Direction de recherche : Christophe GONZALES

Co-encadrement : WUILLEMIN Pierre-Henri, BONNARD Philippe, DE SAINTE MARIE Christian

Raisonnement incertain pour les règles métiers

Nous étudions dans cette thèse la gestion des incertitudes au sein des systèmes à base de règles métier orientés objet (Object-Oriented Business Rules Management Systems ou OO-BRMS) et nous nous intersessions à des approches probabilistes. Afin de faciliter la modélisation des distributions de probabilités dans ces systèmes, nous proposons d’utiliser les modèles probabilistes relationnels (Probabilistic Relational Models ou PRM), qui sont une extension orientée objet des réseaux bayésiens.
Lors de l’exploitation des OO-BRMS, les requêtes adressées aux PRM sont nombreuses et les réponses doivent être calculées rapidement. Pour cela, nous proposons, dans la première partie de cette thèse, un nouvel algorithme tirant parti de deux spécificités des OO-BRMS. Premièrement, les requêtes de ces derniers s’adressent seulement à une sous partie de leur base. Par conséquent, les probabilités à calculer ne concernent que des sous-ensembles de toutes les variables aléatoires des PRM. Deuxièmement, les requêtes successives diffèrent peu les unes des autres. Notre algorithme exploite ces deux spécificités afin d’optimiser les calculs. Nous prouvons mathématiquement que notre approche fournit des résultats exacts et montrons son efficacité via des résultats expérimentaux.
Lors de la deuxième partie, nous établissons des principes permettant d’étendre les OO-BRMS pour garantir une meilleure inter-operabilité avec les PRM. Nous appliquons ensuite notre approche au cas d’IBM perational Decisions Manager (ODM) dans le cadre d’un prototype développé, que nous décrivons de manière générale.
Enfin, nous présentons des techniques avancées permettant de compiler des expressions du langage technique d’ODM pour faciliter leur exploitation par le moteur probabiliste des PRM et nous terminons par une discussion sur des perspectives de recherche.

Publications 2014-2018

• 2018
  • H. Agli, Ph. Bonnard, Ch. Gonzales, P.‑H. Wuillemin : “Inférence incrémentale pour les modèles probabilistes relationnels et application aux systèmes à base de règles orientés objet”, Revue des Sciences et Technologies de l'Information - Série RIA : Revue d'Intelligence Artificielle, vol. 32 (1), Réseaux bayésiens et modèles probabilistes, pp. 111-132, (Lavoisier) (2018)
• 2017
  • H. Agli : “Raisonnement incertain pour les règles métiers”, thèse, soutenance 20/07/2017, direction de recherche Gonzales, Christophe, co-encadrement : Wuillemin, Pierre-Henri, Bonnard, Philippe, De, SAINTE MARIE Christian (2017)
• 2016
  • H. Agli, Ph. Bonnard, Ch. Gonzales, P.‑H. Wuillemin : “Un algorithme d’arbre de jonction incrémental”, 8^es journées francophones de réseaux bayésiens (JFRB 2016), Clermont-Ferrand, France (2016)
  • H. Agli, Ph. Bonnard, Ch. Gonzales, P.‑H. Wuillemin : “Business Rules Uncertainty Management with Probabilistic Relational Models”, RuleML16, Stony Brook, New York, United States (2016)
  • H. Agli, Ph. Bonnard, Ch. Gonzales, P.‑H. Wuillemin : “Incremental Junction Tree Inference”, IPMU16, Eindhoven, Netherlands (2016)
• 2014
  • H. Agli, Ph. Bonnard, Ch. Gonzales, P.‑H. Wuillemin : “Uncertain Reasoning for Business Rules”, RuleML doctoral consortium, vol. 1211, CEUR Workshop Proceedings, Prague, Czechia, (CEUR-WS.org) (2014)