Vers lIntuition Artificielle HABILITATION À DIRIGER LES PDF

Bulletin de lAFIA

Oct 10 2021 récompensant des travaux de thèse brillants dans le domaine de l'IA. ... fense & IA)

De lIngénierie des Besoins à lIngénierie des Exigences: Vers une

May 26 2016 1.3 Conclusion : problématique RESULIS et objectifs des travaux . ... contrat CIFRE en partenariat avec le Laboratoire LGI2P de l'école des.

Thèse Docteur de lUniversité Henri Poincaré Nancy I

LGI2P. Bernard RIERA. Professeur à l'Université de Reims Champagne Ardenne. CReSTIC convention CIFRE entre l'Université Henry Poincaré (UHP) de Nancy ...

Thèse Docteur de lUniversité Henri Poincaré Nancy I

LGI2P. Bernard RIERA. Professeur à l'Université de Reims Champagne Ardenne. CReSTIC convention CIFRE entre l'Université Henry Poincaré (UHP) de Nancy ...

Vers lIntuition Artificielle HABILITATION À DIRIGER LES

Dec 11 2020 thèse : la fouille de données et plus spécifiquement l'Analyse Formelle de ... commune car le sujet manque de cohérence et de méthodes

Les CIFRE enseignementsup-recherchegouvfr

autant de motivations supplémentaires qui ont conduit Sopra Steria à proposer ce sujet de thèse avec son partenaire de longue date l’ENAC Objectifs L’objet de cette thèse est de considérer le transport à l’échelle de l’individu dans une démarche multimodale globale Au cours de cette thèse nous proposons de nous poser les

Guide de la CIFRE - Pantheon-Sorbonne

Contexte de réalisation du guide La thèse CIFRE (Convention Industrielle de Formation par la REcherche) est un dispositif de financement de la recherche qui permet à un·e doctorant·e de réaliser une thèse dans une entreprise ou une structure d’accueil Ce financement n’est pas sans impact sur la structuration

Vers lIntuition Artificielle HABILITATION À DIRIGER LES

HABILITATION À DIRIGER LES RECHERCHES

DE L"UNIVERSITÉ BOURGOGNE FRANCHE-COMTÉ

PRÉPARÉE À L"UNIVERSITÉ DE BOURGOGNE

École doctorale n°37

Sciences Pour l"Ingénieur et Microtechniques

par

AURÉLIEBERTAUX

Vers l"Intuition Artificielle

Thèse présentée et soutenue à Dijon, le 25/11/2019

Composition du Jury :

NICOLLECHRISTOPHEProfesseur à l"Université de Bourgogne Parrain KOUKAMABDERRAFIAAProfesseur à l"Université de Technologie de

Belfort MontbéliardPrésident

SEDESFLORENCEProfesseur à l"Université Paul Sabatier Toulouse

IIIRapporteur

WEMMERTCÉDRICProfesseur à l"Université de Strasbourg Rapporteur TEISSEIREMAGUELONNEDirectrice de Recherche à l"Institut national de recherche en sciences et technologies pour l"environnement et l"agricultureRapporteur N XXX

école doctorale sciences pour l'ingénieur et microtechniquesUniversité Bourgogne Franche-Comté

32, avenue de l"Observatoire

25000 Besançon, FranceTitle: Towards Artificial Intuition

Keywords:Data Mining, Formal Concepts Analysis, Graph, Ontology, Big Data, Multidimensional, Fuzzy,

LabelingAbstract:

This document presents an exploration of the

concepts of Artificial Intuition and proposes a positioning not interested in the cybernetization of human intuition but in the development of a machine- specific intuition.

The approach is broken down into four stages

by presenting the locks, the constraints and the tools to implement it. These steps are: (i) the collection and management of data in consideration of their volume, heterogeneity and relevance; (ii)the creation of a knowledge base from these data by adapted Formal Concepts Analysis methods to handle volume and multidimensional locks; (iii) the definition and algorithms to allow Artificial Intuition to be formed from this knowledge and (iv) the means to understand and express this Intuition to the user in a form that he can understand by a qualification process of knowledge, the proof of its veracity and the automation of the process adapted to the considered knowledge.Titre : Vers L"Intuition Artificielle Mots-clés :Fouille de données, Analyse Formelle de Concepts, Graphe, Ontologie, Big Data, Multidimensionnel, Flou, LabelisationRésumé : Ce document présente une exploration des concepts de l"Intuition Artificielle et propose un positionnement s"intéressant non pas à la cybernétisation de l"intuition humaine mais au développement d"une intuition propre à la machine. L"approche est décomposée en quatre étapes en présentant les verrous, les contraintes et les outils pour la mettre en oeuvre. Ces étapes sont : (i) la collecte et la gestion des données en considération de leur volume, de leur hétérogénéité et de leur pertinence; (ii) la création d"un socle de connaissances à partir de ces données pardes méthodes d"Analyse Formelle de Concepts modifiées pour traiter des verrous de volume et de multidimensionalité; (iii) la définition et des algorithmes pour permettre à l"Intuition Artificielle de se former à partir de ces connaissances et (iv) le moyen de comprendre et d"exprimer cette Intuition à l"utilisateur dans une forme qu"il peut comprendre par un processus de qualification de la connaissance, de preuve de sa véracité et l"automatisation du processus adapté à la connaissance considérée.

Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3

Qu"est ce que l"Intuition Artificielle ?

En sciences cognitives

En informatique

8 Les approches pour l"implémentation de l"Intuition Artificielle 8 Intégrations retentissantes de l"Intuition à l"Intelligence 10

Démarche du MIT

Démarche de Google

Mon positionnement

Intuition versus Logique

11 Caractéristiques et verrous de l"Intuition Artificielle 12 I L"Analyse Formelle de Concepts et ses évolutions 15

1 Fouille de données et FCA

1.1 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.1 Les grandes étapes . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1.2 Les familles de data mining . . . . . . . . . . . . . . . . . . . . . . .

1.1.3 Supervisé (ou guidé par l"expert) . . . . . . . . . . . . . . . . . . . .

1.1.4 Non supervisé (ou guidé par les données) . . . . . . . . . . . . . . .

1.1.5 Semi Supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2 Analyse Formelle de Concepts . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.1 Diagramme de Hasse . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.2 Principe de dualité des ensembles ordonnés . . . . . . . . . . . . .

1.2.3 Treillis et propriétés des treillis . . . . . . . . . . . . . . . . . . . . .

1.2.4 Approche algébrique . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.4.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.4.2 Eléments particulier . . . . . . . . . . . . . . . . . . . . . .

1.2.5 Treillis de Galois . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24
v viCONTENTS

1.2.6 Analyse de Concepts Formels . . . . . . . . . . . . . . . . . . . . .

1.2.6.1 Contexte formel . . . . . . . . . . . . . . . . . . . . . . . .

1.2.6.2 Ordre sur les concepts . . . . . . . . . . . . . . . . . . . .

1.2.6.3 Représentation des treillis et héritage . . . . . . . . . . . .

1.2.7 Treillis sur des contextes non triviaux . . . . . . . . . . . . . . . . . .

1.2.7.1 Contexte multivalué . . . . . . . . . . . . . . . . . . . . . .

1.2.7.2 Structures de patrons . . . . . . . . . . . . . . . . . . . . .

1.2.7.3 Contexte flou . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.8 Connexion de Galois par similarité . . . . . . . . . . . . . . . . . . .

1.3 Règles d"association . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Ma thèse : FCA multivaluée floue

2.1 Traitement binaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.1 Binarisation par disjonction totale . . . . . . . . . . . . . . . . . . . .

2.1.2 Binarisation par échelonnage histogramme . . . . . . . . . . . . . .

2.1.3 Application à la hydrobiologie . . . . . . . . . . . . . . . . . . . . . .

2.2 Traitement flou . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4 Discussion et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Extension de la FCA vers la multidimensionnalité

3.1 Considération de la FCA dans le paradigme des graphes . . . . . . . . . .

3.1.1 Analyse Formelle de Concepts Multidimensionnelle . . . . . . . . .

3.1.2 Transcription en théorie des graphes . . . . . . . . . . . . . . . . . .

3.1.3 Considération des graphes k-partis en tant que contextes . . . . . .

3.1.3.1 Définition des concepts . . . . . . . . . . . . . . . . . . . .

3.1.3.2 Structurer les concepts . . . . . . . . . . . . . . . . . . . .

3.1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2 Représentation condensée des règles d"associationnaire. . . . . . . . .45

3.2.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.2 Matrices, tenseurs et fermetures . . . . . . . . . . . . . . . . . . . .

3.2.3 Règles d"association dans le cas bidimensionnel . . . . . . . . . . .

3.2.4 Règles d"association dans le cas multidimensionnel . . . . . . . . .

3.2.5 Transformations de tenseurs . . . . . . . . . . . . . . . . . . . . . .

3.2.6 Dériver les confiances des règles . . . . . . . . . . . . . . . . . . .

3.2.7 Règles entre associations de différents domaines . . . . . . . . . .

CONTENTSvii

3.2.8 Bases des règles d"association . . . . . . . . . . . . . . . . . . . . .

3.2.9 Algorithmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.10 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Conclusion

61
II nk-Correlated Sample Graph au coeur de l"Intuition Artificielle 63

5 L"Analyse de graphes

5.1 Les graphes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2 Autres travaux intéressants pour l"Intuition Artificielle . . . . . . . . . . . . .

5.2.1 Notion de "connexion" . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.1.1 Connection de sous-graphes . . . . . . . . . . . . . . . . .

5.2.1.2 Link mining ou étude des connexions . . . . . . . . . . . .

5.2.2 Communauté de graphes versus échantillon de graphe . . . . . . .

5.2.3 Distance k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.3.1 Proximité de réseau . . . . . . . . . . . . . . . . . . . . . .

5.2.3.2 Inférence confiante ou trust inference . . . . . . . . . . . .

5.2.4 Nombre n de relations à extraire . . . . . . . . . . . . . . . . . . . .

5.2.4.1 n-CSDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.4.2 k-NN ou k plus proches voisins . . . . . . . . . . . . . . . .

6 nk-CSG pour identifier les relations manquantes

6.1 Approche des matrices polynomiales pour extraire les nk-correlated sam-

ple graphs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

6.2 Matrice polynomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.3 Matrice polynomiale pour une collection de graphes . . . . . . . . . . . . .

6.4 Processus d"extraction du nk-correlated sample graph . . . . . . . . . . . .

6.4.1 Construire la matrice polynomiale . . . . . . . . . . . . . . . . . . .

6.4.2 extraction du nk-correlated sample graph . . . . . . . . . . . . . . .

6.5 Méthode de multiplication de matrices d"intersection non nulle . . . . . . . .

6.5.1 Créer la table "Lignes" . . . . . . . . . . . . . . . . . . . . . . . . . .

6.5.2 Créer la table "Colonnes" . . . . . . . . . . . . . . . . . . . . . . . .

6.5.3 Calculer la matrice d"intersection . . . . . . . . . . . . . . . . . . . .

6.6 Algorithme d"intersection non nulle et complexité . . . . . . . . . . . . . . .

6.6.1 Algorithme d"intersection non nulle . . . . . . . . . . . . . . . . . . .

78
viiiCONTENTS

6.6.2 Cas particuliers pour des optimisations de temps de calcul . . . . .

6.6.3 Complexité de l"algorithme de multiplication d"intersection non nul .

6.6.4 Complexité de la méthode du polynôme de matrices . . . . . . . . .

6.6.5 Sémantique de la pondération dans le cadre des relations directes

ou indirectes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.7 Expérimentations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.8 Conclusion et améliorations . . . . . . . . . . . . . . . . . . . . . . . . . . .

III Les données

7 Le Volume et la Pertinence des données

7.1 Classification hiérarchique multi-étiquette . . . . . . . . . . . . . . . . . . .

7.2 Apprentissage non supervisé d"une ontologie . . . . . . . . . . . . . . . . .

7.2.1 Indexation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.2.2 Vectorisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.2.3 Hiérarchisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.3 Classification basée sur un moteur de raisonnement . . . . . . . . . . . . .

7.3.1 Résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.3.2 Réalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.4 architecture SEMXDM pour crawler et classifier . . . . . . . . . . . . . . . .

7.4.1 Module de recommandation . . . . . . . . . . . . . . . . . . . . . . .

100

7.4.2 Module de recherche . . . . . . . . . . . . . . . . . . . . . . . . . .

101

7.4.3 Module de classification . . . . . . . . . . . . . . . . . . . . . . . . .

101

7.4.3.1 Peuplement . . . . . . . . . . . . . . . . . . . . . . . . . .

102

7.4.3.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . .

102

7.4.4 Module de Maintenance . . . . . . . . . . . . . . . . . . . . . . . . .

103

7.4.5 Module de priorité . . . . . . . . . . . . . . . . . . . . . . . . . . . .

104

7.4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

106

8 L"Hétérogénéité des données

109

8.1 Modèles "unificateur" et "intégrateur" . . . . . . . . . . . . . . . . . . . . . .111

8.1.1 Modèle "unificateur" . . . . . . . . . . . . . . . . . . . . . . . . . . .111

8.1.2 Modèle "intégrateur" . . . . . . . . . . . . . . . . . . . . . . . . . . .113

8.1.2.1 Les facettes des ressources conceptuelles . . . . . . . . .

113

CONTENTSix

8.1.2.2 Formalisation du modèle intégrateur . . . . . . . . . . . . .

114

8.2 Processus d"intégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

120

8.2.1 Processus d"alimentation du modèle intégrateur . . . . . . . . . . .

120

8.2.2 Indexation des items . . . . . . . . . . . . . . . . . . . . . . . . . . .

121

8.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

122

9 Conclusion

127

IV La sémantique pour comprendre et s"exprimer

129

10 Mesures de similarité sémantique basées sur les graphes

133

10.1 Vue d"ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

134

10.2 Mesures sémantiques basées sur la connaissance . . . . . . . . . . . . . .

137

10.2.1 Mesures structurelles . . . . . . . . . . . . . . . . . . . . . . . . . .

137

10.2.2 Mesures basées sur les caractéristiques des graphes . . . . . . . .

138

10.3 MSS basée sur plusieurs relations conceptuelles . . . . . . . . . . . . . . .

140

10.4 MSS pour la comparaison de graphes RDF . . . . . . . . . . . . . . . . . .

140

11 La qualification des connaissances par le nommage de concepts

143

11.1 L"approche et ses verrous . . . . . . . . . . . . . . . . . . . . . . . . . . . .

144

11.1.1 Ambiguïté des mots . . . . . . . . . . . . . . . . . . . . . . . . . . .

145

11.1.2 Plusieurs LCHs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

146

11.1.3 Informations manquantes dans WordNet . . . . . . . . . . . . . . .

146

11.1.4 Même nom pour plusieurs concepts . . . . . . . . . . . . . . . . . .

147

11.1.5 Objets avec un nom composé . . . . . . . . . . . . . . . . . . . . . .

147

11.2 Approches alternatives : extraction de nouvelles descriptions . . . . . . . .

147

11.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

148

12 Construction automatique d"ontologie à partir des données

149

12.1 Etat de l"art sur la construction d"ontologies à partir des données . . . . . .

149

12.2 Construction d"une ontologie basée sur les données . . . . . . . . . . . . .

151

12.2.1 La structure ontologique . . . . . . . . . . . . . . . . . . . . . . . . .

151

12.2.2 Le raisonnement ontologique. . . . . . . . . . . . . . . . . . . . . . .

152

12.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

153

13 La Véracité des conclusions

157

13.1 Définition formelle d"une scène de crime. . . . . . . . . . . . . . . . . . . .

158
xCONTENTS

13.2 Relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

159

13.3 Opérateurs formels pour la reconstruction d"événements . . . . . . . . . . .

162

13.3.1 Opérateurs d"analyse . . . . . . . . . . . . . . . . . . . . . . . . . .

quotesdbs_dbs31.pdfusesText_37

[PDF] EXEMPLES DE QUESTIONS

[PDF] COLLÈGE D ENSEIGNEMENT GÉNÉRAL ET PROFESSIONNEL MARIE-VICTORIN. Politique numéro 33 POLITIQUE D INTERNATIONALISATION DE LA FORMATION

[PDF] COMMISSION WALLONNE POUR L ENERGIE. revue le 8 juillet 2009 et le 6 janvier 2012)

[PDF] Edito. Bonnes grandes vacances. Armelle NICOLAS Maire d Inzinzac-Lochrist

[PDF] GESTOrama. Un support informatique professionnel pour la gestion des risques. Un produit. ERGOrama SA

[PDF] Pôle départemental de lutte contre l habitat indigne

[PDF] Premiers consommateurs d antidépresseurs dans le

[PDF] ANIMATEURS NUMERIQUES DE TERRITOIRE

[PDF] Equipe : N. Université Paul Sabatier Toulouse III Division de l Achat Public

[PDF] Bénévolat-Vaud en faveur du bénévolat. Les principes de base du bénévolat

[PDF] SESSION 2009 DOSSIER

[PDF] Diag. e-tourisme. & L Office de Tourisme Mende Coeur de Lozère. Contact presse : Cyril Duclos. présentent

[PDF] LE ROLE DES ECOLES D INGENIEURS DANS LE DEVELOPPEMENT DES PME PMI. L EXEMPLE DE L UTC

[PDF] Dossier de presse. Animation numérique de territoire

[PDF] Pré-diagnostic du Développement Durable

[PDF] Vers lIntuition Artificielle HABILITATION À DIRIGER LES