Knowledge Management II 8'3'2004

1
Knowledge Management II 8.3.2004

• Eunika MERCIER-LAURENT
• EML Conseil Knowledge Innovation Management
• Chercheur Associé à l IAE Université Lyon 3
• eml_at_wanadoo.fr http//pro.wanadoo.fr/eml-conseil
  et emlconseil.free.fr
• Entovation Intl. www.entovation.com

2
Vos documents retour

• Contexte e-learning le transfert des
  connaissances
• Remarques pour moi
• de précisions, fil conducteur pour la première
  présentation
• FAQ ?
• Remarques pour vous
• plus daller-retour avec moi, pour bien
  comprendre et non interpréter (réformulation?),
  ex EML
• Si vous nêtes pas surs posez des questions
• restez dans le contexte, je ne demande pas
  décrire un livre, juste répondre aux questions
• Pas assez de références internationales
• Communication entre les groupes inexistante

3
Vos documents retour

• Q1 il sagit de construire une expérience
  collective et la traiter efficacement par
  lordinateur (acquisition et utilisation
  dexpérience)
• Q2 et le management ? voir Tableau RH
  conception
• Q4 Entreprise étendue cest aussi une école ou
  université
• Ingénierie dentreprise économiquement équitables
  et humainement mobilisatrice (bien!)
• Q5 Attn KM ne consiste pas à gérer des
  informations seulement (déf Bill Gates), il
  sagit de ne pas générer information overload !
  (G1) , il sagissait de technologies pour traiter
  les connaissances et non les TIC classiques, ex
  pour faire la mayonnaise il faut un savoir-faire
  et non seulement mélanger les ingrédients. A la
  recherche du pertinent

4
Vos documents retour

• Q6 CoP ne sont quune petite partie du KM, à
  condition dêtre monté avec lapproche
  connaissance, hiérarchie du savoir ? Les cas
  pratiques ?
• Bravo pour la Q7 (g3) et 2
• larbre de Leif Edvinson (mentionné dans le
  .ppt)
• Niveau 2 ?
• Technologie (g1)
• Economie (?)
• Socio-culturel (un peu)

5
Introduction à la gestion de connaissances Que
doit faire KM ?

• Répondre aux besoins
• Organiser et optimiser les sources des
  connaissances humains, documents, ordinateurs
• Faciliter la création des nouvelles connaissances
• Favoriser le partage
• Capitaliser
• mettre à jour les connaissances/expériences

6
Les approches et les techniques pour KMModéliser
les connaissances

• Il s agit de représenter les connaissances dans
  l ordinateur

7
Les approches et les techniques pour KMModéliser
les connaissances

• bases de données ? Oui, mais avec l approche
  connaissance
• Objets, règles, agents, ontologies...
• Méthodologies
• KOD
• KADS
• Livre des connaissances - MASK
• Approche systémique SAGACE

8
Les approches et les techniques pour KMModéliser
les connaissances

• Il sagit de modéliser
• Objets du monde réel
• Définitions
• Concepts et relations entre concepts
• Stratégies
• Raisonnement
• Et en plus les connaissances
• Formelles
• Vagues
• incertaines
• qui changent avec le temps

9
Les approches et les techniques pour KMModéliser
les connaissances - apport de l IA

• Expressions mathématiques
• Arbres de décision
• Grammaires, Réseaux sémantiques, graphes
  conceptuels
• Scénarios, schémas
• Prototypes (Frames), Objets
• Règles de production
• Expressions logiques
• Taxonomies, ontologies
• Programmes ou procédures
• Contraintes
• Agents
• Cas

10
Les approches et les techniques pour KMModéliser
les connaissances - apport de l IA

• Logiques
• des proposition
• des prédicats
• des défauts
• non-monotones
• floues
• temporelles

11
Les approches et les techniques pour KMModéliser
les connaissances - apport de l IA- langages

• LISP John McCarthy 56 MIT
• Les données en LISP
• Atomes ROSE, 426, UNE-ROSE-ROUGE
• Listes (4 2 6), (une rose rouge)
• Manipulation des objets LISP
• Constructeurs CONS
  (CONS 'A '(B C)) (A B C)
• Sélecteurs CAR CDR
  (CAR '(A B C)) A
  
  (CDR '(A B C)) (B C)
• Prédicats NULL, ATOM, EQ, SET

12
Modéliser les connaissances - apport de l IA-
langages Prolog Colmerauer 70 Marseille

• Objets et relations entre objets
• Permet de
• Déclarer des faits ou d'assertions sur des objets
  et leurs interactions
• canari (titi).
• pere (jean,leon).
• Définir des règles sur des objets et leurs
  interactions clauses
• oiseau (X) - animal (X), a(X, plumes).
• Poser des questions sur des objets et leurs
  interactions
  pere (jean,leon)?
  pere (jean,X)?

13
Les approches et les techniques pour KMModéliser
les connaissances

• KADS

buts
connaissance
perceptions
actions
C est aussi une approche  résolution des
problèmes 
14
Les approches et les techniques pour KMModéliser
les connaissances

• KADS

Buts
Connaissances
S
Raisonnement
Domaine
perceptions
actions
15
Les approches et les techniques pour KM Créer les
nouvelles connaissances

• réseau apprenant
• partage de connaissances et d expériences
• e-learning
• innovation collective
• Outils Raisonnement par analogie (à partir de
  cas), TechOptimiser

16
Les approches et les techniques pour KMPartager

• Machine à café ? Forums, Chats..Oui mais..quelle
  capitalisation ?
• Réseau local
• Intranet/Extranet
• Outils
• Notes (Lotus)
• Suite spot (Netscape)
• LiveLink (Open Text)
• Share Point Portal

17
Les approches et les techniques pour KM

• Evolution de méthodes et des techniques de
  capitalisation
• Transfert des connaissances tacites
• Apprentissage accompagné
• Prise de notes (Pasteur)
• réunions et partage
• flux  organisé et optimisé (KM)

18
Les approches et les techniques pour KM

• Avec l ordinateur
• Traitement de Langage Naturel (diapo suivant)
• Systèmes Multi-Agents
• Apprentissage automatique
• Réseaux neuromimétiques (doc scan)
• Raisonnement à partir de cas
• Systèmes experts, graphes causaux
• Programmation par contraintes

19
Les approches et les techniques TLN

• Prolog
• réseaux sémantiques
• grammaires
• graphes conceptuels
• interface LN aux BD
• traduction automatique

20
Les approches et les techniques SMA

• Origines
• structure d un agent
• communauté d agents
• exemples recherche documentaire

21
Les approches et les techniques Multi-Strategy
Machine Learning

• Techniques
• symboliques
• clustering
• étoile
• Induction (classification automatique)
• numériques
• réseaux neuromimétiques
• Multi stratégies

22
Les approches et les techniques pour KM Système
Expert - développement
Base de Connaissances Objets/Règles
23
Les approches et les techniques pour KM Systèmes
Experts Les objets

• Représentent la connaissance du domaine de
  lexpertise
• Modèle de lapplication
• objets regroupés dans les classes
• relations entre objets (hiérarchie)
• Contexte de lapplication

24
Les approches et les techniques pour KM SE Objets
et Règles

• Les règles utilisent les objets pour raisonner
• Règles agissent sur la valeur des
  caractéristiques des objets
• Déduction (chaînage avant)
• Propagation (chaînage arrière)
• Le moteur d inférence démarre le système expert,
  pose des questions à l utilisateurs déclenche
  les règles qui s appliquent et donne le résultat
  à l utilisateur

25
Les approches et les techniques pour KM SE Les
règles le savoir faire

• traduire le savoir faire sous forme de règles
• Si le malade a la fièvre élevée Alors....
• Si le malade a des boutons rouges Alors..
• Un raisonnement complexe des règles qui
  senchaînent

26
Les approches et les techniques pour KM SE -
exploitation
Base de Connaissances Objets/Règles/F
poser le problème
interface
Moteur dInférence
Base de Faits mémoire de travail
résultats
27
Les approches et les techniques pour KM SE
Intégration

• Environnement humain
• Environnement informatique

28
Les approches et les techniques pour KM SE Quand ?

• Si le problème est du niveau dun expert
• Si le problème est modélisable par règles
• Si expert a intérêt de transmettre ses
  connaissances
• Si lexpertise est loin du lieu de mise en uvre

29
Les approches et les techniques pour KM SE
pré-requis

• un problème ...raisonnable formalisé mais mal
  résolu
• Un expert disponible, favorable et motivé
• des utilisateurs (attention aux niveaux)
• Une méthodologie et un outil
• du temps et

30
Les approches et les techniques pour KM Systèmes
daide à la décision

• Graphe de cause à effets
• Exemple ma voiture ne démarre pas, quelles sont
  les causes possibles

31
Les approches et les techniques pour KM CBR
(Case-based reasoning) Raisonnement à partir de
cas

• Principe
• Rechercher la solution d'un problème par analogie

32
Les approches et les techniques pour KM CBR
Principe
problème
nouveau cas
validation
4
1
bibliothèque de cas moteur analogie
3
2
cas similaire
33
Les approches et les techniques pour KM CBR
Historique
Apprentissage Automatique Induction (ID3)
SBC Simplifier la représentation de
connaissances
Outils CBR
Travaux de Roger Shank
CYRUS Janet Kolodner
Applications Help Desk
DARPA
CEE INRECA
34
Les approches et les techniques pour KM CBR Un
exemple de cas

35
Les approches et les techniques pour KM
Techniques CBR induction

• génération automatique dun arbre de décision à
  partir dexemples (ID3 Quinlan 1976)

36
Les approches et les techniques pour KM
Techniques CBR induction

• Basé sur lentropie de Shannon
• p1 probabilité quun message soit vérifié
• p2 probabilité de non vérification
• Linformation contenue dans un message est
• M(c) -p1 log2(p1) - p2 log2(p2)
• Après un test A, linformation est
• B(C, A) S(prob. que la valeur de A Ai) x
  M(Ci)
• Gain dinformation M(C) - B(C, A)

37
Les approches et les techniques pour KM
Techniques CBR analogie (plus proche voisin)

• structure de cas notre cas cas proche
• réparation ? recharger
• état de batterie HS HS
• lampes témoins ? faibles
• démarreur OK ?
• freins OK OK
• disques ? usés
• moteur OK OK
• ..

38
Les approches et les techniques pour KM
Techniques CBR analogie PPV

• Exemple Recherche de K7 vidéo reportage (TV)

39
Les approches et les techniques pour KM
Techniques CBR analogie PPV

• structure de cas notre cas cas proche
• document D1 D8
• type vidéo vidéo
• sujet foot foot
• date 2001 2003
• auteur JMD TY
• lieu Paris Tokyo
• ...

40
Les approches et les techniques pour KM Le Cycle
du CBR
nouveau cas
recherche
base de cas
cas retrouvé
cas appris
connaissances sur le domaine
apprentissage
cas adapté
sélection
cas résolu
adaptation
41
Les approches et les techniques pour KM CBR
INRECA - induction dynamique
induction
CBR

• gain dinformation
• efficacité / vitesse
• connaissances additionnelles
• simulations what-if
• gestion de linconnu en consultation
• flexibilité
• incrémentalité

• similarité
• flexibilité
• confirmation réfutation
• appariement flou
• généralisation
• data mining
• efficacité pour de très grosses bases de cas

-
42
Les approches et les techniques pour KM Quand
utiliser le CBR ?

• Quand les spécialistes parlent de leur domaine en
  utilisant des exemples
• Quand des exemples (vécus ou théoriques) existent
  en nombre suffisant pour retrouver des événements
  similaires
• Quand la notion dévénement similaire est
  pertinente

43
Les approches et les techniques pour KMCBR
Applications

• Construire une expérience collective
• Gérer le retour dexpérience
• diagnostic
• association offre - demande
• recherche de documents
• e-commerce
• recherche de compétences
• recherche de voyage, service, etc

44
Les approches et les techniques pour KMCBR
Applications

• Découverte des connaissances dans les bases de
  données (induction)

45
Les approches et les techniques pour KM CBR
Avantages

• technologie de collectivisation des connaissances
• Analogie
• Mise en uvre facile
• Modélisation simple
• adaptation au niveau de l utilisateurs (expert
  et apprenant)
• mise à jour automatique
• pb connaissances contextuelles

46
Les approches et les techniques pour KM CBR
difficultés

• Transfert de connaissances
• Prise en compte des connaissances contextuelles
• Point de vue métier
• Niveau d utilisateur
• Modélisation et réalité

47
Les approches et les techniques pour KM RPA
Outils

• KATE AcknoSoft (kaidara.com)
• CBR3 Inference (Inductive)

48
Conduite d une démarche KM ?

• Analyse de besoins réels
• analyse de l existant
• anticipation aux besoins, innovation
• choix d approche (stratégique, applicative ou
  mixte)
• modélisation conceptuelle (modularité,
  généricité, réutilisabilité)
• langage commun (glossaire)
• motivation, nouvelles valeurs connaissances
•  réflexes  veille, innovation, rex

49
Conduite d une démarche KM ? Principales
difficultés

• Connaître la stratégie de l entreprise
• Construire un flux global dans le contexte de
  l organisation existante n est pas facile
• Partage du pouvoir réseaux et hiérarchie
• Gérer limmatériel
• langage commun
• motivations
• changements de comportements, dobjectifs, de
  valeurs

50
Conduite d une démarche KM ? Avantages

• Changement de valeurs
• accès aux connaissances
• langage commun
• vue  systémique 
• collaboration multi métiers pour un succès commun
• puissance du réseau (CoP)
• approche holistique
• ..

51
Bibliographie

• Dupoirier, Gérard et Ermine, Jean-Louis Gestion
  de documents et gestion des connaissances
• Davenport, Thomas H., and Laurence Prusak.
  Working Knowledge How Organizations Manage What
  They Know. Boston, Mass Harvard Business
  School Press, 1997.
• Brown, John Seely, The Social Life of
  Information. HBSP 2000.
• Nonaka, Ikujiro and Hirotaka Takeuchi. The
  Knowledge-Creating Company
• How Japanese Companies Create the
  Dynamics of Innovation. New York
• Oxford University Press, 1995.
• Charlet, Zaklad, Kassel, Bourigault Ingenierie
  des connaissances Rytolles
• R. Dieng Outils pour la gestion des Connaissances
• Représentation et structuration des connaissances
  pour les bibliothéques audiovisuelles Document
  numérique Volume 3, n 3-4, 1999, p. 195-214
• Connaissances et documents audiovisuels Document
  numérique Volume 3, n 3-4, 1999, p. 241-262
• Projet Médiaworks, documents du projet (Programme
  PRIAMM), 1999
• Edvinson, Leif and Malone Michael S.
  Intellectual Capital Realizing Your Companys
  True Value by Finding its Hidden Brainpower,
  Harper Business 1997
• Actes ISMICK 97, 99
• Bulletin AFIA n44 2001

52
Quelques adresses web

• http//www.industrie.gouv.fr programmes PRIAM et
  RIAM, UCIP..
• http//pro.wanadoo.fr/eml-conseil
• http//www.entovation.com
• http//www.skyrme.com
• http//www.vernaallee.com
• http//www.voght.com/cgi-bin/pywiki?KnowledgeTools
  
• http//i-km.com