Gestion de l’incertainTaha Zerrouki
Université de Bouira
http://infobouirauniv.wordpress.com
Plan
● Vision Bayésienne des Probabilités● Réseaux Bayésiens et Extensions ● Modèles Probabilistes Temporels et Filtrage Bayésien
● Processus de Décision de Markov et Apprentissage par Renforcement
Incertitude
● L’incertitude apparaît dans plusieurs tâches:
– Informations incomplètes–Règles avec exceptions–Observations avec des “bruits”
etc
Incertitude
● L’incertitude apparaît dans plusieurs tâches:
– Informations incomplètes
•Clientsnom prénom sexe age adress
Faci Mohamed M 15 Bouira
Boudjemaa
Abdo M Lakhdaria
Tami Fatima ? 25 Bachloul
Incertitude
● L’incertitude apparaît dans plusieurs tâches:
–Règles avec exceptionsالسام المؤنث ينتهي بتاء مربوطة–ما عدا–
ساعاد•حمزة، أساامة، •
Traitement de l’incertitude
● Ignorer l’incertitude (logique classique)
● Construire un modèle qui décrit l’incertitude sur – l’état du système
– sa dynamique
– les observations
Comment representer l’incertitude?
On a besoin de répondre à certaines questions:● Ce qu’on veut représenter et comment le
représenter ?● Que pouvons-nous faire avec ces
représentations?● Comment construire une représentation ?
Comment representer l’incertitude?
On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le
représenter ?– Quel langage utiliser pour la représentation de l’incertitude?
– Quelle est la sémantique de la représentation?● Que pouvons-nous faire avec ces représentations?
● Comment construire une représentation?
Comment representer l’incertitude?
On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le représenter ?
● Que pouvons-nous faire avec ces représentations?– Quelles questions peuvent être répondues?
– Comment peut on y répondre?● Comment construire une représentation?
Comment representer l’incertitude?
On a besoin de repondre à certaines questions:● Ce qu’on veut représenter et comment le représenter
● Que pouvons-nous faire avec ces représentations?
● Comment construire une représentation?– Pouvons-nous demander à un expert?
– Pouvons-nous apprendre à partir des données?
Théorie des probabilités
● Une très bonne théorie pour gérer et représenter les incertitudes
● Sémantique claire● Offre des réponses aux :– Combiner les évidences – Raisonnement Prédictive et diagnostique– Incorporer des nouvelles évidences
● Intuitive (à certain niveau) aux experts humain● Peut être appris
Théorie des probabilités
● Une très bonne théorie pour gérer et représenter les incertitudes
● Sémantique claire–
Théorie des probabilités
● Offre des réponses aux :– Combiner les évidances
– Raisonnement Prédictive et diagnostique
– Incorporer des nouvelles évidances
● Intuitive (à certain niveau) aux experts humain
●
Théorie des probabilités
● Offre des réponses aux :– Combiner les évidances
– Raisonnement Prédictive et diagnostique
– Incorporer des nouvelles évidances
● Intuitive (à certain niveau) aux experts humain
●
Les modèles graphiques probabilistes
- Appelés aussi Réseaux “causaux”
- Outils importants pour la représentation et l’analyse des informations incertaines dans les systèmes de base de connaissances
Représentation des probabilités
● Une représentation simple des proba● Exemple:– Un Patient à l’hopital peut être décrit par les propriétés :• Background: age, genre, historique, …• Symptoms: fievre, tension, • Problème: pneumotique, cardiaque
Représentation pragmatique
● l’idée clé – exploiter les régularités
● Exploiter les propriétes d’independence conditionelle
Exemple37 variables, 509 parameters (instead of 237)
PCWP CO
HRBP
HREKG HRSAT
ERRCAUTERHRHISTORY
CATECHOL
SAO2 EXPCO2
ARTCO2
VENTALV
VENTLUNG VENITUBE
DISCONNECT
MINVOLSET
VENTMACHKINKEDTUBEINTUBATIONPULMEMBOLUS
PAP SHUNT
ANAPHYLAXIS
MINOVL
PVSAT
FIO2
PRESS
INSUFFANESTHTPR
LVFAILURE
ERRBLOWOUTPUTSTROEVOLUMELVEDVOLUME
HYPOVOLEMIA
CVP
BP
Réseaux bayésiens
L'émergence des réseaux causaux probabilistes est dûe:• Limites des systèmes experts• Logique probabiliste
But: Développer un outil simple et efficace pour:• Représentation d'informations incertaines (probabilistes)"Si l'événement A est vraie, alors la probabilité d'avoir B est "• Raisonnement• Décision• Révision des croyances
Réseaux bayésiens
L'émergence des réseaux causaux probabilistes est dûe:• Limites des systèmes experts• Logique probabiliste
But: Développer un outil simple et efficace pour:• Représentation d'informations incertaines (probabilistes)"Si l'événement A est vraie, alors la probabilité d'avoir B est "• Raisonnement• Décision• Révision des croyances
Composante qualitative• Structure graphique
– Graphe acyclique orienté (DAG)– Influence et Indépendance
Outils utilisés
Composante quantitative • Théorie des probabilités
–Incertitude –Indépendance
Applications “réelles” des Réseaux Bayésiens
MicrosoftMicrosoft
Windows : identification de problèmes d'impression (LUMIERE)
Office : l'agent Office Assistant (LUMIERE)
NASA : aide au diagnostic de pannes en temps réel pour les systèmes de propulsion de la navette spatiale (VISTA)
IndustrieIndustrie : Système expert de diagnostic pour les photocopieurs (FIXIT): après diagnostic, le système fournit les manuels de maintenances nécessaires.
DiagnosticDiagnostic médicalmédical : Aide à l'évaluation de la gravité chez des patients atteints de douleurs thoraciques, consultant aux urgences.
PrédictionPrédiction : AT&T, détection de fraudes (mauvais payeurs) sur les factures de téléphone.
Diagnostique médical
● Déterminer la maladie d’un patient sachant des symptômes.
● Monter les symptômes d’une maladie
SexeAge
FumerExposé
aux toxique
Cancer
Tumeur pneumatiqueManque
de calcium
Diagnostique médical
● PathFinder [ 1992]
● Un programme basé sur les réseaux bayésiens,
● Il est en accord avec les experts 50 fois sur 53
● Prédictions aussi bonnes que celles des experts qui on développé le système.
Diagnostique Informatique
● MicrosoftMicrosoft
– Windows : identification de problèmes d'impression
– Office : l'agent Office Assistant
Diagnostique Informatique
● MicrosoftMicrosoft
– Windows : identification de problèmes d'impression
– Office : l'agent Office Assistant
Autres applications
● NASA : aide au diagnostic de pannes en temps réel pour les systèmes de propulsion de la navette spatiale (VISTA)
● IndustrieIndustrie : Système expert de diagnostic pour les photocopieurs
● PrédictionPrédiction : AT&T, détection de fraudes (mauvais payeurs) sur les factures de téléphone.
● Classification des documents :
– Détection des courriers indésirables SPAM
Références
● Références (Livres et polycopiés, sites internet, etc)● 1. J. Pearl. Probabilistic Reasoning in Intelligent Systems.
Morgan Kaufman, San● Mateo, California, 1988.● 2. F.V. Jensen. Bayesian Networks and Decision Graphs.
Springer‐Verlag, 2000● 3. O. Sigaud and O. Buffet. Processus Décisionnels de
Markov en Intelligence● Artificielle ‐ Tome 1 : Principes Généraux et Applications.
Lavoisier, 2008