Applications de NéOpus


L'application principale de NéOpus est le système NéoGanesh développé par Michel Dojat pour sa thèse (Dojat 1994). Ce système, qui fonctionne en boucle fermée, a comme but de contrôler des respirateurs dans les unités de soin intensifs. Ces appareils produisent une aide respiratoire à des patients incapables de respirer tout seul. Leur réglage nécessite une expertise médicale complexe, faisant intervenir un raisonnement temporel abstrait à partir de données brutes (pression en oxygène recueillie sur le patient par des capteurs). De plus, le système effectue un raisonnement spécial dans le but de sevrer les patients lorsque c'est possible.

Du point de vue de la représentation des connaissances, le système NéoGanesh met en œuvre tous les mécanismes de NéOpus : héritage de bases de règles, contrôle déclaratif, typage naturel des variables. En outre, un modèle temporel a été introduit par Michel Dojat, fondé sur deux types particulier de règles : agrégation et oubli (Dojat and Sayettat 1994). Ce modèle temporel s'implémente particulièrement aisément en NéOpus grâce à la combinaison de ces trois mécanismes. L'application a été l'objet de plusieurs développements et réflexions. Les aspects appliqués, et l'intégration dans un milieu réel ont été décrits dans (Dojat and Pachet 1992c). L'aspect réutilisable de l'architecture a été mis en avant dans (Dojat and Pachet 1992a; Dojat and Pachet 1992b). En particulier, nous avons montré comment la combinaison des mécanismes de représentation de NéOpus permettait d'atteindre une " réutilisabilité limitée ", que nous avons positionnée avec les positions épistémologiques courantes en informatique médicale (Dojat and Pachet 1995a). Enfin, nous avons développé l'idée que cette architecture permettait une représentation implicite, mais opérationnelle du contexte (Dojat and Pachet 1995b; Dojat and Pachet 1995c).

Une deuxième application importante de NéOpus est le système MétaGen, développé dans l'équipe Métafor du Laforia (Blain et al. 1994; et al. 1994). MétaGen est un outil incarnant les idées de G. Blain sur la métamodélisation. Partant de l'échec des ontologies réutilisables pour les objets dits " métiers " (i.e. non techniques), la métamodélisation consiste à prendre le contre-pied de la modélisation : ce qu'on cherche à faire est non pas de modéliser des objets, des classes ou des hiérarchies de concepts, mais de modéliser les langages dans lesquels ces concepts peuvent être décrits. Il s'agit alors de mettre en place un dialogue d'un type particulier dans lequel l'expert et l'informaticien s'expriment dans deux langages différents, et le système a comme tâche de transformer l'un en l'autre. Les modèles en Métagen sont exprimés par des classes Smalltalk (générées automatiquement à partir de descriptions graphiques), et NéOpus est utilisé pour spécifier les transformations entre ces modèles. Le séquencement des transformations est naturellement spécifié par des métabases. L'implémentation complète de MétaGen fait l'objet de la thèse de N. Revault (Revault 1996). MétaGen est utilisé pour modéliser divers systèmes d'informations, en particulier dans le domaine des bases de données (thèse de H. Sahraoui, (Sahraoui 1995)).

NéOpus est utilisé dans plusieurs applications musicales développées autour du système MusES. Le système d'analyse harmonique (and Pachet 1995; Pachet 1994f) (voir 5.2), est une application importante de NéOpus dans le domaine du raisonnement temporel, que nous comparons avec la partie temporelle du système NéoGanesh (Cf. 5.7). Le système de simulation d'improvisations de Geber Ramalho (Ramalho 1996b), basé sur une modélisation de la mémoire musicale sous forme de cas, utilise plusieurs bases de règles NéOpus pour identifier et combiner des cas. Toujours dans le domaine du raisonnement à partir de cas, signalons aussi la thèse de Sophie Rougegrez [Rougegrez, 1994 #87] sur l'utilisation de ces techniques pour la prédiction d'incendies, et qui utilise NéOpus pour transformer des cas.

Deux thèses ont été menées pour étudier l'extension de NéOpus vers la distribution et la concurrence. Celle de Z. Guessoum (Guessoum 1996) propose de réutiliser le modèle Actalk de Jean-Pierre Briot pour modéliser des " agents NéOpus ". Les problèmes de synchronisation de bases de règles y sont traités par la gestion d'un réseau de dépendances entre bases de règles. La thèse de (McAffer 1995) suit une autre direction et propose une architecture réflexive permettant de modifier la sémantique opérationnelle d'applications existantes. Son système est illustré notamment par une version concurrente de NéOpus.

NéOpus est utilisé dans divers projets de systèmes tutoriels. Le système Diapason a été développé pour l'apprentissage du diagnostic de pannes dans les réseaux EDF. NéOpus est utilisé dans DIAPASON pour le module de résolution de problèmes (Joab et al. 1995; Moinard 1994). Le système CardExp est un système expert traditionnel développé à l'Université de Montréal, pour la détection et le suivi de maladies cardio-vasculaires (Dufresne et al. 1995). La base de règles NéOpus comporte environ 300 règles. Un projet en cours consiste à connecter cette base de règles avec des bases de données de cas réel de l'hôpital de Montréal. Le projet Safari de l'Université de Montréal utilise NéOpus pour divers modules dont celui de génération de curriculum (NKambou 1995) (NKambou et al. 1995). Enfin NéOpus est utilisé dans l'architecture EpiTalk.

Sur une échelle plus réduite, NéOpus a été utilisé pour divers projets de recherche (thèses et DEA). Philippe Laublet a utilisé NéOpus pour construire un langage de représentation de connaissances mathématiques dans son système ForrEnMat (Laublet 1993; Laublet 1994). NéOpus a été utilisé pour piloter un système d'analyse d'images tomoscintigraphiques à l'hôpital de Nantes (Forte 1991; Forte et al. 1992). Isabelle Alvarez a développé un modèle d' " explications différentielles " en expérimentant avec des bases de règles NéOpus dans le domaine de l'agriculture au CEMAGREF. La thèse de (Benyahia 1994) utilise NéOpus pour modéliser des systèmes d'exploitation temps réel. Amel Benhouhou modélise des connaissances dans un système tutoriel intelligent pour l'aide à la décision dans les situations de crise avec NéOpus (Benhouhou 1993; Benhouhou 1996). Odile Fillod a montré que l'on pouvait construire des systèmes s'observant pour générer des règles dynamiquement afin de s'améliorer (Fillod 1995). Divers étudiants ont participé à des aspects particuliers du système comme l'implémentation des noeuds négatifs (Charbonnel 1990). Une application de NéOpus à la géométrie a été décrite dans (Pachet 1990).

Références

Benhouhou, A. (1993). “Un système de formation basé sur un simulateur et un générateur de scénarios.” ICO '93, Montréal, 29-36.

Benhouhou, A. (1996). “Une base de connaissances événementielle pour le guidage interactif des situations de crise,” Ph.D., Université Pierre & Marie Curie, Paris.

Benyahia, I. (1994). “Automatisation de la circulation des informations en temps réel,” Ph.D., Université Pierre & Marie Curie.

Blain, G., Revault, N., Sahraoui, H., and Perrot, J.-F. (1994). “A Metamodelization technique.” OOPSLA 94 Workshop on AI and Software Engineering, Portland.

Charbonnel, S. (1990). “Etude et réalisations de l'environnement du générateur de systèmes experts NéOpus,” Masters, CEMAGREF - Université de Nantes.

Dojat, M. (1994). “Contribution à la représentation d'expertises dynamiques médicales. Application en réanimation,” Ph.D., Université de technologie de Compiègne.

Dojat, M., and Pachet, F. (1992a). “NéoGanesh, un système extensible à base de connaissances pour la ventilation artificielle des patients.” Innovation et Technologie en Biologie et Medecine, 14, 267-279.

Dojat, M., and Pachet, F. (1992b). “NéoGanesh: an extendable Knowledge-Based System for the Control of Mechanical Ventilation.” 14th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Paris, 920-921.

Dojat, M., and Pachet, F. (1992c). “Representation of a Medical Expertise Using the Smalltalk environment: putting a prototype to work.” TOOLS Europe '7, G. Heeg, B. Magnusson, and B. Meyer, eds., Prentice-Hall, Dortmund (Germany), 379-389.

Dojat, M., and Pachet, F. (1995a). “Effective Domain-Dependent Reuse in Medical Knowledge Bases.” Computers and Biomedical Research(28), 403-432.

Dojat, M., and Pachet, F. (1995b). “Representing Medical Context Using Rule-Based Object-Oriented Programming Techniques.” Artificial Intelligence in Medicine Europe, Pavia (It), 423-424.

Dojat, M., and Pachet, F. (1995c). “Three Compatible Mechanisms for Representing Medical Context Implicitly.” IJCAI Workshop on "Context in Knowledge and Reasoning Modelling", Montréal.

Dojat, M., and Sayettat, C. (1994). “Aggregation and forgetting: two key mechanisms for across-time reasoning in patient monitoring.” AAAI Spring Symposium on Artificial Intelligence in Medicine: Interpreting clinical data, Stanford (Ca), 27-31.

Dufresne, A., Gecsei, J., Cromp, P., and Alexe, C. (1995). “Cardexp: a graphical and hypermedia interface to a knowledge base to learn decision making.” InterAct'95.

Fillod, O. (1995). “Un système qui apprend à résoudre des problèmes combinatoires en utilisant des métaconnaissances,” Master, Université Pierre & Marie Curie.

Forte, A.-M. (1991). “Système basé sur la connaissance pour l'identification, la caractérisation et la mise en correspondance d'entités anatomiques et fonctionnelles en imagerie médicale multimodalité,” Ph.D., Université François Rabelais, Tours.

Forte, A.-M., Bernardet, M., Lavaire, F., and Bizais, Y. (1992). “Object-Oriented versus Logical Conventional Implementation of a MMIIS.” SPIE'92, Medical Imaging VI, Newport Beach, Ca.

Guessoum, Z. (1996). “Un environnement opérationnel de conception et de réalisation de systèmes multi-agents,” Ph.D., Université Pierre & Marie Curie, Paris.

Joab, M., Paumelle, I., and Delforge, B. (1995). “Architecture du système Diapason.” 95-1, LIF - Université Pierre & Marie Curie.

Laublet, P. (1993). “FORREnMat: un système à base de connaissances pour l'étude expérimentale du raisonnement mathématique,” Ph.D., Université Pierre & Marie Curie.

Laublet, P. (1994). “Hybrid Knowledge Representation and Theorem Proving in Mathematics.” Artificial Intelligence in Mathematics, J. H. Johnson, S. McKee, and A. Vella, eds., Oxford University Press.

McAffer, J. (1995). “A Meta-level Architecture for Prototyping Object Systems,” Ph.D., University of Tokyo, Tokyo.

Moinard, C. (1994). “Diagral: a diagnosis and repair system.” Fifth International Workshop on Principles of Diagnosis - DX'94, New Paltz.

Mouton, R., and Pachet, F. (1995). “Numeric vs symbolic controversy in automatic analysis of tonal music.” IJCAI'95 Workshop on Artificial Intelligence and Music, Montréal, 32-40.

NKambou, R. (1995). “Modélisation des connaissances de la matière dans un système tutoriel intelligent : modèles, outils et application,” Ph.D., Université de Montréal, Montréal.

NKambou, R., Gauthier, G., Frasson, C., and Antaki, M. (1995). “Integrating expert system in authoring systems for curriculum and course building.” 7th International Conference on Artificial Intelligence and Expert System Applications, San Francisco, 485-490.

Pachet, F. (1990). “Mixing Rules and Objects: an Experiment in the World of Euclidean Geometry.” ISCIS V, Nevsehir, Turquie, 797 - 805.

Pachet, F. (1994). “Vers un modèle du raisonnement dans les langages à objets.” Colloque Langages et Modèles à Objets, Grenoble, 111-123.

Ramalho, G. (1996). “Simulation d'improvisations en Jazz,” , Paris 6, Paris.

Revault, N. (1996). “Principes de méta-modélisation pour l'utilisation de canevas d'applications à objets (MÉTAGEN et les frameworks),” Ph.D., Université Pierre & Marie Curie, Paris.

Revault, N., Sahraoui, H., Blain, G., and Perrot, J.-F. (1994). “A Metamodeling technique: The Metagen system.” TOOLS Europe 16, Versailles, 127-139.

Sahraoui, H. (1995). “Application de la méta-modélisation à la génération des outils de conception et de mise en oeuvre des bases de données,” Ph.D., Université Pierre & Marie Curie.