systèmes d’information logiques et leurs applications
Post on 23-Feb-2016
36 Views
Preview:
DESCRIPTION
TRANSCRIPT
Systèmes d’information logiqueset leurs applications
Mireille Ducasséducasse@irisa.frseptembre 2010
Avec de larges emprunts à Sébastien Ferré, Peggy Cellier et Véronique Abily de l’équipe LIS de l’IRISA
2
Introduction
• Données de plus en plus importantes– mail, fichiers, photos, musique, …
• Le problème n’est plus le stockage des données mais :– Comment les organiser ?– Comment les retrouver facilement ?
3
Les solutions existantes 1/2• La navigation hiérarchique
– Systèmes de fichiers• Critères spécifiés dans un ordre fixé• Emplacement et chemin unique pour un fichier
• L’interrogation par requêtes– Bases de données
• Pas de guidage de l’utilisateur • Rajout de descriptions difficile : Nécessite une modification du schéma
– Moteurs de recherche• Pas besoin de connaître le schéma de la base• Requête = ensemble de mots
– Systèmes à base de tags• Pas de schéma, juste un ensemble d’étiquettes• Mise à jour de la base par les utilisateurs : rajout de tags• Langage de requête limité
4
Les solutions existantes 2/2
Critère Système de fichiers
Base de données
Systèmes à base de tags
Extensible xTypage x
Relation d’ordre x
Requête THEN AND, OR, NOT AND/OR
Navigation x
5
LIS : Systèmes d’information logiques
• descriptions extensibles par l’utilisateur• données typées• relations d’ordre entre les valeurs• requêtes expressives : patterns, AND, OR, NOT• système de navigation guidant l’utilisateur
• requêtes et navigation intégrées
en s’appuyant sur l’analyse logique de concepts (LCA), extension de l’analyse formelle de concepts (FCA)
6
FCA : Analyse Formelle de ConceptsDonnées
• Contexte formel– objets + attributs + relation binaire
petite moyenne grande Proche du soleil Loin du soleil Avec sat. Sans sat.
Mercure X X X
Vénus X X X
Terre X X X
Mars X X X
Jupiter X X X
Saturne X X X
Uranus X X X
Neptune X X X
Pluton X X X
7
Des objets aux attributs : intension
petite moyenne grande Proche du soleil Loin du soleil Avec sat. Sans sat
Mercure X X X
Vénus X X X
Terre X X XMars X X X
Jupiter X X X
Saturne X X X
Uranus X X X
Neptune X X X
Pluton X X X
Intent: ensemble maximal d’attributs partagés par l’ensemble d’objets O
intent (O) = {attr | obj O : ∀ ∈ (obj , attr ) I } ∈ex : intent ({Terre, Pluton}) = {petite , avec sat.}
8
Des attributs aux objets : extension
petite moyenne grande Proche du soleil Loin du soleil Avec sat. Sans sat.
Mercure X X X
Vénus X X X
Terre X X XMars X X X
Jupiter X X X
Saturne X X X
Uranus X X X
Neptune X X X
Pluton X X X
Extent: ensemble maximal d’objets partageant un ensemble d’attributs A
extent (A) = {obj | attr A : ∀ ∈ (obj , attr ) I }∈ex : extent ({proche , avec sat.}) = {Terre, Mars}
9
FCA : Analyse Formelle de ConceptsConcept formel
• Concept : paire (O, A) telle que – O = extent (A) – A = intent (O)
• correspond à un rectangle maximal dans la table
10
Treillis de concepts
petite moyenne grande Proche du soleil Loin du soleil Avec satellites Sans sat
Mercure X X X
Vénus X X X
Terre X X X
Mars X X X
Jupiter X X X
Saturne X X X
Uranus X X X
Neptune X X X
Pluton X X X
petite avec sat.
proche loin
sans sat. grande moyenne
Mercure Terre Pluton Jupiter UranusVénus Mars Saturne Neptune
11
Navigation dans le treillis
proche loin
petite avec sat.
sans sat. grande moyenne
Mercure Terre Pluton Jupiter UranusVénus Mars Saturne Neptune
proche !
avec sat. !
12
Requête dans le treillis
proche loin
petite avec sat.
sans sat. grande moyenne
Mercure Terre Pluton Jupiter UranusVénus Mars Saturne Neptune
proche AND avec sat. !
13
Mise à jour : restructuration automatique 1/2
• Il y a de la vie sur terre
petite avec sat.
proche loin
sans sat. grande moyenne
Mercure Mars Pluton Jupiter UranusVénus Saturne Neptune
vie
Terre
14
Mise à jour : restructuration automatique 2/2
• Pluton n’est plus une planète !
avec sat.
proche loin
sans sat. grande moyenne
Mercure Mars Jupiter UranusVénus Saturne Neptune
vie
Terre
petite
15
LCA : Analyse Logique de Concept [Ferré & Ridoux, 2000]
L’analyse formelle de concept permet de combiner requêtes simples et navigation
mais il lui manque • des types de données riches • des requêtes complexes (OR, NOT, patterns)• implication entre les attributs
Ces aspects sont fournis par la logiqueUn ensemble d’attributs est remplacé par une formule logique
16
Camelis [Ferré, 2007]
• Implémentation d’un système d’information logique (LIS) – s’appuie sur LCA– combine requêtes et navigation
• Construction de requêtes complexes à partir d’une simple navigation
• Seuls les liens de navigation pertinents pour la requête courante sont visualisés
– offre une navigation « locale »• Les treillis deviennent très vite beaucoup trop gros pour
être investigués de manière globale
17
Camelis : Interface graphique
Fenêtre des objets (extension)
Requête courante
Fenêtre de navigation(intension, incréments)
18
Naviguer dans le contexte• Édition de la requête
– formules logiques• Sélection d’attributs
– Downward : incréments + connecteurs logiques– Upward : relachement – Sideward : downward + upward
• Sélection d’objets– Interrogation par l’exemple
Les trois fenêtres sont toujours cohérentes entre elles– quelle que soit celle par laquelle l’utilisateur a agi
19
Camelis : Conclusion • Navigation et interrogation intégrées
– analyse de données manuelle possible même pour de grands jeux de données• Nombreuses applications possibles
– Photos : collection personnelle de 6000 photos• Récupération des photos, création de diaporamas
– Musique : environ 2000 fichiers• Construction de listes pour lecteur multimédia
– Bibliographie : fichiers BibTex et résultats de recherche DBLP– Hiérarchie de fichiers : droits d’accès, date de modification, propriétaire, …– Fichiers CSV : ligne = objet, colonne = attribut, cellule = valeur– ...
• Transduceur et interface graphique génériques – OK pour essais préliminaires– demandent rapidement à être spécialisés
• Performances OK jusqu’à ~1 millions de « liens » objet/attribut
Serenelis [Ducassé, Ferré 2008]
Application des LIS à l’aide à la décision
Travaux présentés à ICCS 2008, « International Conference on Conceptual Structures », version étendue publié en 2010 dans la revue francophone « Nouvelles Perspectives en Sciences Sociales », Québec.
21
Motivation• Beaucoup de décisions prises en commission
– recrutement, allocation de ressources…• Souvent frustrant
– Souvent conflictuel– Pas de meilleure solution évidente – Critères de sélection difficiles à exprimer– Décision multicritère difficile à prendre– Situation difficile à embrasser dans sa globalité
• « Cristalliser » l’information
22
Approche quantitative• Scores selon des critères• Poids à chaque critère• Calcul combinant les deux aspects
– score global pour chaque possibilité
Avantage : les nombres sont naturellement totalement ordonnés
Inconvénient : pas facile de comprendre les décisions (et donc de les endosser)
23
Notre approche : qualitativeUtiliser les LIS pour
• structurer l’information• naviguer dans cette information• formaliser les décisions
24
Etude de cas
• Reconstitution d’une commission de spécialistes qui devait choisir parmi 43 candidats
• Seul outil utilisé à la réunion : un tableur• Les arguments ont été reconstitués a
posteriori
25
Contexte multivaluéObjets : noms des candidats 16 attributs/critères
Name CS backgroundteaching Exp. > 100hPratical exp. pedagog. ProjectDate end thesisThese location research team Integration irisa #journals #Int confs #nat. Confs other publi. Bonus Malus ReporterAOG no 0 4 0 Brest ReARI yes yes yes juilllet 06 Saint-Etienne Alestx yes 1 4 3 Java spectre etroit CpBER yes yes 2006 ENSM Saint Etienne 2 6 1 3 BaBEJ yes yes yes yes 2006/2007 INT Evry ps ? yes 0 0 0 0 2ws date de soutenancePtBED yes yes yes juil-04 Paris XI a2 ? yes 1 4 1 2 MeBOL yes yes yes yes 2006 Telecom R&D+Irisatx yes 0 2 4 2 Cours A D + 265HTD BaBUN yes yes yes yes fin 2006 IRISA ps yes 0 5 1 2 2ws GeCAL yes yes yes yes dec-05 IRISA ic + tx yes 0 3 2 3 ATER R1 avec enseignement de Genie Logiciel (Design Paterns+ UML+ Ö). En recherche ouverture vers TexMEx et participation a l'encadrement de thesards- participation a une valorisation FT R&D. Lettre enseignement Noel Plouzeau et Yann Rg et Me-JoRelative faiblesse du dossier de publicationAiCES no 61e yes(61e) yes 12/12/05 (Ecole Navale)BRESTimages yes 5 6 3 4 ens (61) : automatique+traitement du signal+ electronique+...AlCHU yes no yes mars-06 Bordeaux no 0 2 1 1 dossier tres mal faitDeCOH yes yes ? ? Univ Versailles? yes 0 0 2 1 partiellt reseauxMeCRO yes yes yes yes fin 2006 Montpellier II se yes 1 0 2 5 ens. PharmaciePoDEA yes yes yes minimal sep-06 Toulouse tl? le ? no 0 3 0 2 enseignement volumineux + statsdossier recherche faibleStDES yes yes yes dec-06 Univ Picardie Amiensap ? ps ? yes 2 4 0 0 rech+/ens systeme PtDIT no no yes juil-05 Paris 6 lc yes 2 3 2 qualifie 61eme et 60emeFnDOE yes yes yes juil-06 IRIT Toulouse vs ? no 0 4 2 1 MoDUT yes yes yes oct-05 Nimes le ? yes 3 6 4 1 comite de programme+ transferts industriels+coencadrement DEADeDUN no no 4 4 3 1livre 33ans ReFEI no no no 2007? Lille no 0 0 0 1poster totalement hors profilDeFRD no yes sep-05 Inria Sophia lc yes 2 1 0 3 RgGUX yes yes yes no 12.2006 Univ. Rennes 1 LTSI - INSERMvs yes 0 3 1 0 LyHAI no yes ? no nov-05 Ecole centrale Lille? ? 4 9 2 3 Automatique QdHII no aou-07 Lille 0 0 1 CpKOA no 61e yes yes no 12.2006 Ecole centrale de Lille yes 1 3 0 0 formation EII LyLEC yes no yes yes nov-06 IRISA+USA le yes 0 1 1 2 Mobilite aux EU (these en co-tutelle)Peu de publis encoreQnLET no yes yes no dec-05 Nantes ? ? 0 2 0 3 submitted QdMAL no 63e yes yes dec-06 Grenoble vs ? yes 1 5 0 1 RgMON yes yes dec-06 Fac de medecine Rennes 1tx ? vs ? no 2 8 1 7 Gros dossier de publication + lettre de recommandatiosIntegration IRISA problematique et experience en enseignement trop basique (bureautique essentiellement)AiMOC yes yes yes 08/07 ?11/06 IRISA a2 ? yes 0 4 1 1 RR+1conf etudiants AeNIT yes yes yes yes 2005 ENSSAT Lanion ? 4 7 0 4 2 Brevets + 4 revues BaORU yes yes yes yes fin 2006 Rennes 1 Ia yes 0 2 2 Recommendations elogieusesFnPAN no yes yes 2 dec 2004 Nice ts ? ss ? yes 2 9 0 6 bon dossier recherchetres 61e StPID yes yes yes yes 15/12/05 Paris Sud ap ? yes 3 1 1 2 lettres recommandation+conf int tres selectiveAePRT yes yes yes yes 1/11/06 IRISA lc yes 1 5 3 2 soum. GePRS yes yes yes 12-mai Le Havre (Cardon)se ? ps ? 0 0 5 0 Participation a un projet europeen TIM + projet web pedagogique + encadrement stagesCrRAC yes no yes debut 2007 IRISA yes 2 6 0 2 recommandation JPBAucune experience d'enseignementMoREK no 61e. yes 01/11/2006 ? Ecole Centrale Paris ? 2 4 0 3 AlREI yes no no yes dec-06? Nimes ? ? 1 6 2 these 61 + tres peu d'enseignementQdROU yes yes yes yes nov-06 IRISA ic yes 0 2 2 Dossier equilibre enseignement/rechercheQnSED yes yes yes aout 2006 Calais dm yes 0 4 3 2 PoSIU yes yes yes yes hiver 2007? IRISA ls yes 1 1 1 5 pb de fin de these? Trop forte (?!) implication dans l'enseignement+ le developpement+ et autres activitesCrSOZ yes yes yes nov-05 Amiens ps yes 1 3 1 5 Spectre enseign. CpTOL yes yes legere no 4.2007 Universite d'Evry yes 0 3 1 2 R.I. Ly
26
Le treillis de concepts…
27
Utilisation de Camelis
• Intégration immédiate des valeurs multivaluées
• Construction du treillis à la demande
• Vues locales
• Navigation incrémentale– Aide à la construction d’une requête
28
Analyse du contexte formel
• Le contexte est dense– Impossible d’examiner en détail tous les attributs
pour tous les candidats
• Processus proposé : en 3 phases– Analyse axée sur les attributs– Analyse axée sur les candidats– Classement
29
1. Analyse axée sur les attributsObjectifs : 1. Déterminer les critères obligatoires 2. Eliminer rapidement les candidats qui ne les
remplissent pas
• Décision collective du statut des attributs– Dépend des circonstances, des personnes présentes,
de l’ensemble des candidats, …• Statuts possibles d’un attribut
– Sélectif : obligatoire– Sélectif mais contrebalancé– Pertinent : intéressant mais pas obligatoire– Non pertinent (pour ce concours particulier)
30
Attributs contrebalancés
Attributs non pertinents
Attributs pertinents
Attributs sélectifs
Autres attributs, non encore jugés
Va ajouter ‘submitted thesis’ or ‘thesis location close enough’ à la requête
Candidats grisés seront éliminés
candidats
Requête :Décisions courantes
31
2. Analyse axée sur les candidats restants
Objectifs : 1. vérifier les rapports sur les candidats
• Le nombre de candidats est assez petit pour le permettre
2. affiner les critères obligatoires
• Vérification que les candidats méritent leurs attributs
– Rm: à l’étape 1, il a été vérifié que les candidats sur le point d’être éliminés n’avaient pas les attributs obligatoires !
• Vérification qu’il ne leur manque aucun attribut important
32
Attributs et valeurs pour le candidat sélectionné
Va enlever l’attribut sélectionné du rapport du candidat sélectionné
Un candidat sélectionné
Attribut incorrect
Requête : résumé des attributs du candidat
33
3. Classement
Objectif : trier les candidats restants– Le contexte est validé et les candidats restants
sont classables
• Affichage du treillis de concepts– Vue globale de l’ordre partiel
• Discussion et vote pour faire la liste finale– I.e. un ordre total
34
Attributs partagés par tous les candidats restants
Attributs spécifiques de BOL
Candidats avec au moins 4 conf. internationales
Deux candidats pour l’équipe “ic”
Deux candidats pour l’équipe “ps”
35
Un candidat au plus par équipe
Meilleurs en recherche Meilleurs en enseignement
Point fort recherche
Point fort enseignement
36
Le meilleur candidat en recherche et le meilleur en enseignement Les deux ont un projet
pédagogique, au moins une conférence nationale et au moins 2 conférences internationales
Aucun n’a encore soutenu aucun n’a d’article de revue
A ce stade nous avons voté…
37
Serenelis : Conclusion• Nombreuses situations de « micro » décision où le
processus pourrait être appliqué– garantie de cohérence, d’équité, de transparence et de sérénité
• Camelis pertinent pour– saisir les rapports – analyser et valider le contexte– filtrer les candidats inappropriés– expliquer la sélection
• La vue globale du treillis est– pertinente pour aider à fabriquer un ordre total à partir de l’ordre
partiel…– quand il est suffisamment petit
• Manque de ressource « ingénieur » pour finaliser un outil
DeLLIS: a Data Mining Process for Fault Localization
Peggy CellierMireille Ducassé, Sébastien Ferré, Olivier Ridoux
LIS – IRISA Rennes - France
Travaux de thèse de Peggy Cellier. Présentation faite à SEKE 2009, Software Engineering and Knowledge Engineering ».
39
Fault LocalizationProgram
Test case 1
Test case n...
Test suiteExecution Results of the executions
Expected Results
Results PASS FAIL
Exec.1 4.5 4.5 X
Exec.2 6 6 X
…
Exec.i 15 18 X
• Fault localization– Understand why some executions fail
40
Clues for Fault LocalizationProgram
Test case 1
Test case n...
Test suiteTracer Execution traces
• Execution traces– Contain information about why the program fails– Can be very large
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
41
Existing Fault Localization MethodsProgram
Test case 1
Test case n...
Test suiteTracer Execution traces
• Trace difference methods– Nearest Neighbor, Intersection model, Union model [RenierisReiss03], Delta debugging
[CleveZeller05]
– Drawback: FAIL exec = PASS exec no answer
• Statistical methods– Tarantula [Jones et al.02], SBI [Liblit et al.05], SOBER [Liu et al.06]
– Drawback: Events total ordered
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
42
Data Mining
• Data mining– Analyzes large amount of data– Finds regularities in data– Clusters data– Gives a partial ordering of data– …
43
Trace Context
• Description of an execution– All events that belong to the trace
(executed lines, variable values, …)– Verdict of the execution (PASS or FAIL)
Program
Test case 1
Test case n...
Test suiteTracer Execution traces
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
44
Tracer
Association Rules for Fault LocalizationProgram
Test case 1
Test case n...
Test suite
Indicator thresholds (minsup, minlift)
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
AR tool? → FAIL
Association rules
Execution traces
45
Association Rules for Fault Localization
• Association rules: e1, …, en → FAIL – When the set of events E= e1, …, en belongs to
a trace that implies, “most of the time”, a failure
• “Most of the time” measured by statistical indicators with thresholds (minsup and minlift)– Support: frequency of a rule
– Lift: relevance of a rule
46
Association Rules for Fault Localization
• Generation from the trace context – Examples of rules
• Problem : lots of association rules with large premises
R1:line_81,line_84,line_87,line_90,line_105,line_66,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R2:line_78,line_84,line_81,line_90,line_87,line_62,line_63,line_65,line_67,line_69,line_105,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R3:line_66,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R4:line_101,line_84,line_85,line_68,line_81,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R5:line_101,line_81,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R6:line_68,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R7:line_84,line_81,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R8:line_81,line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL R9:line_78,line_62,line_63,line_65,line_67,line_69,line_97,line_112,line_113,line_115,line_116,line_117,line_124,line_126,line_127,line_128,line_129,line_14,line_15,line_16,line_17,line_58,line_93 → FAIL
47
Property of Association Rules
• Some rules are more “specific” than othersR4: line 84, line 81, line 93, line 105, line 90,
line 87 → Fail is more specific than
R5: line 84, line 81, line 93 → Fail
• Rules partially ordered Failure context
48
Tracer
Failure Context
• Rules– Described by their premise– Represented by their
support and lift values
Program
Test case 1
Test case n...
Test suite
Indicator thresholds (minsup, minlift)
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
AR tool? → FAIL
Association rules
e1 e2 … en
Rule1:(sup1, lift1) X X
…
Rulei:(supi, lifti) X X X
events
Execution traces
49
Execution tracesTracer
Failure ContextProgram
Test case 1
Test case n...
Test suite
Indicator thresholds (minsup, minlift)
e1 e2 … en P F
Exec.1 X X X
…
Exec.i X X X
events verdicts
AR tool? → FAIL
Failure lattice
Concepts
E1Rule1:(sup1, lift1)
Rulem:(supm, liftm)
En
FCA Association rules
e1 e2 … en
Rule1:(sup1, lift1) X X
…
Rulei:(supi, lifti) X X X
events
50
12 3
4
5 6
7 8 9
10
Failure Lattice: Rules
• Rules– Represented
by their support and lift values
– Rule number = concept numberRules
51
12 3
4
5 6
7 8 9
10
Failure Lattice: Events
• Events in the premise of the rules
• Example: R5– line_84– line_81– line_93, line_58,
line_17, …
52
12 3
4
5 6
7 8 9
10
Failure Lattice: More Specific Rules
• R4 is more specific than R5
R4
R5 line_105, line_90, line_87
in the premise of R4 but not in the premise of R5
12 3
4
5 6
7 8 9
10
Failure Lattice: Reading
• Node 5– 112 failed
executions
– Common attributes• line 84• line 81• lines 93, 58, 17, …
– Specific attributes of the failed executions
• line 84 in less passed executions
53
Fault
54
Experiment
• Goal– Comparison of DeLLIS and Other Methods
• Program– Siemens suite programs (173 to 564 LOC)
• Metrics– Expense: Number of lines to explore to find the fault
• Best Strategy: when taking the shortest way • Random Strategy: when taking a random way (large number law)
55
Comparison of DeLLIS and Other Methods
ConjectureStrategy of a human debugger between Best Strategy and Random
DeLLIS as good as the best methods
DeLLIS: more than a set of independent events
Highlighting of existing relations between events
56
DeLLIS : Conclusion
• DeLLIS– Failure lattice => partial ordering of the events
• Showing dependencies between events
• Experiments with the Siemens suite– compares well with other methods
• Experiments with the Space program– Scales up for programs of several thousand lines by tuning the
lift threshold
57
Autres travaux en cours• Camelis 2 : Relations entre objets
– Généalogie, relations spatiales• Sewelis : LIS et « semantic web »
– intégration des standards du semantic web dans LIS– intégration navigation et interrogation dans le semantic web
• Représentation de l’espace et du temps– Système d’informations géographiques
• Intégration de la mise à jour des données – mise à jour dans un même moule que la recherche d’information :
intégration navigation et saisie• Fouille de données séquentielles
– pour l’aide à la localisation de fautes
58
• Références bibliographiques de l’équipe LIS– http://www.irisa.fr/LIS/common/biblio/– http://ledenez.insa-rennes.fr/biblis
• Prototype Camelis avec interface web– http://ledenez.insa-rennes.fr/abilis/ – « guest », sans mot de passe pour pouvoir naviguer dans
les contextes existants• Prototype Camelis avec interface gtk
– http://www.irisa.fr/LIS/softwares-fr/
top related