-Pérez, A., Fernandez-Lopéz, M., Corcho, 0 (2003). Ontological Engineering, Springer Editor.  Uschold, M. and Gruninger, M. (1996). Ontologies: Principles, Methods and Applications. Knowledge Engineering Review 11(2)  Gruber, T. R. Toward principles for the design of ontologies used for knowledge sharing. Padova, Italy, 1992. 52 ENITAB 2010

53. Conclusion: réutilisation de connaissances? Fichier XMI Ontologie de données Fichier OWL « ontologie logique » Extraction Enrichissement Fichier OWL amélioré Détection d’erreurs 53 ENITAB 2010 Construction d’une ontologie logique à partir d’une ontologie de données.  Extraction des concepts et de leurs relations à partir des classes et des associations  Enrichissement à partir des commentaires et de la documentations de chaque classe: contraintes, détection d’erreurs, ajout de nouveaux concepts  Vérification de la cohérence du modèle final

54. Ontologies in Agriculture Catherine ROUSSEY Vincent SOULIGNAC, François PINET, Jean-Claude CHAMPOMIER, Vincent ABT, Jean-Pierre CHANET, Stephan BERNARD, Marc Zimmermann